內容簡介
Deep Learning 3：用Python進行深度學習框架的開發實作
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。
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。
內容目錄
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（VGG16）
STEP 59 用 RNN 處理時間序列資料
STEP 60 LSTM 與 DataLoader
APP A 原地演算法（STEP 14 的補充說明）
APP B 執行get_item 函數（STEP 47 的補充說明）
APP C 在 Google Colaboratory 執行
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（VGG16）
STEP 59 用 RNN 處理時間序列資料
STEP 60 LSTM 與 DataLoader
APP A 原地演算法（STEP 14 的補充說明）
APP B 執行get_item 函數（STEP 47 的補充說明）
APP C 在 Google Colaboratory 執行
ISBN: 9789865027346