Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
b4d51137
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
未验证
提交
b4d51137
编写于
8月 09, 2018
作者:
M
Mu Li
提交者:
GitHub
8月 09, 2018
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
Update how-to-use.md
上级
09d5e64b
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
6 addition
and
12 deletion
+6
-12
chapter_introduction/how-to-use.md
chapter_introduction/how-to-use.md
+6
-12
未找到文件。
chapter_introduction/how-to-use.md
浏览文件 @
b4d51137
# 如何使用本书
# 如何使用本书
在本书中,我们不仅阐述深度学习的技术与应用,还使用Apache MXNet(incubating)及其最新的Gluon接口演示如何实现它们。
本书将全面介绍深度学习从模型构造到模型训练的方方面面,以及它们在计算机视觉和自然语言处理中的应用。我们将不仅仅阐述算法原理,而且将基于Apache MXNet来演示它们的实现和运行。本书的每一节都是一个Jupyter笔记本,它将文字、公式、图片、代码和运行结果统一在了一起。读者不仅能直接阅读,而且可以运行它们来获得交互式的学习体验。
除了讨论区以外,我们将利用Jupyter notebook能将文字、代码、公式和图像统一起来的优势,提供一个交互式的学习体验。据我们所知,目前还没有如此多方位交互式的深度学习的学习体验。我们将尝试弥补这个空白。
## 面向的读者
## 面向的读者
本书总体上面向大学生、工程师和研究人员。本书对于深度学习技术与应用的阐述涉及了数学和编程。如果你希望理解深度学习背后的数学原理,需要了解基础的线性代数、微分和概率。如果你希望读懂书中的代码,需要了解基础的Python编程。如果你只对书中的数学部分或编程部分感兴趣,也可以忽略另一部分。
本书面向希望了解深度学习,特别是对实际使用深度学习感兴趣的大学生、工程师和研究人员。本书并不要求你有任何深度学习或者机器学习的背景知识,我们将从头开始解释每一个概念。虽然深度学习技术与应用的阐述涉及了数学和编程,但你只需要对其有一定的了解,例如基础的线性代数、微分和概率,以及基础的Python编程。在附录中我们提供了本书所涉及的数学知识供你参考,如果你之前没有接触过Python,可以参考中文教程 http://www.runoob.com/python/python-tutorial.html 或英文教程 http://learnpython.org/ 。当然,如果你只对书中的数学部分,你可以安全的忽略掉另一半。反之亦然。
附录提供了本书所涉及的数学知识,供有需要的读者选择参考。如果你对Python编程不熟悉,我们建议你先学习一些有关Python编程的教程,例如中文教程 http://www.runoob.com/python/python-tutorial.html 或英文教程 http://learnpython.org/ 。
## 内容和结构
## 内容和结构
...
@@ -28,17 +24,15 @@
...
@@ -28,17 +24,15 @@
## 代码
## 代码
作为一个开源的深度学习框架,Apache MXNet提供了易用的Gluon接口,并有着出众的计算性能。MXNet支持例如C++、JavaScript、Python、R、Matlab、Julia、Scala、Go等前端编程语言,并被众多使用者部署到了手机、树莓派(Raspberry Pi)、笔记本电脑等不同的设备之上。我们选择MXNet作为本书使用的深度学习框架。它也是AWS(亚马逊的云计算服务)首选的深度学习框架
。
本书的一大特点是每一节都是可以运行的。你可以改动代码后重新运行来查看其对结果造成的影响。我们认为这种交互式的学习体验对于学习深度学习非常重要。因为深度学习目前并没有很好的理论解释框架,很多论断都是不可描述只能意会。文字解释在这时候很苍白,而且不足以覆盖所有细节。你需要通过不断的改动代码、观察运行结果和总结经验来加深理解并获得领悟
。
此外,为避免重复描述,我们将本书多次使用的函数、类等封装在
`gluonbook`
包中。这些函数、类等的定义所在的章节已在附录中
[
“gluonbook包索引”
](
../chapter_appendix/gluonbook.md
)
里列出。
本书的代码基于Apache MXNet实现。MXNet是一个开源的深度学习框架,它是AWS(亚马逊云计算服务)首选的深度学习框架,也被众多学校和公司使用。本书所有代码已在MXNet 1.2.1下测试通过。但由于深度学习发展极为迅速,未来版本的MXNet可能会造成书中部分代码无法正常运行。遇到类似问题可参考
[
“安装和运行”
](
../chapter_prerequisite/install.md
)
一节来更新代码和运行环境。此外,为避免重复描述,我们将本书多次使用的函数、类等封装在
`gluonbook`
包中。这些函数、类等的定义所在的章节已在附录中
[
“gluonbook包索引”
](
../chapter_appendix/gluonbook.md
)
里列出。
本书所有代码已在MXNet 1.2.1、
`gluonbook`
0.7.1和Python 3.6.4下测试通过。由于深度学习发展极为迅速,未来版本的MXNet可能会造成书中部分代码无法正常运行。如果遇到某一节代码无法正常运行的情况,可安装1.2.1版的MXNet和0.7.1版的
`gluonbook`
或在该节的讨论区汇报问题。如果你希望安装未来新版本的MXNet并获得该版本下测试通过的新代码,可参考
[
“安装和运行”
](
../chapter_prerequisite/install.md
)
一节更新代码和运行环境。
本书可以作为MXNet入门书使用。但我们提供代码的主要目的在于增加一个在文字、图片和公式外的方式来学习深度学习算法,和一个交互式的环境来理解各个模型和算法在真实数据上的实际效果。我们只使用了MXNet的
`autograd`
,
`ndarray`
和
`gluon`
模块的基础功能,使得你可以尽可能的了解实现细节。即便你研究和工作中是使用其他框架,我们也希望这些代码能帮助你更好的理解深度学习算法。
## 讨论区
## 讨论区
本书的学习社区地址是 https://discuss.gluon.ai/ 。当你对书中某节内容有疑惑时,也可以扫一扫该节后面的二维码参与讨论该节内容。值得一提的是,在有关Kaggle比赛章节的讨论区中,众多社区成员提供了丰富的高水平方法。我们强烈推荐大家积极参与学习社区中的讨论,并相信你一定会有所收获。本书作者和MXNet开发人员也时常参与社区中的讨论。
本书的学习社区地址是 https://discuss.gluon.ai/ 。当你对书中某节内容有疑惑时,请扫一扫该节后面的二维码参与讨论该节内容。值得一提的是,在有关Kaggle比赛章节的讨论区中,众多社区成员提供了丰富的高水平方法。我们强烈推荐大家积极参与学习社区中的讨论,并相信你一定会有所收获。本书作者和MXNet开发人员也时常参与社区中的讨论。
## 小结
## 小结
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录