Python深度學習

投資知識，收益最佳。——本傑明·富蘭克林 好奇心是學習這根蠟燭的燈芯。——威廉·亞瑟·沃德 深度學習的威力來自於用適量的並行非線性步驟對非線性數據進行分類或預測的能力。 這本書很簡單，入門級別的。很快翻完了，但是！即使簡單，我還是學到了一些很有用的調參經驗，寶貴的模型優化經驗，涉及到激活函數的選擇，dropout，不平衡樣本，優化器選擇，最佳層數，最佳神經元個數等等。總體還是不錯的。 另外，可解釋性是令人陶醉的訴求~~ 作爲一個經驗法則，奧卡姆剃刀的吸引人之處在於它巧妙地捕捉到了構建決策模型的想法，即應該努力嘗試找到能夠對數據進行充分描述的最小屬性集合。這個想法很好地與模型的可解釋性聯繫在一起。一般來說，參數越多，模型越複雜，解釋就越困難。

傳統的反向傳播算法計算DNN中所有層中每個神經元，以及每一個單獨epoch的神經元權重的變化（稱爲delta或者梯度）。delta本質上是微積分微分調整，旨在最大限度地減小實際輸出和DNN輸出之間的誤差。 大型的DNN可能有數百萬的權重需要計算delta值。數百萬的權重需要進行梯度計算，這整個過程需要耗費相當長的時間。使用批量學習傳播的方法使DNN收斂爲一個可接受的方案所花費的時間很長，甚至很有可能在特定的應用中是不可行的。 小批量方法是加速神經網絡計算的常用方法之一。它在幾個訓練樣本（批次）上一起計算梯度，而不是像在原始隨機梯度下降算法中那樣針對每個單獨的樣本計算梯度。 一個批次由一個前向/反向傳播中的多個訓練樣本組成。請注意，批次越大，運行模型所需的內存就越多。感受一下小批量方法的計算效率，假設你有批量爲500的1000個訓練樣本。完成一個epoch只需要兩個迭代。

語言及代碼都很簡明易懂，但是，不知道是不是排版或者翻譯問題，感覺缺失了很多東西，只適合隨意翻一下，不要有太多期待。

提及了深度學習的優化算法，尤其是模型優化上採用的方法都是經驗的總結啊

本書寫得不錯。深度學習現在非常火，但我覺得是不是過火了。深度學習是基於大數據的，很多實際問題並非大數據。就好比企業絕大部分問題並非大數據問題。就算是很多大數據問題，只要算法得當，事實上也並非一定用到深度學習。

給深度學習入門書，很短。 以及閱讀時候我不斷內心哀嚎：深度學習到底怎樣避免只是調參 該其高光主要在講不同參數改變不同的原因說明。

推薦作爲深度學習入門書籍，其主要亮點是對深度學習模型的超參數（hyperparameter）的講解和介紹

太基礎了。。。甚至有點敷衍。涉及的一些複雜操作又不細講，如果不懂深度學習，只能“知其然不知其所以然”。

驚歎作者從大量專業文獻提取通俗易懂材料的能力，很好的深度學習入門指南，略去了很多令人生畏的公式和推導過程，看完可掌握快速構建基礎深度學習網絡以及參數調整方法。

本來想給高分，但是電子版很不走心，而且同類型的書一樣，遇到數學公式和圖表就跳過，望補上