-
致谢
致谢 致谢 首先，笔者要感谢推动了深度学习相关技术（机器学习、计算机科学等）发展的研究人员和工程师。本书的完成离不开他们的研究工作。其次，笔者还要感谢在图书或网站上公开有用信息的各位同仁。其中，斯坦福大学的 CS231n [5] 公开课慷慨提供了很多有用的技术和信息，笔者从中学到了很多东西。 在本书执笔过程中，曾受到下列人士的帮助：teamLab 公... -
9.8.3 非递归实现归并排序
9.8.3 非递归实现归并排序 9.8.3 非递归实现归并排序 我们常说，“没有最好，只有更好。”归并排序大量引用了递归，尽管在代码上比较清晰，容易理解，但这会造成时间和空间上的性能损耗。我们排序追求的就是效率，有没有可能将递归转化成迭代呢？结论当然是可以的，而且改动之后，性能上进一步提高了，来看代码。 /* 对顺序表L作归并非递归排序 */ vo... -
空标题文档
20.3 股票期权 在1987年前，市场上没有明显的波动率微笑现象。自1987年以来，交易员在股票期权（包括股指期权）定价中所采用波动率微笑的一般形式如图20-3所示，这种形式的波动率微笑也被称为波动率倾斜（volatility skew）。这时，波动率是执行价格的递减函数。低执行价格期权（也就是深度虚值看跌期权与深度实值看涨期权）所对应的隐含波动率要远... -
8.6.4 二叉排序树总结
8.6.4 二叉排序树总结 8.6.4 二叉排序树总结 总之，二叉排序树是以链接的方式存储，保持了链接存储结构在执行插入或删除操作时不用移动元素的优点，只要找到合适的插入和删除位置后，仅需修改链接指针即可。插入删除的时间性能比较好。而对于二叉排序树的查找，走的就是从根结点到要查找的结点的路径，其比较次数等于给定值的结点在二叉排序树的层数。极端情况，最少... -
让我们开始吧
让我们开始吧 让我们开始吧 通过前面的介绍，希望读者了解本书大概要讲的内容，产生继续阅读的兴趣。 最近出现了很多深度学习相关的库，任何人都可以方便地使用。实际上，使用这些库的话，可以轻松地运行深度学习的程序。那么，为什么我们还要特意花时间从零开始实现深度学习呢？一个理由就是，在制作东西的过程中可以学到很多。 在制作东西的过程中，会进行各种各样的实验... -
1.5 NumPy
1.5 NumPy 1.5.1 导入 NumPy 1.5.2 生成 NumPy 数组 1.5.3 NumPy 的算术运算 1.5.4 NumPy 的 N 维数组 1.5.5 广播 1.5.6 访问元素 1.5 NumPy 在深度学习的实现中，经常出现数组和矩阵的计算。NumPy 的数组类（numpy.array ）中提供了很多便捷的方法，在... -
8.4.1 折半查找
8.4.1 折半查找 8.4.1 折半查找 我们在讲树结构的二叉树定义（本书第6.5节）时，曾经提到过一个小游戏，我在纸上已经写好了一个100以内的正整数数字请你猜，问几次可以猜出来，当时已经介绍了如何最快猜出这个数字。我们把这种每次取中间记录查找的方法叫做折半查找，如图8-4-1所示。 图8-4-1 折半查找（Binary Search）技术... -
第 6 章 与学习相关的技巧
第 6 章 与学习相关的技巧 第 6 章 与学习相关的技巧 本章将介绍神经网络的学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。此外，为了应对过拟合，本章还将介绍权值衰减、Dropout 等正则化方法，并进行实现。最后将对近年来众多研究中使用的 Batch Normalization 方法进行简单的介绍...