深度学习基础与实践
郑明智 译
出版时间：2019年07月
页数：365
尽管人们对机器学习的兴趣达到了一个高点，但过高的期望往往会使项目未及走远就宣告失败。机器学习，尤其是深度神经网络，如何让你的机构真正与众不同？这本实践指南不仅围绕该主题提供了实用的信息， 而且帮助你开始构建高效的深度学习网络。
本书从调优、并行、向量化、构建管道等深度学习基础知识开始，逐步深入，通过现实生活中的例子，展现深度网络架构的方法和策略，并在Spark和Hadoop上使用DL4J运行深度学习工作流。
● 深入理解机器学习和深度学习基本概念。
● 了解从神经网络到深度网络的演化历程。
● 探索主流深度网络架构，包括卷积神经网络和循环神经网络。
● 了解如何将特定的深度网络应用于适合的问题。
● 全面了解通用的对神经网络和特定深度网络架构调优的基础知识。
● 学习针对不同类型数据的向量化技术以及如何在Spark和Hadoop平台上原生地使用DL4J。
本书从调优、并行、向量化、构建管道等深度学习基础知识开始，逐步深入，通过现实生活中的例子，展现深度网络架构的方法和策略，并在Spark和Hadoop上使用DL4J运行深度学习工作流。
● 深入理解机器学习和深度学习基本概念。
● 了解从神经网络到深度网络的演化历程。
● 探索主流深度网络架构，包括卷积神经网络和循环神经网络。
● 了解如何将特定的深度网络应用于适合的问题。
● 全面了解通用的对神经网络和特定深度网络架构调优的基础知识。
● 学习针对不同类型数据的向量化技术以及如何在Spark和Hadoop平台上原生地使用DL4J。
- 前言
- 第1章 机器学习回顾
- 1.1 学习的机器
- 1.1.1 机器如何学习
- 1.1.2 生物学的启发
- 1.1.3 什么是深度学习
- 1.1.4 钻进奇幻的兔子洞
- 1.2 提出问题
- 1.3 机器学习背后的数学：线性代数
- 1.3.1 标量
- 1.3.2 向量
- 1.3.3 矩阵
- 1.3.4 张量
- 1.3.5 超平面
- 1.3.6 相关数学运算
- 1.3.7 将数据转换成向量
- 1.3.8 方程组求解
- 1.4 机器学习背后的数学：统计学
- 1.4.1 概率
- 1.4.2 条件概率
- 1.4.3 后验概率
- 1.4.4 分布
- 1.4.5 样本与总体
- 1.4.6 重采样方法
- 1.4.7 选择性偏差
- 1.4.8 似然
- 1.5 机器学习如何工作
- 1.5.1 回归
- 1.5.2 分类
- 1.5.3 聚类
- 1.5.4 欠拟合与过拟合
- 1.5.5 优化
- 1.5.6 凸优化
- 1.5.7 梯度下降
- 1.5.8 SGD
- 1.5.9 拟牛顿优化方法
- 1.5.10 生成模型与判别模型
- 1.6 逻辑回归
- 1.6.1 逻辑函数
- 1.6.2 理解逻辑回归的输出
- 1.7 评估模型
- 1.8 建立对机器学习的理解
- 第2章 神经网络基础与深度学习
- 2.1 神经网络
- 2.1.1 生物神经元
- 2.1.2 感知器
- 2.1.3 多层前馈网络
- 2.2 训练神经网络
- 2.3 激活函数
- 2.3.1 线性函数
- 2.3.2 sigmoid函数
- 2.3.3 tanh函数
- 2.3.4 hard tanh函数
- 2.3.5 softmax函数
- 2.3.6 修正线性函数
- 2.4 损失函数
- 2.4.1 损失函数的符号
- 2.4.2 用于回归的损失函数
- 2.4.3 用于分类的损失函数
- 2.4.4 用于重建的损失函数
- 2.5 超参数
- 2.5.1 学习率
- 2.5.2 正则化
- 2.5.3 动量
- 2.5.4 稀疏
- 第3章 深度网络基础
- 3.1 定义深度学习
- 3.1.1 什么是深度学习
- 3.1.2 本章结构
- 3.2 深度网络的通用构建原则
- 3.2.1 参数
- 3.2.2 层
- 3.2.3 激活函数
- 3.2.4 损失函数
- 3.2.5 优化算法
- 3.2.6 超参数
- 3.2.7 小结
- 3.3 深度网络的构造块
- 3.3.1 RBM
- 3.3.2 自动编码器
- 3.3.3 变分自动编码器
- 第4章 深度网络的主要架构
- 4.1 UPN
- 4.1.1 DBN
- 4.1.2 GAN
- 4.2 CNN
- 4.2.1 生物学启发
- 4.2.2 思路
- 4.2.3 CNN架构概要
- 4.2.4 输入层
- 4.2.5 卷积层
- 4.2.6 池化层
- 4.2.7 全连接层
- 4.2.8 CNN的其他应用
- 4.2.9 CNN列表
- 4.2.10 小结
- 4.3 RNN
- 4.3.1 时间维度建模
- 4.3.2 三维空间输入
- 4.3.3 为什么不是马尔可夫模型
- 4.3.4 常见的RNN架构
- 4.3.5 LSTM网络
- 4.3.6 特定领域应用与混合网络
- 4.4 递归神经网络
- 4.4.1 网络架构
- 4.4.2 递归神经网络的变体
- 4.4.3 递归神经网络的应用
- 4.5 小结与讨论
- 4.5.1 深度学习会使其他算法过时吗
- 4.5.2 不同的问题有不同的最佳方法
- 4.5.3 什么时候需要深度学习
- 第5章 建立深度网络
- 5.1 将深度网络与适合的问题匹配
- 5.1.1 列式数据与多层感知器
- 5.1.2 图像与CNN
- 5.1.3 时间序列与RNN
- 5.1.4 使用混合网络
- 5.2 DL4J工具套件
- 5.2.1 向量化与DataVec
- 5.2.2 运行时与ND4J
- 5.3 DL4J API的基本概念
- 5.3.1 加载与保存模型
- 5.3.2 为模型获取输入
- 5.3.3 建立模型架构
- 5.3.4 训练与评估
- 5.4 使用多层感知器网络对CSV数据建模
- 5.4.1 建立输入数据
- 5.4.2 确定网络架构
- 5.4.3 训练模型
- 5.4.4 评估模型
- 5.5 利用CNN对手写图像建模
- 5.5.1 使用LeNet CNN的Java代码示例
- 5.5.2 加载及向量化输入图像
- 5.5.3 DL4J中用于LeNet的网络架构
- 5.5.4 训练CNN网络
- 5.6 基于RNN的序列数据建模
- 5.6.1 通过LSTM生成莎士比亚风格作品
- 5.6.2 基于LSTM的传感器时间序列分类
- 5.7 利用自动编码器检测异常
- 5.7.1 自动编码器示例的Java代码列表
- 5.7.2 设置输入数据
- 5.7.3 自动编码器的网络结构与训练
- 5.7.4 评估模型
- 5.8 使用变分自动编码器重建MNIST数字
- 5.8.1 重建MNIST数字的代码列表
- 5.8.2 VAE模型的检验
- 5.9 深度学习在自然语言处理中的应用
- 5.9.1 使用Word2Vec的学习词嵌入
- 5.9.2 具有段落向量的句子的分布式表示
- 5.9.3 使用段落向量进行文档分类
- 第6章 深度网络调优
- 6.1 深度网络调优的基本概念
- 6.1.1 建立深度网络的思路
- 6.1.2 构建思路的步骤
- 6.2 匹配输入数据与网络架构
- 6.3 模型目标与输出层的关系
- 6.3.1 回归模型的输出层
- 6.3.2 分类模型的输出层
- 6.4 处理层的数量、参数的数量和存储器
- 6.4.1 前馈多层神经网络
- 6.4.2 控制层和参数的数量
- 6.4.3 估计网络内存需求
- 6.5 权重初始化策略
- 6.6 使用激活函数
- 6.7 应用损失函数
- 6.8 理解学习率
- 6.8.1 使用参数更新比率
- 6.8.2 关于学习率的具体建议
- 6.9 稀疏性对学习的影响
- 6.10 优化方法的应用
- 6.11 使用并行化和GPU更快地进行训练
- 6.11.1 在线学习与并行迭代算法
- 6.11.2 DL4J中的SGD并行
- 6.11.3 GPU
- 6.12 控制迭代和小批量的大小
- 6.13 如何使用正则化
- 6.13.1 使用先验函数正则化
- 6.13.2 最大范数正则化
- 6.13.3 Dropout
- 6.13.4 其他正则化事项
- 6.14 处理类别不平衡
- 6.14.1 类别采样方法
- 6.14.2 加权损失函数
- 6.15 处理过拟合
- 6.16 通过调优UI来使用网络统计信息
- 6.16.1 检测不佳的权重初始化
- 6.16.2 检测非混洗数据
- 6.16.3 检测正则化的问题
- 第7章 调优特定的深度网络架构
- 7.1 CNN
- 7.1.1 卷积架构常见的模式
- 7.1.2 配置卷积层
- 7.1.3 配置池化层
- 7.1.4 迁移学习
- 7.2 RNN
- 7.2.1 网络输入数据和输入层
- 7.2.2 输出层与RnnOutputLayer
- 7.2.3 训练网络
- 7.2.4 调试LSTM的常见问题
- 7.2.5 填充与掩码
- 7.2.6 掩码评估与评分
- 7.2.7 循环网络架构的变体
- 7.3 受限玻尔兹曼机
- 7.3.1 隐藏层神经元与可用信息建模
- 7.3.2 使用不同的单元
- 7.3.3 用RBM正则化
- 7.4 DBN
- 7.4.1 利用动量
- 7.4.2 使用正则化
- 7.4.3 确定隐藏单元的数量
- 第8章 向量化
- 8.1 机器学习中的向量化方法
- 8.1.1 为什么需要将数据向量化
- 8.1.2 处理列式原始数据属性的策略
- 8.1.3 特征工程与规范化技术
- 8.2 使用DataVec进行ETL和向量化
- 8.3 将图像数据向量化
- 8.3.1 DL4J中的图像数据表示
- 8.3.2 使用DataVec将图像数据与向量规范化
- 8.4 将序列数据向量化
- 8.4.1 序列数据源的主要变体
- 8.4.2 使用DataVec将序列数据向量化
- 8.5 将文本向量化
- 8.5.1 词袋
- 8.5.2 TF-IDF
- 8.5.3 Word2Vec与VSM的比较
- 8.6 使用图形
- 第9章 在Spark上使用深度学习和DL4J
- 9.1 在Spark和Hadoop上使用DL4J的介绍
- 9.2 配置和调优Spark运行
- 9.2.1 在Mesos上运行Spark
- 9.2.2 在YARN中执行Spark
- 9.2.3 Spark调优简要介绍
- 9.2.4 对在Spark上运行的DL4J作业调优
- 9.3 为Spark和DL4J建立Maven项目对象模型
- 9.3.1 一个pom.xml文件依赖模板
- 9.3.2 为CDH 5.x设置POM文件
- 9.3.3 为HDP 2.4创建POM文件
- 9.4 Spark和Hadoop故障排除
- 9.5 DL4J在Spark上的并行执行
- 9.6 Spark平台上的DL4J API最佳实践
- 9.7 多层感知器的Spark示例
- 9.7.1 建立Spark MLP网络架构
- 9.7.2 分布式训练与模型评估
- 9.7.3 构建和执行DL4J Spark作业
- 9.8 使用Spark和LSTM生成莎士比亚作品
- 9.8.1 建立LSTM网络架构
- 9.8.2 训练、跟踪进度及理解结果
- 9.9 基于park上的CNN进行MNIST建模
- 9.9.1 配置Spark作业和加载MNIST数据
- 9.9.2 建立LeNet CNN架构与训练
- 附录A 人工智能是什么
- 附录B RL4J与强化学习
- 附录C 每个人都需要了解的数字
- 附录D 神经网络和反向传播：数学方法
- 附录E 使用ND4J API
- 附录F 使用DataVec
- 附录G 从源代码构建DL4J
- 附录H 设置DL4J项目
- 附录I 为DL4J项目设置GPU
- 附录J 解决DL4J安装上的问题
书名：深度学习基础与实践
作者：Josh Patterson, Adam Gibson 著
译者：郑明智 译
国内出版社：人民邮电出版社
出版时间：2019年07月
页数：365
书号：978-7-115-51542-1
原版书书名：Deep Learning: A Practitioner's Approach
原版书出版商：O'Reilly Media
购买选项
|
© 2024，奥莱利技术咨询(北京)有限公司。版权所有。 传真: +86-10-88097463 京ICP备05003502号 |
|