●前言
第一部分 深 度 學 習 基 礎
第1章 深度學習架構與技術 2
1.1 R語言實現的深度學習 3
1.1.1 深度學習發展趨勢 3
1.1.2 R軟件包的版本 3
1.2 深度學習網絡模型的開發過程 5
1.2.1 為深度學習網絡模型準備數據 5
1.2.2 開發模型架構 7
1.2.3 編譯模型 9
1.2.4 擬合模型 11
1.2.5 評估模型性能 12
1.3 R語言和RStudio實現的深度學習技術 13
1.3.1 多類分類問題 14
1.3.2 回歸問題 14
1.3.3 圖像分類 15
1.3.4 卷積神經網絡 15
1.3.5 自編碼器 15
1.3.6 遷移學習 16
1.3.7 生成對抗網絡 16
1.3.8 文本分類的深度學習網絡 16
1.3.9 循環神經網絡 17
1.3.10 長短期記憶網絡 17
1.3.11 卷積循環網絡 17
1.3.12 提示、技巧和很好實踐 18
1.4 本章小結 18
第二部分 預測與分類問題的深度學習
第2章 多類分類問題的深度神經網絡 20
2.1 胎兒心電圖數據集 20
2.1.1 醫學數據集 20
2.1.2 數據集分類 21
2.2 建模數據準備 22
2.2.1 數值型變量的歸一化 22
2.2.2 數據分割 22
2.2.3 獨熱編碼 23
2.3 深度神經網絡模型的創建與擬合 24
2.3.1 模型架構開發 24
2.3.2 模型編譯 26
2.3.3 模型擬合 26
2.4 模型評價和預測 28
2.4.1 損失函數與準確率計算 29
2.4.2 混淆矩陣 29
2.5 性能優化提示與很好實踐 31
2.5.1 增加隱藏層的實驗 31
2.5.2 隱藏層數量的實驗 34
2.5.3多層網絡的實驗 36
2.5.4 分類不平衡問題的實驗 39
2.5.5 模型的保存與重新上載 42
2.6 本章小結 43
第3章 回歸問題的深度神經網絡 44
3.1 波士頓房價數據集 44
3.2 建模數據準備 46
3.2.1 神經網絡的可視化 46
3.2.2 數據分割 48
3.2.3 歸一化 48
3.3 回歸問題深度神經網絡模型的創建與擬合 49
3.3.1 參數總數計算 50
3.3.2 模型編譯 50
3.3.3 模型擬合 50
3.4 模型評價和預測 52
3.4.1 評價 52
3.4.2 預測 53
3.4.3 改進 54
3.5 性能優化提示與很好實踐 58
3.5.1 輸出變量的對數變換 58
3.5.2 模型性能 61
3.6 本章小結 62
第三部分 面向計算機視覺的深度學習
第4章 圖像分類與識別 64
4.1 處理圖像數據 64
4.2 數據準備 68
4.2.1 尺寸與形狀調整 69
4.2.2 創建訓練、驗證和測試數據 70
4.2.3 獨熱編碼 72
4.3 模型創建與擬合 73
4.3.1 模型架構開發 73
4.3.2 模型編譯 74
4.3.3 模型擬合 74
4.4 模型評價和預測 76
4.4.1 訓練數據的損失、準確率和混淆矩陣 76
4.4.2 訓練數據的預測概率 77
4.4.3 測試數據的損失、準確率和混淆矩陣 78
4.4.4 測試數據的預測概率 79
4.5 性能優化提示與很好實踐 80
4.5.1 更深層次的神經網絡 80
4.5.2 結果 81
4.6 本章小結 85
……