点击我爱计算机视觉标星，更快获取CVML新技术

---

52CV曾经多次介绍FlyAI机器学习竞赛平台，不少粉丝也曾在FlyAI拿到现金奖励。

本次52CV & FlyAI联合送书，CV君查找了两天，最终决定送10本《动手学深度学习》，这本书纸质版今年6月出版，京东上已经10W+次购买评论，应该是目前深度学习领域最火的书！

FlyAI 是一个为AI开发者提供数据竞赛并支持GPU离线训练的一站式服务平台。从7月份开始，FlyAI除了每周上线一到两个万元现金奖励竞赛外，还推出了月份竞赛活动。月赛奖品不限于手机、电脑、平板等高价值物品。为了大家更好的学习交流，近期上线的”学习圈“模块大家可以根据自己的需求下载高分优质代码。

注册链接：

https://www.flyai.com/?s=GCtBRYUf-

点击阅读原文也可直达。

挑战者，都在FlyAI!

竞赛须知

1，提供免费P40 GPU进行线上训练；

2，赛题为企业真实数据集和需求；

3，除月赛活动外，每周上线万元现金奖励竞赛；

4，每个竞赛都提供样例，新手大大降低参赛门槛；

52CV为参加FlyAI竞赛的同学专门建立了交流群，成员享有如下福利：

• 加入专属竞赛群，不再单打独斗，一起努力一起赢奖金

• 群内不定时红包，关于竞赛或奖金有任何疑问均可第一时间获得FlyAI工作人员回复

• 可以直接找FlyAI小助手添加GPU积分，免费使用平台提供GPU训练资源

本次送书方式：

本次送10本《动手学深度学习》分两部分：

1. 其中有 3 本书直接抽奖送书，所有52CV粉丝均可参加，请关注“我爱计算机视觉”公众号并在对话界面回复“FlyAI”

即可收到抽奖小程序码，扫码进入抽奖，2019年9月24日晚23点整开奖。

2. 另 7 本书为专门回馈参与FlyAI竞赛的52CV粉丝，仅在52CV-FlyAI竞赛交流群里发布抽奖小程序码，如果您已经在群内，请查看群聊天，会直接收到抽奖二维码，对于其他想要参加该部分抽奖送书活动的朋友，需要通过以下链接

https://www.flyai.com/?s=GCtBRYUf-

注册FlyAI，并添加CV君微信，（如已经加过CV君微信号，请直接私信）注明FlyAI

被拉入交流群才可以参与抽奖。2019年9月24日晚23点整开奖。

祝你好运！

附《动手学深度学习》介绍：

目前市面上有关深度学习介绍的书籍大多可分两类，一类侧重方法介绍，另一类侧重实践和深度学习工具的介绍。

本书同时覆盖方法和实践

本书不仅从数学的角度阐述深度学习的技术与应用，还包含可运行的代码，为读者展示如何在实际中解决问题。

为了给读者提供一种交互式的学习体验，《动手学深度学习》不但提供免费的教学视频和讨论区，而且提供可运行的Jupyter记事本文件，充分利用Jupyter记事本能将文字、代码、公式和图像统一起来的优势。

这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验，从而带给读者全新的、交互式的深度学习的学习体验。

适合哪些人群阅读？

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。

本书不要求读者有任何深度学习或者机器学习的背景知识，读者只需具备基本的数学和编程知识，如基础的线性代数、微分、概率及Python编程知识。

本书的附录中提供了书中涉及的主要数学知识，供读者参考。

包含代码、数学、网页、讨论的统一资源

• 所有人均可在网上免费获取；

• 提供足够的技术深度，从而帮助读者实际成为深度学习应用科学家：既理解数学原理，又能够实现并不断改进方法；

• 包含可运行的代码，为读者展示如何在实际中解决问题。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验；

• 允许我们和整个社区不断快速迭代内容，从而紧跟仍在高速发展的深度学习领域；

作者简介

阿斯顿·张（Aston Zhang）

亚马逊应用科学家，美国伊利诺伊大学香槟分校计算机科学博士，统计学和计算机科学双硕士。他专注于机器学习的研究，并在数个顶级学术会议发表过论文。他担任过NeurIPS、ICML、KDD、WWW、WSDM、SIGIR、AAAI 等学术会议的程序委员或审稿人以及Frontiers in Big Data 期刊的编委。

李沐（Mu Li）

亚马逊首席科学家（Principal Scientist），加州大学伯克利分校客座助理教授，美国卡内基梅隆大学计算机系博士。他专注于分布式系统和机器学习算法的研究。他是深度学习框架MXNet 的作者之一。他曾任机器学习创业公司Marianas Labs 的CTO 和百度深度学习研究院的主任研发架构师。他在理论、机器学习、应用和操作系统等多个领域的顶级学术会议（包括FOCS、ICML、NeurIPS、AISTATS、CVPR、KDD 、WSDM、OSDI）上发表过论文。

[德] 亚历山大 J. 斯莫拉（Alexander J. Smola）

亚马逊副总裁/ 杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过200 篇学术论文，并著有5 本书，其论文及书被引用超过10 万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

[美] 扎卡里 C. 立顿（Zachary C. Lipton）

亚马逊副总裁/ 杰出科学家，德国柏林工业大学计算机科学博士。他曾在澳大利亚国立大学、美国加州大学伯克利分校和卡内基梅隆大学任教。他发表了超过200 篇学术论文，并著有5 本书，其论文及书被引用超过10 万次。他的研究兴趣包括深度学习、贝叶斯非参数、核方法、统计建模和可扩展算法。

《动手学深度学习》目录

对本书的赞誉 

前言 

如何使用本书 

资源与支持 

主要符号表 

第1章　深度学习简介  1

1.1　起源 2

1.2　发展 4

1.3　成功案例 6

1.4　特点 7

小结 8

练习 8

第2章　预备知识  9

2.1　获取和运行本书的代码 9

2.1.1　获取代码并安装运行环境   9

2.1.2　更新代码和运行环境   11

2.1.3　使用GPU版的MXNet   11

小结12

练习12

2.2　数据操作  12

2.2.1　创建NDArray 12

2.2.2　运算 14

2.2.3　广播机制 16

2.2.4　索引 17

2.2.5　运算的内存开销 17

2.2.6　NDArray和NumPy相互变换18

小结19

练习19

2.3　自动求梯度  19

2.3.1　简单例子  19

2.3.2　训练模式和预测模式  20

2.3.3　对Python控制流求梯度   20

小结21

练习21

2.4　查阅文档  21

2.4.1　查找模块里的所有函数和类  21

2.4.2　查找特定函数和类的使用  22

2.4.3　在MXNet网站上查阅  23

小结 24

练习 24

第3章　深度学习基础  25 

3.1　线性回归 25

3.1.1　线性回归的基本要素   25

3.1.2　线性回归的表示方法   28

小结 30

练习 30

3.2　线性回归的从零开始实现  30

3.2.1　生成数据集   30

3.2.2　读取数据集  32

3.2.3　初始化模型参数  32

3.2.4　定义模型  33

3.2.5　定义损失函数  33

3.2.6　定义优化算法  33

3.2.7　训练模型  33

小结 34

练习 34

3.3　线性回归的简洁实现  35

3.3.1　生成数据集   35

3.3.2　读取数据集  35

3.3.3　定义模型  36

3.3.4　初始化模型参数  36

3.3.5　定义损失函数  37

3.3.6　定义优化算法  37

3.3.7　训练模型  37

小结 38

练习 38

3.4　softmax回归  38

3.4.1　分类问题   38

3.4.2　softmax回归模型  39

3.4.3　单样本分类的矢量计算表达式 40

3.4.4　小批量样本分类的矢量计算表达式  40

3.4.5　交叉熵损失函数 41

3.4.6　模型预测及评价  42

小结 42

练习 42

3.5　图像分类数据集（Fashion-MNIST）  42

3.5.1　获取数据集   42

3.5.2　读取小批量  44

小结 45

练习 45

3.6　softmax回归的从零开始实现  45

3.6.1　读取数据集   45

3.6.2　初始化模型参数  45

3.6.3　实现softmax运算   46

3.6.4　定义模型  46

3.6.5　定义损失函数  47

3.6.6　计算分类准确率  47

3.6.7　训练模型  48

3.6.8　预测  48

小结 49

练习 49

3.7　softmax回归的简洁实现  49

3.7.1　读取数据集   49

3.7.2　定义和初始化模型  50

3.7.3　softmax和交叉熵损失函数   50

3.7.4　定义优化算法  50

3.7.5　训练模型  50

小结 50

练习 50

3.8　多层感知机  51

3.8.1　隐藏层  51

3.8.2　激活函数  52

3.8.3　多层感知机  55

小结 55

练习 55

3.9　多层感知机的从零开始实现  56

3.9.1　读取数据集   56

3.9.2　定义模型参数  56

3.9.3　定义激活函数  56

3.9.4　定义模型  56

3.9.5　定义损失函数  57

3.9.6　训练模型  57

小结 57

练习 57

3.10　多层感知机的简洁实现 57

3.10.1　定义模型  58

3.10.2　训练模型   58

小结 58

练习 58

3.11　模型选择、欠拟合和过拟合  58

3.11.1　训练误差和泛化误差  59

3.11.2　模型选择  59

3.11.3　欠拟合和过拟合  60

3.11.4　多项式函数拟合实验 61

小结 65

练习 65

3.12　权重衰减 65

3.12.1　方法  65

3.12.2　高维线性回归实验   66

3.12.3　从零开始实现   66

3.12.4　简洁实现   68

小结 70

练习 70

3.13　丢弃法 70

3.13.1　方法  70

3.13.2　从零开始实现  71

3.13.3　简洁实现   73

小结 74

练习 74

3.14　正向传播、反向传播和计算图 74

3.14.1　正向传播  74

3.14.2　正向传播的计算图   75

3.14.3　反向传播   75

3.14.4　训练深度学习模型   76

小结 77

练习 77

3.15　数值稳定性和模型初始化 77

3.15.1　衰减和爆炸  77

3.15.2　随机初始化模型参数   78

小结 78

练习 79

3.16　实战Kaggle比赛：房价预测  79

3.16.1　Kaggle比赛   79

3.16.2　读取数据集   80

3.16.3　预处理数据集  81

3.16.4　训练模型   82

3.16.5　k 折交叉验证  82

3.16.6　模型选择   83

3.16.7　预测并在Kaggle提交结果  84

小结 85

练习 85

第4章　深度学习计算  86 

4.1　模型构造 86

4.1.1　继承Block类来构造模型   86

4.1.2　Sequential类继承自Block类 87

4.1.3　构造复杂的模型  88

小结 89

练习 90

4.2　模型参数的访问、初始化和共享  90

4.2.1　访问模型参数   90

4.2.2　初始化模型参数  92

4.2.3　自定义初始化方法  93

4.2.4　共享模型参数  94

小结 94

练习 94

4.3　模型参数的延后初始化  95

4.3.1　延后初始化   95

4.3.2　避免延后初始化  96

小结 96

练习 97

4.4　自定义层  97

4.4.1　不含模型参数的自定义层   97

4.4.2　含模型参数的自定义层  98

小结 99

练习 99

4.5　读取和存储  99

4.5.1　读写NDArray  99

4.5.2　读写Gluon模型的参数  100

小结 101

练习 101

4.6　GPU计算 101

4.6.1　计算设备   102

4.6.2　NDArray的GPU计算 102

4.6.3　Gluon的GPU计算  104

小结 105

练习 105

第5章　卷积神经网络  106 

5.1　二维卷积层 106

5.1.1　二维互相关运算   106

5.1.2　二维卷积层   107

5.1.3　图像中物体边缘检测   108

5.1.4　通过数据学习核数组   109

5.1.5　互相关运算和卷积运算   109

5.1.6　特征图和感受野  110

小结 110

练习 110

5.2　填充和步幅  111

5.2.1　填充   111

5.2.2　步幅  112

小结 113

练习 113

5.3　多输入通道和多输出通道  114

5.3.1　多输入通道   114

5.3.2　多输出通道  115

5.3.3　1×1卷积层  116

小结 117

练习 117

5.4　池化层  117

5.4.1　二维最大池化层和平均池化层   117

5.4.2　填充和步幅  119

5.4.3　多通道  120

小结 120

练习 121

5.5　卷积神经网络（LeNet）  121

5.5.1　LeNet模型   121

5.5.2　训练模型  122

小结 124

练习 124

5.6　深度卷积神经网络（AlexNet）  124

5.6.1　学习特征表示   125

5.6.2　AlexNet  126

5.6.3　读取数据集  127

5.6.4　训练模型  128

小结 128

练习 129

5.7　使用重复元素的网络（VGG） 129

5.7.1　VGG块  129

5.7.2　VGG网络   129

5.7.3　训练模型  130

小结 131

练习 131

5.8　网络中的网络（NiN）  131

5.8.1　NiN块   131

5.8.2　NiN模型   132

5.8.3　训练模型  133

小结 134

练习 134

5.9　含并行连结的网络（GoogLeNet） 134

5.9.1　Inception块  134

5.9.2　GoogLeNet模型   135

5.9.3　训练模型  137

小结 137

练习 137

5.10　批量归一化 138

5.10.1　批量归一化层  138

5.10.2　从零开始实现   139

5.10.3　使用批量归一化层的LeNet   140

5.10.4　简洁实现   141

小结 142

练习 142

5.11　残差网络（ResNet）  143

5.11.1　残差块  143

5.11.2　ResNet模型  145

5.11.3　训练模型 146

小结 146

练习 146

5.12　稠密连接网络（DenseNet） 147

5.12.1　稠密块  147

5.12.2　过渡层   148

5.12.3　DenseNet模型  148

5.12.4　训练模型   149

小结 149

练习 149

第6章　循环神经网络  150 

6.1　语言模型 150

6.1.1　语言模型的计算   151

6.1.2　n 元语法   151

小结 152

练习 152

6.2　循环神经网络  152

6.2.1　不含隐藏状态的神经网络   152

6.2.2　含隐藏状态的循环神经网络  152

6.2.3　应用：基于字符级循环神经网络的语言模型   154

小结 155

练习 155

6.3　语言模型数据集（歌词） 155

6.3.1　读取数据集   155

6.3.2　建立字符索引  156

6.3.3　时序数据的采样  156

小结 158

练习 159

6.4　循环神经网络的从零开始实现  159

6.4.1　one-hot向量   159

6.4.2　初始化模型参数  160

6.4.3　定义模型  160

6.4.4　定义预测函数  161

6.4.5　裁剪梯度  161

6.4.6　困惑度  162

6.4.7　定义模型训练函数  162

6.4.8　训练模型并创作歌词  163

小结 164

练习 164

6.5　循环神经网络的简洁实现  165

6.5.1　定义模型   165

6.5.2　训练模型  166

小结 168

练习 168

6.6　通过时间反向传播  168

6.6.1　定义模型   168

6.6.2　模型计算图  169

6.6.3　方法  169

小结 170

练习 170

6.7　门控循环单元（GRU） 170

6.7.1　门控循环单元   171

6.7.2　读取数据集  173

6.7.3　从零开始实现  173

6.7.4　简洁实现  175

小结 176

练习 176

6.8　长短期记忆（LSTM）  176

6.8.1　长短期记忆   176

6.8.2　读取数据集  179

6.8.3　从零开始实现  179

6.8.4　简洁实现  181

小结 181

练习 182

6.9　深度循环神经网络  182

小结 183

练习 183

6.10　双向循环神经网络 183

小结 184

练习 184

第7章　优化算法  185 

7.1　优化与深度学习 185

7.1.1　优化与深度学习的关系   185

7.1.2　优化在深度学习中的挑战   186

小结 188

练习 189

7.2　梯度下降和随机梯度下降  189

7.2.1　一维梯度下降   189

7.2.2　学习率  190

7.2.3　多维梯度下降  191

7.2.4　随机梯度下降  193

小结 194

练习 194

7.3　小批量随机梯度下降  194

7.3.1　读取数据集   195

7.3.2　从零开始实现  196

7.3.3　简洁实现  198

小结 199

练习 199

7.4　动量法 200

7.4.1　梯度下降的问题   200

7.4.2　动量法  201

7.4.3　从零开始实现  203

7.4.4　简洁实现  205

小结 205

练习 205

7.5　AdaGrad算法206

7.5.1　算法   206

7.5.2　特点  206

7.5.3　从零开始实现  208

7.5.4　简洁实现  209

小结 209

练习 209

7.6　RMSProp算法 209

7.6.1　算法   210

7.6.2　从零开始实现  211

7.6.3　简洁实现  212

小结 212

练习 212

7.7　AdaDelta算法  212

7.7.1　算法  212

7.7.2　从零开始实现  213

7.7.3　简洁实现  214

小结 214

练习 214

7.8　Adam算法  215

7.8.1　算法   215

7.8.2　从零开始实现  216

7.8.3　简洁实现  216

小结 217

练习 217

第8章　计算性能  218 

8.1　命令式和符号式混合编程  218

8.1.1　混合式编程取两者之长   220

8.1.2　使用HybridSequential类构造模型   220

8.1.3　使用HybridBlock类构造模型  222

小结 224

练习 224

8.2　异步计算 224

8.2.1　MXNet中的异步计算  224

8.2.2　用同步函数让前端等待计算结果   226

8.2.3　使用异步计算提升计算性能  226

8.2.4　异步计算对内存的影响  227

小结 229

练习 229

8.3　自动并行计算 229

8.3.1　CPU和GPU的并行计算   230

8.3.2　计算和通信的并行计算  231

小结 231

练习 231

8.4　多GPU计算 232

8.4.1　数据并行   232

8.4.2　定义模型  233

8.4.3　多GPU之间同步数据   234

8.4.4　单个小批量上的多GPU训练   236

8.4.5　定义训练函数  236

8.4.6　多GPU训练实验   237

小结 237

练习 237

8.5　多GPU计算的简洁实现 237

8.5.1　多GPU上初始化模型参数 238

8.5.2　多GPU训练模型   239

小结 241

练习 241

第9章　计算机视觉  242

9.1　图像增广242

9.1.1　常用的图像增广方法   243

9.1.2　使用图像增广训练模型   246

小结 250

练习 250

9.2　微调 250

热狗识别   251

小结 255

练习 255

9.3　目标检测和边界框 255

边界框   256

小结 257

练习 257

9.4　锚框  257

9.4.1　生成多个锚框  257

9.4.2　交并比  259

9.4.3　标注训练集的锚框  260

9.4.4　输出预测边界框  263

小结 265

练习 265

9.5　多尺度目标检测 265

小结 268

练习 268

9.6　目标检测数据集（皮卡丘） 268

9.6.1　获取数据集   269

9.6.2　读取数据集  269

9.6.3　图示数据  270

小结 270

练习 271

9.7　单发多框检测（SSD）  271

9.7.1　定义模型  271

9.7.2　训练模型  275

9.7.3　预测目标  277

小结 278

练习 278

9.8　区域卷积神经网络（R-CNN）系列280

9.8.1　R-CNN   280

9.8.2　Fast R-CNN  281

9.8.3　Faster R-CNN  283

9.8.4　Mask R-CNN   284

小结 285

练习 285

9.9　语义分割和数据集 285

9.9.1　图像分割和实例分割   285

9.9.2　Pascal VOC2012语义分割数据集   286

小结 290

练习 290

9.10　全卷积网络（FCN） 290

9.10.1　转置卷积层  291

9.10.2　构造模型   292

9.10.3　初始化转置卷积层 294

9.10.4　读取数据集   295

9.10.5　训练模型 296

9.10.6　预测像素类别 296

小结 297

练习 297

9.11　样式迁移 298

9.11.1　方法  298

9.11.2　读取内容图像和样式图像 299

9.11.3　预处理和后处理图像  300

9.11.4　抽取特征  301

9.11.5　定义损失函数  302

9.11.6　创建和初始化合成图像  303

9.11.7　训练模型 304

小结 306

练习 306

9.12　实战Kaggle比赛：图像

分类（CIFAR-10）306

9.12.1　获取和整理数据集  307

9.12.2　图像增广   310

9.12.3　读取数据集   310

9.12.4　定义模型 311

9.12.5　定义训练函数   312

9.12.6　训练模型   312

9.12.7　对测试集分类并在Kaggle

提交结果   313

小结 313

练习 313

9.13　实战Kaggle比赛：狗的品种

识别（ImageNet Dogs） 314

9.13.1　获取和整理数据集  315

9.13.2　图像增广   316

9.13.3　读取数据集   317

9.13.4　定义模型   318

9.13.5　定义训练函数   318

9.13.6　训练模型   319

9.13.7　对测试集分类并在Kaggle提交结果   319

小结 320

练习 320

第10章　自然语言处理 321

10.1　词嵌入（word2vec） 321

10.1.1　为何不采用one-hot向量  321

10.1.2　跳字模型  322

10.1.3　连续词袋模型  323

小结 325

练习 325

10.2　近似训练325

10.2.1　负采样  325

10.2.2　层序softmax  326

小结 327

练习 328

10.3　word2vec的实现328

10.3.1　预处理数据集  328

10.3.2　负采样   331

10.3.3　读取数据集   331

10.3.4　跳字模型   332

10.3.5　训练模型   333

10.3.6　应用词嵌入模型   335

小结 336

练习 336

10.4　子词嵌入（fastText） 336

小结 337

练习 337

10.5　全局向量的词嵌入（GloVe）337

10.5.1　GloVe模型  338

10.5.2　从条件概率比值理解GloVe模型 339

小结 340

练习 340

10.6　求近义词和类比词340

10.6.1　使用预训练的词向量  340

10.6.2　应用预训练词向量   341

小结 343

练习 343

10.7　文本情感分类：使用循环神经网络 343

10.7.1　文本情感分类数据集  343

10.7.2　使用循环神经网络的模型 345

小结 347

练习 347

10.8　文本情感分类：使用卷积神经网络（textCNN） 347

10.8.1　一维卷积层   348

10.8.2　时序最大池化层   349

10.8.3　读取和预处理IMDb数据集   350

10.8.4　textCNN模型   350

小结 353

练习 353

10.9　编码器-解码器（seq2seq）353

10.9.1　编码器  354

10.9.2　解码器   354

10.9.3　训练模型 355

小结 355

练习 355

10.10  束搜索 355

10.10.1　贪婪搜索   356

10.10.2　穷举搜索  357

10.10.3　束搜索  357

小结 358

练习 358

10.11　注意力机制 358

10.11.1　计算背景变量   359

10.11.2　更新隐藏状态   360

10.11.3　发展  361

小结 361

练习 361

10.12　机器翻译  361

10.12.1　读取和预处理数据集  361

10.12.2　含注意力机制的编码器-解码器   363

10.12.3　训练模型  365

10.12.4　预测不定长的序列  367

10.12.5　评价翻译结果  367

小结 369

练习 369

附录A　数学基础  370

附录B　使用 Jupyter 记事本  376

附录C　使用 AWS 运行代码 381

附录D　GPU 购买指南 388

附录E　如何为本书做贡献  391

附录F　d2lzh 包索引 395

附录G　中英文术语对照表  397

参考文献 402

索引 407

---

长按关注我爱计算机视觉