python神经网络编程书推荐_豆瓣评分9.2的《Python神经网络编程》作者出新书啦

如果说神经网络里要选择一本入门书的话，那么当选《Python神经网络编程》，作者Tariq Rashid，这本书在豆瓣评分9.2。篇幅短小精悍，概念讲解明晰易懂，很适合作为神经网络入门第一书。书中作为例子手把手实现的神经网络原理并不复杂，代码量也比较合适，能够轻易跑出很好的结果，对于激发进一步学习的热情很有帮助。 感谢作者。再次推荐。

为什么说这是一本最适合神经网络的入门书？

如果你可以进行加、减、乘、除运算，那么你就可以制作自己的神经网络。我们使用的最困难运算是梯度演算(gradient calculus)，但是，我们会对这一概念加以说明，使尽可能多的读者能够理解这个概念。

一旦你掌握了神经网络的基本知识，你就可以将神经网络的核心思想运用到许多不同的问题中。

在这本书中，你将扬帆起航，制作神经网络，识别手写数字。

当我们循序渐进制作神经网络时，我们还将学习一种非常简单、有用和流行的编程语言Python。同样，你不需要有任何先前的编程经验。

豆瓣评论

清晰易懂，只用了一点数学(目标读者是高中生，书中稍许用到的微积分知识，在附录也有解释)，就把神经网络的构造和原理讲得很清楚。讲完理论，作者在书的第二部分进入实践，一步步编写了一段应用神经网络模型识别手写数字的代码，几乎每一步都伴有详细讲解。个人感觉是，如果预先有一点点python的知识(比如花几个小时学完这个免费在线课程)，会更容易理解这些代码。第三部分篇幅不长，主要是在某些方面略作延伸，意图应该是希望激发读者进一步探究的兴趣。

豆瓣近期评论

《Python神经网络编程》彩页赏析

2020年12月Tariq Rashid新书《PyTorch生成对抗网络编程》(Make Your First GAN With PyTorch )上架。全书206页。

读完这本书你可以学会什么？了解PyTorch和生成对抗网络的基本原理

学会使用Pytorch构建自己的生成对抗网络

生成手写数字和人脸图像，并进一步探索更复杂的卷积GAN和条件式GAN

计算平衡GAN的理想损失值、卷积的工作原理等很多被机器学习相关教程忽略的主题。

本书适合的读者本书适合希望初步了解GAN以及其工作原理的读者。本书同样适用于希望学习如何使用工业级软件构建GAN的从业人员。

对于较复杂的概念，本书会尽量使用通俗易懂的语言，配以大量插图加以解释。本书会尽量避免使用不必要的术语和数学公式。

本书的目标是，帮助具有不同背景的读者了解GAN，并可以亲自动手搭建GAN。

本书并非一本GAN的百科全书，无法涵盖其方方面面。我们有目的地节选了最精华的部分，足够为读者深入研究做好准备。

对于正在学习机器学习相关课程的学生，本书可以帮助他们快速入门，为接下来的学习打好基础。

专业评论这可能是我读过的关于机器学习、PyTorch和生成对抗网络的最好的书。作者使用简洁凝练的文字来解释复杂的思想，非常容易理解。我希望所有的图书都能写得这么好。——Thomas Rowley Amazon读者

我很喜欢将这本书作为周日早晨的读物。更让我激动的是，本书展示了实现各种示例的细节。我会向任何想开始学习生成对抗网络的人推荐这本书。——JV Amazon读者

作者轻松友好的写作风格让人感觉他在和你一起旅行。当我听说作者要出版这本书时，我迫不及待地想阅读这本书。我很开心，这本书和他的第一本书《Python神经网络编程》一样容易阅读和理解。你将再一次踏上一段轻松的旅程，我愿意向所有人推荐它。——Mairiwr Amazon读者

内容简介：

本书以直白、简短的方式向读者介绍了生成对抗网络，指导读者如何使用PyTorch 按部就班地编写生成对抗网络。阅读本书，读者将了解 PyTorch和生成对抗网络的基本原理，学会使用PyTorch构建自己的生成对抗网络，生成手写数字和人脸图像，并进一步探索更复杂的卷积GAN和条件式GAN。此外，本书还介绍了计算平衡GAN的理想损失值、卷积的工作原理等被很多机器学习相关教程忽略的主题，对训练GAN的主要挑战进行了讨论，十分具有启发性。

关于作者

目录

第 1 章　PyTorch和神经网络 001

1．1　PyTorch入门　001

1．2　初试PyTorch神经网络　018

1．3　改良方法　043

1．4　CUDA基础知识　054

第　2 章 GAN初步　064

2．1　GAN的概念　064

2．2　生成1010格式规律　072

2．3　生成手写数字　090

2．4　生成人脸图像　117

第　3 章 卷积GAN和条件式GAN　140

3．1　卷积GAN　140

3．2　条件式GAN　166

3．3　结语　176

附录A　理想的损失值　178

A．1　MSE损失　178

A．2　BCE损失　179

附录B　GAN学习可能性　186

B．1　GAN不会记忆训练数据　186

B．2　简单的例子　187

B．3　从一个概率分布中生成图像　188

B．4　为图像特征学习像素组合　189

B．5　多模式以及模式崩溃　190

附录C　卷积案例　191

C．1　例1： 卷积，步长为1，无补全　191

C．2　例2： 卷积，步长为2，无补全　192

C．3　例3： 卷积，步长为2，有补全　193

C．4　例4： 卷积，不完全覆盖　194

C．5　例5： 转置卷积，步长为2，无补全　194

C．6　例6： 转置卷积，步长为1，无补全　196

C．7　例7： 转置卷积，步长为2，有补全　197

C．8　计算输出大小　197

附录D　不稳定学习　199

D．1　梯度下降是否适用于训练GAN　199

D．2　简单的对抗案例　199

D．3　梯度下降并不适合对抗博弈　203

D．4　为什么是圆形轨迹　204

附录E　相关数据集和软件　205

E．1　MNIST数据集　205

E．2　CelebA数据集　205

E．3　英伟达和谷歌　206

E．4　开源软件　206