展开全部

主编推荐语

本书是一本聚焦深度学习实际应用的开发指南。作者曾是Google的软件工程师,对深度学习研究及实践有着丰富的积累。

内容简介

本书的第1章从深度学习相关的基本概念开始,介绍了典型的神经网络结构和各种层的设计特点,然后对深度学习中常见的数据集进行了介绍,最后对数据预处理和数据集的划分进行了细致的阐述。第2章是与深度神经网络调试相关的通用技巧,主要涉及如何解决遇到的问题,包括排查错误、检查结果、选择激活函数、正则化和Dropout、设置训练参数等技巧。第3~15章以实际例子,介绍了深度学习在文本处理、图像处理、音乐处理等方面的技巧,涵盖了深度学习主要应用的领域和数据类型,内容非常丰富。最后一章作者从实际使用的角度告诉读者如何在生产系统中部署机器学习应用,使得本书的内容更加贴近实际。

目录

  • 版权信息
  • O’Reilly Media,Inc.介绍
  • 译者序
  • 译者简介
  • 前言
  • 第1章 工具与技术
  • 1.1 神经网络的类型
  • 1.2 数据获取
  • 1.3 数据预处理
  • 第2章 摆脱困境
  • 2.1 确定我们遇到的问题
  • 2.2 解决运行过程中的错误
  • 2.3 检查中间结果
  • 2.4 为最后一层选择正确的激活函数
  • 2.5 正则化和Dropout
  • 2.6 网络结构、批尺寸和学习率
  • 第3章 使用词嵌入计算文本相似性
  • 3.1 使用预训练的词嵌入发现词的相似性
  • 3.2 Word2vec数学特性
  • 3.3 可视化词嵌入
  • 3.4 在词嵌入中发现实体类
  • 3.5 计算类内部的语义距离
  • 3.6 在地图上可视化国家数据
  • 第4章 基于维基百科外部链接构建推荐系统
  • 4.1 收集数据
  • 4.2 训练电影嵌入
  • 4.3 构建电影推荐系统
  • 4.4 预测简单的电影属性
  • 第5章 按照示例文本的风格生成文本
  • 5.1 获取公开领域书籍文本
  • 5.2 生成类似莎士比亚的文本
  • 5.3 使用RNN编写代码
  • 5.4 控制输出温度
  • 5.5 可视化循环神经网络的活跃程度
  • 第6章 问题匹配
  • 6.1 从Stack Exchange网站获取数据
  • 6.2 使用Pandas探索数据
  • 6.3 使用Keras对文本进行特征化
  • 6.4 构建问答模型
  • 6.5 用Pandas训练模型
  • 6.6 检查相似性
  • 第7章 推荐表情符号
  • 7.1 构建一个简单的情感分类器
  • 7.2 检验一个简单的分类器
  • 7.3 使用卷积网络进行情感分析
  • 7.4 收集Twitter数据
  • 7.5 一个简单的表情符号预测器
  • 7.6 Dropout和多层窗口
  • 7.7 构建单词级模型
  • 7.8 构建你自己的嵌入
  • 7.9 使用循环神经网络进行分类
  • 7.10 可视化一致性/不一致性
  • 7.11 组合模型
  • 第8章 Sequence-to-Sequence映射
  • 8.1 训练一个简单的Sequence-to-Sequence模型
  • 8.2 从文本中提取对话
  • 8.3 处理开放词汇表
  • 8.4 训练seq2seq聊天机器人
  • 第9章 复用预训练的图像识别网络
  • 9.1 加载预训练网络
  • 9.2 图像预处理
  • 9.3 推测图像内容
  • 9.4 使用Flickr API收集一组带标签的图像
  • 9.5 构建一个分辨猫狗的分类器
  • 9.6 改进搜索结果
  • 9.7 复训图像识别网络
  • 第10章 构建反向图像搜索服务
  • 10.1 从维基百科中获取图像
  • 10.2 向N维空间投影图像
  • 10.3 在高维空间中寻找最近邻
  • 10.4 探索嵌入中的局部邻域
  • 第11章 检测多幅图像
  • 11.1 使用预训练的分类器检测多个图像
  • 11.2 使用Faster RCNN进行目标检测
  • 11.3 在自己的图像上运行Faster RCNN
  • 第12章 图像风格
  • 12.1 可视化卷积神经网络激活值
  • 12.2 尺度和缩放
  • 12.3 可视化神经网络所见
  • 12.4 捕捉图像风格
  • 12.5 改进损失函数以提升图像相干性
  • 12.6 将风格迁移至不同图像
  • 12.7 风格内插
  • 第13章 用自编码器生成图像
  • 13.1 从Google Quick Draw中导入绘图
  • 13.2 为图像创建自编码器
  • 13.3 可视化自编码器结果
  • 13.4 从正确的分布中采样图像
  • 13.5 可视化变分自编码器空间
  • 13.6 条件变分编码器
  • 第14章 使用深度网络生成图标
  • 14.1 获得训练用的图标
  • 14.2 将图标转换为张量表示
  • 14.3 使用变分自编码器生成图标
  • 14.4 使用数据扩充提升自编码器的性能
  • 14.5 构建生成式对抗网络
  • 14.6 训练生成式对抗网络
  • 14.7 显示GAN生成的图标
  • 14.8 将图标编码成绘图指令
  • 14.9 训练RNN绘制图标
  • 14.10 使用RNN生成图标
  • 第15章 音乐与深度学习
  • 15.1 为音乐分类器创建训练数据集
  • 15.2 训练音乐风格检测器
  • 15.3 对混淆情况进行可视化
  • 15.4 为已有的音乐编制索引
  • 15.5 设置Spotify API
  • 15.6 从Spotify中收集播放列表和歌曲
  • 15.7 训练音乐推荐系统
  • 15.8 使用Word2vec模型推荐歌曲
  • 第16章 生产化部署机器学习系统
  • 16.1 使用scikit-learn最近邻计算嵌入
  • 16.2 使用Postgres存储嵌入
  • 16.3 填充和查询Postgres存储的嵌入
  • 16.4 在Postgres中存储高维模型
  • 16.5 使用Python编写微服务
  • 16.6 使用微服务部署Keras模型
  • 16.7 从Web框架中调用微服务
  • 16.8 Tensorflow seq2seq模型
  • 16.9 在浏览器中执行深度学习模型
  • 16.10 使用TensorFlow服务执行Keras模型
  • 16.11 在iOS中使用Keras模型
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0

    深度神经网络是一种层数更多、规模更大的人工神经网络,较传统神经网络在处理能力上有大幅的提升。2006 年,加拿大多伦多大学的教授杰弗里・辛顿(Geoffrey Hinton)在深度信念网络方面进行了卓越的工作,开辟了深度学习这个新的技术领域。目前,深度学习技术已经成为新一代人工智能技术的研究与开发热点,得到了全球的普遍关注,每天都有相关的报道,每年有大量的论文发表,不断刷新着语音识别、图像分类、商品推荐等各应用领域智能处理水平的纪录。与此同时,深度学习模型难以解释、参数调优困难、参数规模大、训练周期长等问题也困扰着研究和开发人员。

      转发
      评论

    出版方

    机械工业出版社有限公司

    机械工业出版社是全国优秀出版社,自1952年成立以来,坚持为科技、为教育服务,以向行业、向学校提供优质、权威的精神产品为宗旨,以“服务社会和人民群众需求,传播社会主义先进文化”为己任,产业结构不断完善,已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸,现已发展为多领域、多学科的大型综合性出版社,涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。