【Manning新书】深度学习: 数学与算法模型，Inside Deep Learning，602页pdf

本书分两部分，共14章。第1部分(1 - 6章)集中在深度学习的基础: 编码框架，基本架构类型，不同组件的术语，以及构建和训练神经网络的技术。这些是您可以构建更大更复杂系统的基本工具。然后，在第2部分(7-14章)，我们开始添加新的设计选择或策略。每一章都有助于将深度学习的效用扩展到新类型的任务或问题上，拓宽了我们的范围，为我们提供了新的工具来调整不同的设计权衡(例如，速度与准确性)。

https://www.manning.com/books/inside-deep-learning

**第一部分，“基本方法”，有六个章节:**第一章讨论了PyTorch及其工作原理，展示了如何使用这个框架。第二章介绍了最基本的神经网络类型——全连接网络——以及如何在PyTorch中编写训练任意网络的代码。这包括演示一个完全连接的网络如何与线性模型相关。第三章介绍了卷积以及卷积神经网络如何在基于图像的深度学习中占据主导地位。第四章介绍递归神经网络，它们如何编码顺序信息，以及它们如何用于文本分类问题。

第五章介绍了新的训练技术，可以应用到任何神经网络，以获得更高的精度在更短的时间，并解释了他们如何实现这一目标。

第六章介绍了当今常用的现代设计模式，将您设计神经网络的知识带入现代。**第2部分，“构建高级网络”，有8个章节:**第7章介绍了自动编码作为一种训练神经网络的技术，无需标记数据，允许无监督学习。第8章介绍了图像分割和目标检测这两种技术，你可以使用它们在图像中找到多个项目。第9章发展了生成对抗网络，这是一种无监督的方法，可以产生合成数据，是许多现代图像篡改和深度伪造技术的基础。第10章教你如何实现注意力机制，这是网络先验中最重要的最新进展之一。注意力机制允许深度网络选择性地忽略输入中不相关或不重要的部分。第11章使用注意力构建了开创性的Seq2Seq模型，并展示了如何使用部署在生产系统中的相同方法构建一个英法翻译器。第12章介绍了一种新的策略，通过重新思考网络是如何设计的，来避免重复网络(由于它们的缺点)。这包括转换器体系结构，它是当前最好的自然语言处理工具的基础。第13章介绍了迁移学习，一种使用在一个数据集上训练的网络来提高在另一个数据集上的性能的方法。这允许使用较少标记的数据，使其成为现实工作中最有用的技巧之一。在书的最后，第14章回顾了现代神经网络的一些最基本的组成部分，并向您介绍了三种最近发表的技术，大多数实践者仍然没有意识到这些技术可以构建更好的模型。