在过去，反向传播方程需要手工推导，然后在软件中与前向传播方程一起实现；这两个步骤都很耗费时间，且都容易出错。然而，在现代神经网络软件环境中，我们只需要在原有网络函数的编码基础上稍作扩展，就能高效地计算出任何感兴趣的导数。这种想法称为自动微分(automatic differentiation),其在现代深度学习中发挥着关键作用。然而，理解如何进行计算是有价值的，这样我们就不必依赖所谓的“黑盒子”软件解决方案。


《深度学习基础与概念》pdf习题答案
《深度学习基础与概念》PDF中文，592页，有书签，文字可复制； 英文PDF，656页，有书签，文字可复制； 配套彩图；配套习题解答。
作者：Christopher M. Bishop，Hugh Bishop；译者: 邹欣 / 阮思捷 / 刘志毅 / 王树良
下载: https://pan.baidu.com/s/1pMMWYrF7B4tiGR2VGa9g-w?pwd=uieu
提取码: uieu


全面且深人地呈现了深度学习领域的知识体系，系统梳理了该领域的核心知识，阐述了深度学习的关键概念、基础理论及核心思想，剖析了当代深度学习架构与技术。
共20章，首先介绍深度学习的发展历程、基本概念及其在诸多领域(如医疗诊断、图像合成等)产生的深远影响；继而深人探讨支撑深度学习的数学原理，包括概率、标准分布等；在网络模型方面，从单层网络逐步深人到多层网络、深度神经网络，详细讲解其结构、功能、优化方法及其在分类、回归等任务中的应用，同时涵盖卷积网络、Transformer 等前沿架构及其在计算机视觉、自然语言处理等领域的独特作用。

把深度学习讲得既清晰又带劲。从基础的监督学习到超火的Transformer、扩散模型，内容全到飞起，还贴心地给数学小白补了概率论。图表、伪代码超直观，读着特有成就感！



对正则化、采样、潜变量、生成对抗网络、自编码器、扩散模型等关键技术展开深人分析，阐释其原理、算法流程及实际应用场景。对于机器学习领域的新手，本书是全面且系统的人门教材，可引领其踏人深度学习的知识殿堂；对于机器学习领域的从业者，本书是深化专业知识、紧跟技术前沿的有力工具；对于相关专业的学生，是学习深度学习课程、开展学术研究的优质参考资料。无论是理论学习、实践应用还是学术研究，都是读者在深度学习领域探索与前行的重要指引。



根据可用训练集的大小来限制模型中参数的数量，其结果有些不尽如人意。而根据待解决问题的复杂性来选择模型的复杂性似乎更合理。作为限制参数数量的替代方案，正则化(regularization)技术经常被用于控制过拟合现象，它通过向误差函数添加一个惩罚项来抑制系数取值过大。最简单的惩罚项采用所有系数的平方和的形式。