一本书教你用Python快速入门深度神经网络

网友投稿 500 2022-05-29

2016年年初,传奇的围棋棋手李世石与一个围棋界的“新手”开始了一系列举世瞩目的较量。

围棋是一种棋盘类游戏,于2500年前发源于中国。它是一种比国际象棋更为复杂的策略游戏,全球有75个国家的选手积极地参与其中。

李世石,围棋九段棋手,从2002年起多次获得世界冠军。他面对的是一个看不见的敌手——AlphaGo。AlphaGo是由伦敦的谷歌DeepMind团队开发的。不知道李世石在赛前对他的对手了解多少,也许他从科学作家马修·布拉加的关于围棋的文章中得到了安慰。该文章于2014年发表,其中谈到了围棋3:

“围棋是少数几种计算机智能尚未掌握的游戏之一。该游戏有着太多的可能的走法,让程序员长期以来陷入僵局。”

但在数据科学领域,24个月已经是一段相当长的时间了。谷歌的深度学习算法可以打败优秀的计算机对手,甚至是在让对手四子先手的情况下。2016年1月,AlphaGo曾以5:0的比分完胜欧洲冠军樊麾。2016年3月,AlphaGo挑战传奇选手李世石。深度学习再次让大家惊叹,那么今天推荐的图书是《Python深度学习》,让你快速入门深度学习。

购买纸书

《Python深度学习》旨在帮助读者掌握强大的深度神经网络工具。希望能帮助读者使用Python编程语言开发实用的应用。通过阅读本书,读者可以用最短的时间来学习、实践,并体验深度学习的强大工具。这些想法帮助了我以及成千上万的人,希望也能帮助读者加速数据科学实践。最后,我希望本书能让成千上万的读者轻松地掌握深度学习的工具。

本书内容

本书收集了实用的工具、先进的理念和技巧,初学者可以借助Python进行深度神经网络的快速开发。本书的目标是帮助读者在尽可能短的时间内获得实用的知识,开发性能优异的模型,并改善模型的效率。本书重点介绍了一些有用的方法,读者可以很容易理解并快速实现。基于此,本书详细讲解了以下内容:

解锁深度神经网络的有效预测能力;

为二元分类开发成功的解决方案;

为多元问题设计成功的解决方案;

调节深度神经网络,以提高、加快并改善性能。

抓住深度学习的机会

深度学习是数据科学中最激动人心的课题之一。它产生过令人惊异的结果,有相当出色的表现。它充满着很多伟大的想法——从搜索引擎、语音识别系统、自动驾驶汽车到生成爵士乐。深度学习是一门充满可能性的学科。想象一下如何把它运用在自己的数据科学项目上,哪怕是一个令人难以置信的想法,但这种可能性是多么令人激动啊——至少我希望你是如此。

除了渴望了解前沿预测技术外,还有其他一些原因需要掌握深度学习。例如,假设受过传统线性模型训练的数据科学家顾问,面临着很差的预测性能、最终报告的压力和紧迫的最后期限。如果他在本书中学会运用深层神经网络的工具,将能够更好地提高成功率。无论走到哪里,他都会因自己的数据科学工具包中有前沿深度学习技术而信心百倍。真正令人惊奇的是,有一点知识后,这些工具很容易使用。

不需要是个天才

读者不需要是一个天才的统计学家或者编程“大牛”,就能够理解并从本书讨论的实用想法和解决方案中获益。如果读者使用过统计工具包,或者有任何一门简单编程语言的经验,就能轻松、快速地掌握本书中讨论的技术。本书用平实的语言讲解深度神经网络,即使读者从来没有学过线性代数,不想看任何推导公式,也不喜欢复杂的计算机代码,也能轻松理解。读者从本书中得到的想法和实际信息适用于小型广告公司工作的个人数据科学家,适用于某区域宠物食品公司由3位决策科学家组成的团队,也同样适用于完成数据科学项目课程作业的学生或参与当地卫生当局的预测项目独立顾问。

生活不易!

对大多数人来说,生活是忙碌的,总是没有足够的时间学习知识。人们被个人和家庭的义务、学习、考试、工作、健身计划、数不清的邮件、项目、工作的截止期限所包围,更不用说充斥着日常生活的社交活动和数不清的杂事。有这么多的事情分心,又从哪里找时间来掌握深度学习呢?

这就是我写本书的初衷。它是一本动手实践的、容易理解和实用的指南,通过Python带读者领略数据科学家在深度神经网络中用到的成功的想法、出色的技术和

“告诉我,我会忘记;教给我,我会记住;让我一起实践,我才会懂得。”

循序渐进地每天从本书中学习一点,几周后,读者便会惊讶于自己的进步。随着练习的持续推进,你对所学知识的理解会不断加深。说不准,因为这一点点耐心、坚持和练习,读者能成为所在团队的深度学习专家,付出就有收获。

Python新手

随着Python的兴起,实践深度学习也变得非常容易。本书循序渐进地展示了如何使用免费并且流行的Python编程语言构建每一种模型。书中的示例代码非常清晰,可供读者直接输入Python代码段中。

语言构建每一种模型。书中的示例代码非常清晰,可供读者直接输入Python代码段中。

建议读者每天至少学完本书的一节内容,然后和朋友、同事、学生或者任何其他对数据应用深度学习模型感兴趣的人讨论。阅读图解说明,输入Python代码示例并阅读每一章后面的附注。坚持记录关于数据科学的想法,并一点一点地把所学到的东西糅合到自己的数据科学项目中。

各就各位,预备……

深度学习完全关于真实的生活、真实的人,也是把机器学习算法用于真实世界的问题以得到有效解决方案的应用。不管你是谁,不管你来自哪里,不管你的背景和学历如何,你都有能力掌握本书列出的想法。我个人坚信,借助合适的软件工具,加上些许坚持和正确的指导,只要有兴趣,你一定能成功地掌握并使用深度学习方法。

希腊哲学家伊壁鸠鲁曾说:

“这是为你而写,而不是其他人。有你互为听众,足矣。”

虽然会有成千上万的人接触到本书中的想法,但我尽力牢记伊壁鸠鲁的原则——让书中的每一页都只对你,是有意义的。

“如何阅读这本书?”

我希望读者能在最短时间内从本书中获得最大的收益。这可以通过输入示例代码、阅读参考文献并进行试验来达成。通过大量的示例和阅读参考文献,你能够拓宽知识面,加深你原有的对深度学习的一些直观理解,强化你的实践技能。

你至少有两种方式来使用这本书。首先,可以把它作为一本高效的参考书。翻阅到需要的章节,快速查看是如何用Python进行计算的。为了使收获最大化,你最好能够输入书中的代码,检查结果,然后根据自己的数据调整样本。其次,可以通过浏览真实的示例、图表、案例研究、技巧和说明来激发你自己的想法。本书既介绍了总体思路,同时也介绍了一些深度学习相关的历史、案例研究和文献。

1.1 获取Python

要使用本书,需要下载Python。目前,Python有两个主要的版本——Python 2.7 和Python 3。虽然Python 3在几年前就诞生了,但Python 2.7使用得更广泛,而且目前仍然是数据科学领域所用的流行版本1。本书示例使用Python 2.7编写。你可以从Python官方网站下载Python 2.7。

推荐的Python变体版本有很多,许多数据科学家使用Anaconda Python发行版。在其中预打包了许多在数据分析和统计建模中使用的核心软件模块。PyPy变体使用即时编译来加速代码的运行,因此能非常快地运行深度学习的代码。对于Windows用户来说,WinPython是运行Python的简单方式,它省去了安装的麻烦2。

1.1.1 学习Python

Python是一门强大的编程语言,易于初学者使用和学习。如果你有任何编程语言的经验,就能很快地掌握Python。如果你对编程语言一无所知,或者已经很长时间不使用,下面这些免费的资源可以让你快速上手。

Python指南—— 参见Python官网文档。

新手学Python—— 参见Python官网。

Python新手指南——参见维基页面。

交互式Python指南—— 参见Learn Python官网。

另外,请务必访问Python软件基金会官网,那里有最新的新闻和技巧窍门。1.1.2 软件包

高效地使用Python需要用到叫作“包”的软件模块。本书中,我们会用到一些软件包。如果你的计算机中没有本书中提到的软件包,请下载并进行安装1。

1.2 不需要等待

你不需要读完本书就可以把书中的想法融入自己的分析中。你可以随学随用,也可以直接阅读感兴趣的章节,并立即在自己的研究和分析中进行测试、创建和开发。下面是本书的一个概述,能帮助你开启本书的阅读之旅。

1.3 小结

本书是深度神经网络的入门和上手实践的手册。更确切地说,本书力求为你提供使用Python简单、快速地构建深度神经网络所需的工具。其目标是提供给你必要的工具来完成工作,并提供足够的图解说明来帮助你思考在你感兴趣的领域的深度学习相关的应用。我希望这个过程是愉快并且有收获的。

关于《Python 深度学习》

《Python 深度学习》

[英] 尼格尔·刘易斯(N.D. Lewis) 著

点击链接购买纸书

这一本书教你用Python快速入门深度神经网络

本书是使用Python 进行深度学习实践的一本初学指南。本书并未罗列大量的公式,而是通过一些实用的实际案例,以简单直白的方式介绍深度神经网络的两项任务——分类和回归,解析深度学习模型中的一些核心问题,以期让读者对深度学习的全貌有一个清晰的认识。

今日互动(仅限微信端点击参加)

端午节你的规划是什么?为什么?截止时间6月22日17时,留言+转发本活动到朋友圈,小编将抽奖选出3名读者赠送纸书1本和2张e读版80元异步社区代金券,(留言最多的自动获得一张)。

推荐阅读

2018年5月新书书单(文末福利)

2018年4月新书书单

异步图书最全Python书单

一份程序员必备的算法书单

第一本Python神经网络编程图书

本文转载自异步社区

软件开发

版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。

上一篇:信号(上)
下一篇:面试必备:nginx知识梳理(收藏版)
相关文章