Python深度学习

投资知识，收益最佳。——本杰明·富兰克林 好奇心是学习这根蜡烛的灯芯。——威廉·亚瑟·沃德 深度学习的威力来自于用适量的并行非线性步骤对非线性数据进行分类或预测的能力。 这本书很简单，入门级别的。很快翻完了，但是！即使简单，我还是学到了一些很有用的调参经验，宝贵的模型优化经验，涉及到激活函数的选择，dropout，不平衡样本，优化器选择，最佳层数，最佳神经元个数等等。总体还是不错的。 另外，可解释性是令人陶醉的诉求~~ 作为一个经验法则，奥卡姆剃刀的吸引人之处在于它巧妙地捕捉到了构建决策模型的想法，即应该努力尝试找到能够对数据进行充分描述的最小属性集合。这个想法很好地与模型的可解释性联系在一起。一般来说，参数越多，模型越复杂，解释就越困难。

传统的反向传播算法计算DNN中所有层中每个神经元，以及每一个单独epoch的神经元权重的变化（称为delta或者梯度）。delta本质上是微积分微分调整，旨在最大限度地减小实际输出和DNN输出之间的误差。 大型的DNN可能有数百万的权重需要计算delta值。数百万的权重需要进行梯度计算，这整个过程需要耗费相当长的时间。使用批量学习传播的方法使DNN收敛为一个可接受的方案所花费的时间很长，甚至很有可能在特定的应用中是不可行的。 小批量方法是加速神经网络计算的常用方法之一。它在几个训练样本（批次）上一起计算梯度，而不是像在原始随机梯度下降算法中那样针对每个单独的样本计算梯度。 一个批次由一个前向/反向传播中的多个训练样本组成。请注意，批次越大，运行模型所需的内存就越多。感受一下小批量方法的计算效率，假设你有批量为500的1000个训练样本。完成一个epoch只需要两个迭代。

语言及代码都很简明易懂，但是，不知道是不是排版或者翻译问题，感觉缺失了很多东西，只适合随意翻一下，不要有太多期待。

提及了深度学习的优化算法，尤其是模型优化上采用的方法都是经验的总结啊

本书写得不错。深度学习现在非常火，但我觉得是不是过火了。深度学习是基于大数据的，很多实际问题并非大数据。就好比企业绝大部分问题并非大数据问题。就算是很多大数据问题，只要算法得当，事实上也并非一定用到深度学习。

给深度学习入门书，很短。 以及阅读时候我不断内心哀嚎：深度学习到底怎样避免只是调参 该其高光主要在讲不同参数改变不同的原因说明。

推荐作为深度学习入门书籍，其主要亮点是对深度学习模型的超参数（hyperparameter）的讲解和介绍

太基础了。。。甚至有点敷衍。涉及的一些复杂操作又不细讲，如果不懂深度学习，只能“知其然不知其所以然”。

惊叹作者从大量专业文献提取通俗易懂材料的能力，很好的深度学习入门指南，略去了很多令人生畏的公式和推导过程，看完可掌握快速构建基础深度学习网络以及参数调整方法。

本来想给高分，但是电子版很不走心，而且同类型的书一样，遇到数学公式和图表就跳过，望补上