书籍介绍
本书是深度学习真正意义上的入门书，深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3，尽量不依赖外部库或工具，从基本的数学知识出发，带领读者从零创建一个经典的深度学习网络，使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识，对误差反向传播法、卷积神经网络等也有深入讲解，此外还介绍了深度学习相关的实用技巧，自动驾驶、图像生成、强化学习等方面的应用，以及为什么加深层可以提高识别精度等“为什么”的问题。
AI导读
核心看点
- 从零开始用Python和NumPy手写神经网络
- 深入浅出讲解反向传播等核心原理
- 不依赖复杂框架，透彻理解底层逻辑
适合谁读
- 零基础想理解深度学习原理的初学者
- 数学基础薄弱，畏惧复杂公式的读者
- 希望掌握底层实现而非仅调包的工程师
读前提醒
- 需具备Python基础及高中数学知识
- 重在理解原理，实战应用需结合框架
- 建议动手运行代码以加深理解
读者共识
- 讲解通俗易懂，被赞为最佳入门书
- 虽无框架实战，但能建立完整认知
- 代码实现清晰，适合数学苦手阅读
本导读基于书籍简介、目录、原文摘录、短评和书评生成，不等同于全文精读。
精彩摘录
- "最近出现了很多深度学习相关的库，任何人都可以方便地使用。实际上，使用这些库的话，可以轻松地运行深度学习的程序。那么，为什么我们还要特意花时间从零开始实现深度学习呢？一个理由就是，在制作东西的过程中可以学到很多。 在制作东西的过程中，会进行各种各样的实验，有时也会卡住，抱着脑袋想为什么会这样。这种费时的工作对深刻理解技术而言是宝贵的财富。像这样认真花费时间获得的知识在使用现有的库、阅读最新的文章、创建原创的系统时都大有用处。而且最重要的是，制作本身就是一件快乐的事情。（还需要快乐以外的其他什么理由吗？）"
- "def AND(x1, x2): x = np.array([x1, x2]) w = np.array([0.5, 0.5]) b = -0.7 tmp = np.sum(w*x) + b if tmp <= 0: return 0 else: return 1 这里把−θ命名为偏置b，但是请注意，偏置和权重w1、 w2的作用是不 一样的。具体地说， w1和w2是控制输入信号的重要性的参数，而偏置是调 整神经元被激活的容易程度（输出信号为1的程度）的参数。比如，若b为 −0.1，则只要输入信号的加权总和超过0.1，神经元就会被激活。但是如果b 为−20.0，则输入信号的加权总和必须超过20."
- "输出层所用的激活函数，要根据求解问题的性质决定。一般地，回归问题可以使用恒等函数，二元分类问题可以使用 sigmoid函数，多元分类问题可以使用 softmax函数。"
- "和求解机器学习问题的步骤（分成学习和推理两个阶段进行）一样，使用神经网络解决问题时，也需要首先使用训练数据（学习数据）进行权重参数的学习；进行推理时，使用刚才学习到的参数，对输入数据进行分类。"
- "在梯度法中，函数的取值从当前位置沿着梯度方向前进一定距离，然后在新的地方重新求梯度，再沿着新梯度方向前进，如此反复，不断地沿梯度方向前进。像这样，通过不断地沿梯度方向前进，逐渐减小函数值的过程就是梯度法（ gradient method）。梯度法是解决机器学习中最优化问题的常用方法，特别是在神经网络的学习中经常被使用。 根据目的是寻找最小值还是最大值，梯度法的叫法有所不同。严格地讲，寻找最小值的梯度法称为梯度下降法（ gradient descent method），寻找最大值的梯度法称为梯度上升法（ gradient ascent method）。但是通过反转损失函数的符号，求最小值的问题和"
- "在神经网络的学习中，学习率（数学式中记为n）的值很重要。学习率过小，会导致学习花费过多时间；反过来，学习率过大，则会导致学习发散而不能正确进行。 在关于学习率的有效技巧中，有一种被称为学习率衰（ learning ratedeay）的方法，即随着学习的进行，使学习率逐渐减小。实际上，一开始“多”学，然后逐渐“少”学的方法，在神经网络的学习中经常被使用。 逐渐减小学习率的想法，相当于将“全体”参数的学习率值一起降低。而 Adagrad进一步发展了这个想法，针对“一个一个”的参数，赋予其“定制”的值。"
- "我们介绍抑制过拟合、提高泛化能力的技巧权值衰减（ welght decay）。简单地说，权值衰减就是一种以减小权重参数的值为目的进行学习的方法。通过减小权重参数的值来抑制过拟合的发生。"
- "6。5超参数的验证 神经网络中，除了权重和偏置等参数，超参数（ hyper- parameter）也经常出现。这里所说的超参数是指，比如各层的神经元数量、 batch大小、参数更新时的学习率或权值衰减等。如果这些超参数没有设置合适的值，模型的性能就会很差。虽然超参数的取值非常重要，但是在决定超参数的过程中一般会伴随很多的试错。本节将介绍尽可能高效地寻找超参数的值的方法。 6。5。1验证数据 之前我们使用的数据集分成了训练数据和测试数据，训练数据用于学习，测试数据用于评估泛化能力。由此，就可以评估是否只过度拟合了训练数据（是否发生了过拟合），以及泛化能力如何等。 下面我们要对超参数设置各种各样的"
作者简介
作者简介：
斋藤康毅
东京工业大学毕业，并完成东京大学研究生院课程。现从事计算机视觉与机器学习相关的研究和开发工作。是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版译者。
译者简介：
陆宇杰
众安科技NLP算法工程师。主要研究方向为自然语言处理及其应用，对图像识别、机器学习、深度学习等领域有密切关注。Python爱好者。
目录
用户评论
太棒了，力荐想在自己专业引入机器学习或深度学习算法的朋友们阅读，这简直是《三天了解深度学习》《小白的深度学习入门书》表演，从没见过一本书讲梯度还从求导开始，很对得起前言中对书的定位，承诺的都做到了（爱死了能实现承诺的作者）。私以为写得特别好的部分非反向传播莫属，第五章读了4遍，不是因为第一次没看懂，就是单纯太喜欢了；其次是第七章，很友好但确实还是需要一点基础才会更有价值；再次是第六章，权重初始值设置部分算亮点，但正则化部分还可以更好些。想来近一年看来最可爱的编程算法书大多出自日本学者之手（不知是不是也有翻译因素），图灵丛书居多，以后选书方向更明确了，开心。
确实是很好的入门书，从简单开始逐渐深入，0基础也能看懂。
是也乎 ╮(╯▽╰)╭
和隔壁那本图解的内容一致…侧重原理讲解…乍完成一个实锤…死活不讲…再也不买日本人写的了啊啊啊啊啊啊啊啊…
对于深度学习入门而言，这是我推荐的第一本书，随便翻过不下10本类似书籍，应该说这本从各方面而言都是最佳的。
虽然这本书没有任何现有框架的介绍，比如sklearn，tensorflow，keras等，但是对于像从头了解深度学习（特别是神经网络）而言，非常好。
在这本书的基础上，再去找个比如sklearn的框架按照例子跑跑，就差不多了。
非常清晰的一本深度学习入门书，没有过多的公式罗列，无论是没接触过DL的算法工程师，还是有意向了解DL的工程师，都很适合来读。美中不足的是可能过于强调浅显易懂，反而把一些简单的事情复杂化了，比如链式法则；然后就是有些代码写的不够好，有些误导性。
太适合新人了，i了i了😭😭
numpy完成的深度学习原理介绍，重理解而非应用。从手写数字识别到卷积层的图片案例，本书好像从图像识别着手的，继续啃下一本nlp吧。
入门书籍！！！
真的很友好，一周入门CNN不是大话👍🏻
看自己想看的部分，看起来会比较快，这种读书方法适合这些技术书。这本书无疑是我看过的最通俗易懂的关于深度学习的入门书了，简单直观，对概念的理解有比较好的帮助。比如梯度消失、过拟合、激活函数、softmax、损失函数、反向传播、训练集、验证集、测试集、SVG、超参数…
你可能会关注的书籍
Python深度学习入门：从零构建CNN和RNN
深度学习入门之PyTorch
深度学习入门：基于PyTorch和TensorFlow的理论与实现/人工智能与大数据系列
深度学习入门——基于Python的实现（基于Python的数据分析丛书)
PyTorch深度学习入门与实战（案例视频精讲）
下载
收藏