Python神经网络编程 封面

Python神经网络编程

评分 4.7
章节数
40
丛书
异步图书·深度学习系列
ISBN
9787115474810

标签

内容简介

《Python神经网络编程》是英国技术作者塔里克·拉希德(Tariq Rashid)所著《Make Your Own Neural Network》的中文译本,由林赐翻译,人民邮电出版社2018年4月出版(出品方异步图书)。全书分为三章,并附两个附录。第1章从最简单的预测机和线性分类器讲起,逐步引入神经元模型、多层网络、矩阵乘法、反向传播与权重更新,用大量手绘式插图和具体数字演算把神经网络的数学原理讲透;第2章进入动手实践部分,介绍Python与IPython的基本用法,带读者从零亲手用Python搭建一个三层神经网络,并在MNIST手写数字数据集上训练与测试其性能;第3章在此基础上进一步探索,例如用自己手写的数字测试网络、观察已训练网络内部权重所呈现的形态、通过旋转图像扩充训练数据以改善效果,最后作出收束与展望。附录A以浅显方式介绍书中用到的微积分基础,附录B讲解如何在树莓派上安装IPython并运行这个神经网络。全书约200页,定位是“不要求高等数学和计算机专业背景”的入门书,只需中学数学基础即可跟着做完一个能识别手写数字的网络,适合作为理解神经网络底层运作机制的起点。

编辑推荐

市面上讲深度学习的书,大多一上来就是框架、张量、自动求导,让人只见 API 不见原理。这本书偏偏反其道而行:作者用“一台简单的预测机”这样的玩具模型起步,一步一步加节点、加层、加误差回传,最后你真的会用纯 Python(只靠 numpy 一类的少量依赖)写出一个能识别手写数字的三层神经网络。 它的难得之处有两点。一是把数学讲“可视化”了——矩阵乘法和反向传播不是甩公式,而是配着数字例子和手绘图逐格演算,读者能看清每个权重是怎么被推动的。二是门槛低——作者明确面向非专家,只需要中学数学,连微积分都在附录里临时补课;做实验甚至可以在树莓派上跑完。 作为系列早期的口碑之作,它在豆瓣上长期保持在 9 分以上。如果你学完以后仍说不清“梯度下降到底在做什么”,这本书很可能补上那块最关键的拼图。

适合谁读

适合

  • 刚接触机器学习、想搞懂神经网络底层原理的初学者
  • 会一点 Python、希望亲手从零实现一个神经网络的自学者
  • 数学基础停留在中学水平、被公式劝退的转行者
  • 想把神经网络概念讲给学生或团队听的高校师生与培训者

不适合

  • 希望直接学习 PyTorch、TensorFlow 等现代框架工程实践的人
  • 需要卷积网络、Transformer、大模型等前沿进阶内容的读者
  • 偏好严谨数学推导与形式化证明的数学/计算机专业研究者

阅读建议

  1. 先把第1章的每个数值例子亲手算一遍,再看第2章的代码,理解会更牢。
  2. 务必动手在本地运行第2章代码,用自己的手写数字测一测,比只读不练收获大得多。
  3. 数学吃力的读者可先跳过附录A,遇到反向传播卡住时再回头补微积分与链式法则。
  4. 读完可尝试替换数据集或增加一层隐藏层,观察正确率变化,把书里的实验变成自己的实验。

出版社简介

人民邮电出版社 中国 · 成立于 1953 年

人民邮电出版社以科技、计算机与信息通信类图书见长,并由此延伸至摄影、艺术、软件学习与励志成长等门类,形成较为多元的出版方向。库内图书既涵盖《重构与模式(修订版)》《华为交换机学习指南(第二版)》等计算机与通信技术读物,也收录《小王子(中英法彩绘典藏纪念版)》《了不起的盖茨比》《假如给我三天光明》等双语典藏类作品;《北京十年:1980-1990》与《鬼刀 WLOP个人插画作品集》则体现其在摄影与艺术领域的布局。作者资源包括安东尼·圣埃克苏佩里、海伦·凯勒、Joshua Kerievsky、王达、张兆增与WLOP等。

目录

  1. 第1章 神经网络如何工作
  2. 1.1 尺有所短,寸有所长
  3. 1.2 一台简单的预测机
  4. 1.3 分类器与预测器并无太大差别
  5. 1.4 训练简单的分类器
  6. 1.5 有时候一个分类器不足以求解问题
  7. 1.6 神经元——大自然的计算机器
  8. 1.7 在神经网络中追踪信号
  9. 1.8 凭心而论,矩阵乘法大有用途
  10. 1.9 使用矩阵乘法的三层神经网络示例
  11. 1.10 学习来自多个节点的权重
  12. 1.11 多个输出节点反向传播误差
  13. 1.12 反向传播误差到更多层中
  14. 1.13 使用矩阵乘法进行反向传播误差
  15. 1.14 我们实际上如何更新权重
  16. 1.15 权重更新成功范例
  17. 1.16 准备数据
  18. 第2章 使用Python进行DIY
  19. 2.1 Python
  20. 2.2 交互式Python = IPython
  21. 2.3 优雅地开始使用Python
  22. 2.4 使用Python制作神经网络
  23. 2.5 手写数字的数据集MNIST
  24. 第3章 趣味盎然
  25. 3.1 自己的手写数字
  26. 3.2 神经网络大脑内部
  27. 3.3 创建新的训练数据:旋转图像
  28. 3.4 结语
  29. 附录A 微积分简介
  30. A.1 一条平直的线
  31. A.2 一条斜线
  32. A.3 一条曲线
  33. A.4 手绘微积分
  34. A.5 非手绘微积分
  35. A.6 无需绘制图表的微积分
  36. A.7 模式
  37. A.8 函数的函数
  38. 附录B 使用树莓派来工作
  39. B.1 安装IPython
  40. B.2 确保各项工作正常进行

常见问题

这本书需要什么数学基础?
作者定位为只需中学数学,读者会四则运算与基本的函数概念即可上手。书中用到的微积分知识集中在附录A中补充讲解,线性代数中的矩阵乘法也在正文里从头演示,不需要高等数学或计算机专业背景。
书里的代码是 Python 2 还是 Python 3?
原书使用 Python 3 编写,正文以 IPython 交互式环境讲解,仅依赖 numpy 等少量库,代码量不大,便于逐行读懂并复现,可在普通笔记本甚至树莓派上运行。
和《深度学习入门:基于Python的理论与实现》比有什么区别?
两者都是入门书。本书更聚焦“从零手写最基础的三层网络”,篇幅更短、数学门槛更低、讲解更像对话;后者覆盖面更广,包含卷积网络等内容,且代码实现更工程化。可以先用本书打底,再读后者扩展。
这本书讲的是哪个数据集?能识别什么?
书中使用经典的 MNIST 手写数字数据集进行训练和测试,最终实现一个小型三层神经网络对手写数字进行分类识别,并引导读者观察网络内部权重、用自己手写的数字做测试。
这本书有繁体中文版吗?
有的。繁体中文版名为《類神經網路實戰:使用 Python》,由博碩文化出版,同样译自《Make Your Own Neural Network》,简体版则由人民邮电出版社于 2018 年出版。

读者评论

查询本书

本站为索引目录:「全网查询」由您发起、在您的浏览器中运行,所列入口均指向第三方站点,请自行判断可用性。

同一作者

同类高分