※このKindle本はプリント・レプリカ形式で、Kindle Paperwhiteなどの電子書籍リーダーおよびKindle Cloud Readerではご利用いただけません。Fireなどの大きいディスプレイを備えたタブレット端末や、Kindle無料アプリ (Kindle for iOS、Kindle for Android、Kindle for PC、Kindle for Mac) でのみご利用可能です。また、文字列のハイライト、検索、辞書の参照、引用については、一部機能しない場合があります。文字だけを拡大することはできません。※この電子書籍は紙版書籍のページデザインで制作した固定レイアウトです。Chainerのバージョン2でディープラーニングのプログラムを作る本書はChainer を使ってディープラーニングのプログラムの作り方を示すものです。ディープラーニングは複雑なネットワークで表現された関数の回帰の問題と見なせます。そしてこのような問題は勾配法で解きます。この観点から Chainer によるプログラムの作成法を示しました。Chainerが2にバージョンアップしたため、2に対応し発行するものです。畳み込みニューラルネットワークについても解説しています。詳細目次はじめに第0章 Chainer とは第1章 NumPy で最低限知っておくこと1.1 配列の生成1.2 配列の加工1.3 配列に対する演算1.4 配列の保存と読み出し第2章 ニューラルネットのおさらい2.1 モデル2.2 確率的勾配降下法と誤差逆伝播法2.3 ミニバッチ2.4 分類問題への応用第3章　Chainer の使い方3.1 計算グラフと順伝播・逆伝播3.2 基本オブジェクト3.2.1 Variable3.2.2 functions3.2.3 links3.3 Chain クラス3.4 optimizers第4章　Chainer の利用例4.1 全体図4.2 Iris データ4.3 基本的なプログラム4.4 ミニバッチ4.5 誤差の累積4.6 softmax4.7 softmax cross entropy4.8 ロジスティック回帰第5章　Trainer5.1 Trainer を利用する場合の全体5.2 tuple data set5.3 学習部分5.4 iterators のみの使用第6章　Denoising AutoEncoder6.1 AutoEncoder（AE）6.2 Denoising AutoEncoder（DAE）第7章　Convolution Neural Network7.1 NN とCNN7.2 畳み込み7.3 プーリング7.4 学習の対象7.5 NN による画像識別7.6 CNN による画像識別第8章　word2vec8.1 分散表現8.2 モデルの式8.3 計算のためのネットワーク8.4 Chainer によるword2vec の実装8.5 システムから提供されている関数の利用第9 章Recurrent Neural Network9.1 時系列データに対するRNN9.2 言語モデル9.3 RNNLM のネットワーク9.4 Chainer によるRNNLM の実装9.5 言語モデルの評価9.6 LSTM9.7 Chainer によるLSTM の実装.9.8 システムから提供されている関数の利用.9.9 GRU9.10 RNN のミニバッチ処理9.11 NStepLSTM によるミニバッチ処理第10章　翻訳モデル10.1 Encoder-Decoder 翻訳モデル10.2 訓練データの準備10.3 Chainer によるEncoder-Decoder 翻訳モデルの実装10.4 翻訳処理10.5 Attention の導入第11章　Caffe のモデルの利用11.1 Caffe のモデルの取得11.2 Chainer からのCaffe のモデルの利用11.3 入力データの処理11.4 出力データの処理11.5 GoogLeNet の利用第12章　GPU の利用12.1 GPU 対応12.2 GPU の選択12.3 CUDA のインストール12.4 cuDNN のインストール12.5 CuPy12.6 GPU 導入の効果の確認12.7 Chainer でのGPU の利用方法参考文献ソースプログラム索引

Chainer v2による実践深層学習を読んだ後、読者のコメントの下に見つけるでしょう。 参考までにご検討ください。

Chainerを使いはじめるための前提知識解説を第二章まで（最初の３０ページ）で済ませ、第三章でPython、第四章でChainerプログラムの構成と具体例が挙げられている。内容は本質を捉えており、少ないページ数でよくまとまっている。