Deep Learning 3|用Python進行深度學習框架的開發實作
▐ 自2024/1/1 00:00起,台灣樂天市場「屈臣氏」將不贈送 LINE POINTS 點數
▐ 自2023/2/1 00:00起,樂天Kobo電子書不贈送 LINE POINTS 點數,請會員多加留意。
▐ LINE POINT點數回饋依照樂天提供扣除折價券(優惠券)、與運費後之最終金額進行計算。
▐ 愛買與愛票網、a la sha(2023/8/1生效)、GAME休閒館(2023/8/1生效)、專品藥局(2023/8/1生效)等部分店家不參與全站加碼,請詳閱LINE Points 加碼店家清單:https://lin.ee/Y2CcVdk/rcfk
▐ 注意事項
(1)部分服務及店家不符合贈點資格,購買後將不贈送 LINE Points 點數,亦不得使用點數紅包,如:比漾廣場、神腦生活、MyCard、愛美麗福利社、展翔通訊、ezcook 美食廚房、葳豐數位商城、吉盈數位商城、森林巨人、包材中心、KABO佳麗寶家電批發、LuLuLu精品店、NewSTYLE新風尚潮流、0216零食會社、美寶家電、純米小鋪、LILY科技新櫃、登芳3C電子雜貨賣場、豐饌御鴨、鼎耀通訊、誠選3C、Smile、葳豐數位商城二店、米蘭寶、BoBo Outlet代購屋、楊家食品(2022/10/1生效)、樂天Kobo電子書(2023/2/1生效)、屈臣氏(2024/1/1生效)等,請詳閱LINE Points 加碼店家清單。
(2)需透過LINE購物前往台灣樂天市場,並在同一瀏覽器於24小時內結帳,才享有 LINE Points 回饋。
(3)若購買之訂單(包含預購商品)未符合樂天市場 45 天內完成訂單出貨及結帳,則不符合贈點資格。
(4)如使用App、或中途瀏覽比價網、回饋網、Google等其他網頁、或由網頁版(電腦版/手機版網頁)切換為App都將會造成追蹤中斷而無法進行 LINE Points 回饋。
(5) LINE 購物為購物資訊整合性平台,商品資料更新會有時間差,如顯示之商品規格、顏色、價位、贈品與台灣樂天市場銷售網頁不符,以銷售網頁標示為準。
(6)Pickup店家之有效訂單需於下單後40天內使用完畢才符合分潤條件
(7) 若上述或其他原因,致使消費者無接收到點數回饋或點數回饋有爭議,台灣樂天市場保有更改條款與法律追訴之權利,活動詳情以樂天市場網站公告為準。同款比價 | 為您推薦2個賣場2個同款賣場2個同款賣場
價格低到高
商品描述
作者:斎藤康毅 出版社:歐萊禮 出版日:1100406 ISBN:9789865027346 語言:中文繁體 裝訂方式:平裝 內容簡介 從無到有的實作,在動手做的過程中強化對於深度學習的理解 或許您也曾經用過Tensorflow、PyTorch這類深度學習的框架(Framework),相信您也曾經對裡頭那些神奇的技術與有趣的結構嘆服不已。這本書就是為了解開這些疑問,正確瞭解這些技術而撰寫的。希望你可以從中體會這種技術性的「樂趣」。基於這個目的,本書將秉持著「從零開始製作」的方針,從無到有,一邊操作,一邊思考,透過實作加深理解,獲得審視現代深度學習框架的「新視野」。再藉由這個「新視野」,更廣泛、深入地理解深度學習。 高人氣、高評價的「Deep Learning基礎理論實作」系列第三部 《Deep Learning:用Python進行深度學習的基礎理論實作》、《Deep Learning 2|用Python進行自然語言處理的基礎理論實作》是從零開始進行深度學習,藉此瞭解相關結構。當時以單純性為優先,而「手動」設定了運算的「連結」。真正的框架是將這個部分自動化,Define-by-Run就是其中的一種手法,本書將利用從零開始製作DeZero的方式來學習這個機制。請別擔心,閱讀這本書不需要具備前作《Deep Learning:用Python進行深度學習的基礎理論實作》系列的知識。 作者簡介 譯者介紹 目錄 第一階段 自動計算微分 STEP 1 把變數當成箱子 STEP 2 產生變數的函數 STEP 3 連結函數 STEP 4 數值微分 STEP 5 誤差反向傳播法的理論 STEP 6 手動執行誤差反向傳播法 STEP 7 誤差反向傳播法的自動化 STEP 8 從遞迴到迴圈 STEP 9 讓函數更方便 STEP 10 測試 第二階段 用自然的程式碼呈現 STEP 11 可變長度引數(正向傳播篇) STEP 12 可變長度引數(改善篇) STEP 13 可變長度引數(反向傳播篇) STEP 14 重複使用相同變數 STEP 15 複雜的計算圖(理論篇) STEP 16 複雜的計算圖(執行篇) STEP 17 記憶體管理與循環參照 STEP 18 減少記憶體用量的模式 STEP 19 輕鬆使用變數 STEP 20 運算子多載(1) STEP 21 運算子多載(2) STEP 22 運算子多載(3) STEP 23 整合成套件 STEP 24 複雜函數的微分 第三階段 計算高階微分 STEP 25 計算圖視覺化(1) STEP 26 計算圖視覺化(2) STEP 27 泰勒展開式的微分 STEP 28 函數最佳化 STEP 29 使用牛頓法最佳化(手動計算) STEP 30 高階微分(準備篇) STEP 31 高階微分(理論篇) STEP 32 高階微分(執行篇) STEP 33 使用牛頓法最佳化(自動計算) STEP 34 sin 函數的高階微分 STEP 35 高階微分的計算圖 STEP 36 高階微分以外的用途 第四階段 建立類神經網路 STEP 37 處理張量 STEP 38 改變形狀的函數 STEP 39 加總函數 STEP 40 進行廣播的函數 STEP 41 矩陣乘積 STEP 42 線性迴歸 STEP 43 類神經網路 STEP 44 整合參數層 STEP 45 整合各層的整合層 STEP 46 用 Optimizer 更新參數 STEP 47 Softmax 函數與交叉熵誤差 STEP 48 多值分類 STEP 49 Dataset 類別與事前處理 STEP 50 取出小批次的 DataLoader STEP 51 MNIST 的學習 第五階段 使用DeZero 進行挑戰 STEP 52 支援 GPU STEP 53 儲存與載入模型 STEP 54 Dropout 與測試模式 STEP 55 CNN 的機制(1) STEP 56 CNN 的機制(2) STEP 57 conv2d 函數與 pooling 函數 STEP 58 具代表性的 CNN(...