![深度学习入门2 - [日]斋藤康毅](https://static.book345.com/covers/s/9787115607515.jpg)
书籍介绍
这本书最锋利之处，在于它把「会用框架」和「看懂框架」之间的鸿沟摆到了你面前。作者从变量、函数、反向传播这些最底层的概念出发，用60个增量步骤带你亲手造出一个极简的深度学习框架DeZero——不是调用PyTorch，而是把它背后的机制拆给你看。很多读者反馈，读完才第一次彻底搞懂反向传播：变量和函数互相持有引用，靠链式调用与递归迭代，梯度便自然回传，代码简洁得近乎优雅。它适合已经接触过深度学习、却对框架「祛魅」无力的读者；如果你只会调用现成库，这里的内容你会预先看懂，但也正因如此，它的价值恰恰在于让你明白那些库究竟在替你做什么。
作者简介
斋藤康毅
1984年生于日本长崎县，东京工业大学毕业，并完成东京大学研究生院课程。目前在某企业从事人工智能相关的研究和开发工作。著有《深度学习入门：基于Python的理论与实现》，同时也是Introducing Python、Python in Practice、The Elements of Computing Systems、Building Machine Learning Systems with Python的日文版译者。
目录
用户评论
期待已久，读毕归还，好书好书！
从前作过来，一切都非常简单流畅，从最基本的变量与函数实现开始，构建运行时计算图，再进一步构建各种类型的层，抽象层次非常明确。另外在由浅入深的过程中，逐步从性能与使用两方面优化代码，非常适合小白入手。唯一感到不足的是CNN和RNN说的太浅太少了，可能也是受篇幅的影响。希望之后能看到作者针对这两个方向的续作。
＃ 深度学习可以被认为是可微分框架中的优化问题。常见的优化问题包括模型、损失函数和优化算法三个部分。本书在ch1中构造出可微分框架，用最短的时间实现了自动微分。接着在ch3中讨论了优化算法（特别是借助高阶导数的算法），在ch4-5中完善了深度学习中所使用的损失函数与模型（如CNN和RNN）。
该框架的实现以Chainer（作者所在公司推出的开源库，现已停止更新）为基础，并且引入了PyTorch的设计。这里使用了Define-by-Run（动态计算图）风格。其中计算图由数据流定义，数据的流转和计算图构建同时进行，不同于Define-and-Run（静态计算图）先定义计算图再流转数据，编程对象是符号而不是数值。同时该框架也不需要使用领域特定语言，可以像使用Python一样来操作它。
循序渐进并详尽地介绍了一个实用的迷你深度学习框架，作者的三本书都看完了收获很大，关于强化学习的那本翻译成中文估计得等到猴年马月吧。日本在机器学习这一块的积淀，从其科普类材料就能看出，技术氛围有多好了
有些东西，只有自己动手创建，才能看见和理解。
反向传播的实现是如此的简单优雅，变量和函数互相持有对象，通过持有创建者的引用，就形成了链式调用，只需要递归迭代，梯度就能在训练过程中的反向传播。
运算符的重载和弱类型，是python在数学计算中非常大的优势，通过重载和接口，不再需要复杂抽象的函数调用语法，直接使用数学表达式，就可以自然的表示各种函数运算。
一步一步的实现出每一种基本的运算，让他们能够计算导数，一层层组合起来，神奇的事情就发生了。从抽象继承的编程之美，涌现出数学之美。
深度学习所做的计算，大多数是矩阵乘积，神经网络从加法乘法中涌现出来，就像不断做加法的CPU，通过不断的增加层，表现力就能够不断提升，真的是万物皆数。
深度学习框架是以自动微分为基础，用户在此基础上构建所需要的计算
好书。深入浅出，循序渐进，在读的过程中复习了很多深度学习的基础知识
下载
收藏