深度學習實戰
作 者: (美)杜威·奧辛格(Douwe Osinga) 著 李君婷 等 譯
定 價: 89
出?版?社: 機械工業出版社
出版日期: 2019年05月01日
頁 數: 247
裝 幀: 平裝
ISBN: 9787111624837
●前言1
章 工具與技術9
1.1 神經網絡的類型9
1.2 數據獲取19
1.3 數據預處理27
第2章 擺脫困境34
2.1 確定我們遇到的問題34
2.2 解決運行過程中的錯誤36
2.3 檢查中間結果38
2.4 為最後一層選擇正確的激活函數39
2.5 正則化和Dropout40
2.6 網絡結構、批尺寸和學習率42
第3章 使用詞嵌入計算文本相似性44
3.1 使用預訓練的詞嵌入發現詞的相似性45
3.2 Word2vec數學特性47
3.3 可視化詞嵌入49
3.4 在詞嵌入中發現實體類51
3.5 計算類內部的語義距離55
3.6 在地圖上可視化國家數據57
第4章 基於維基百科外部鏈接構建推薦繫統58
4.1 收集數據58
4.2 訓練電影嵌入62
4.3 構建電影推薦繫統66
4.4 預測簡單的電影屬性67
第5章 按照示例文本的風格生成文本69
5.1 獲取公開領域書籍文本69
5.2 生成類似莎士比亞的文本70
5.3 使用RNN編寫代碼74
5.4 控制輸出溫度76
5.5 可視化循環神經網絡的活躍程度78
第6章 問題匹配80
6.1 從Stack Exchange網站獲取數據80
6.2 使用Pandas探索數據82
6.3 使用Keras對文本進行特征化83
6.4 構建問答模型84
6.5 用Pandas訓練模型86
6.6 檢查相似性88
第7章 推薦表情符號90
7.1 構建一個簡單的情感分類器90
7.2 檢驗一個簡單的分類器93
7.3 使用卷積網絡進行情感分析95
7.4 收集Twitter數據97
7.5 一個簡單的表情符號預測器99
7.6 Dropout和多層窗口100
7.7 構建單詞級模型102
7.8 構建你自己的嵌入104
7.9 使用循環神經網絡進行分類106
7.10 可視化一致性/不一致性108
7.11 組合模型111
第8章 Sequence-to-Sequence映射113
8.1 訓練一個簡單的Sequence-to-Sequence模型113
8.2 從文本中提取對話115
8.3 處理開放詞彙表117
8.4 訓練seq2seq 聊天機器人119
第9章 復用預訓練的圖像識別網絡123
9.1 加載預訓練網絡124
9.2 圖像預處理124
9.3 推測圖像內容126
9.4 使用Flickr API收集一組帶標簽的圖像128
9.5 構建一個分辨貓狗的分類器129
9.6 改進搜索結果131
9.7 復訓圖像識別網絡133
0章 構建反向圖像搜索服務137
10.1 從維基百科中獲取圖像137
10.2 向N維空間投影圖像140
10.3 在高維空間中尋找最近鄰141
10.4 探索嵌入中的局部鄰域143
1章 檢測多幅圖像145
11.1 使用預訓練的分類器檢測多個圖像145
11.2 使用Faster RCNN進行目標檢測149
11.3 在自己的圖像上運行Faster RCNN152
2章 圖像風格155
12.1 可視化卷積神經網絡激活值156
12.2 尺度和縮放159
12.3 可視化神經網絡所見161
12.4 捕捉圖像風格164
12.5 改進損失函數以提升圖像相干性168
12.6 將風格遷移至不同圖像169
12.7 風格內插171
3章 用自編碼器生成圖像173
13.1 從Google Quick Draw中導入繪圖174
13.2 為圖像創建自編碼器176
13.3 可視化自編碼器結果178
13.4 從正確的分布中采樣圖像180
13.5 可視化變分自編碼器空間183
13.6 條件變分編碼器185
4章 使用深度網絡生成圖標189
14.1 獲得訓練用的圖標190
14.2 將圖標轉換為張量表示193
14.3 使用變分自編碼器生成圖標194
14.4 使用數據擴充提升自編碼器的性能196
14.5 構建生成式對抗網絡198
14.6 訓練生成式對抗網絡200
14.7 顯示GAN生成的圖標202
14.8 將圖標編碼成繪圖指令204
14.9 訓練RNN繪制圖標205
14.10 使用RNN生成圖標207
5章 音樂與深度學習210
15.1 為音樂分類器創建訓練數據集211
15.2 訓練音樂風格檢測器213
15.3 對混淆情況進行可視化215
15.4 為已有的音樂編制索引217
15.5 設置Spotify API219
15.6 從Spotify中收集播放列表和歌曲221
15.7 訓練音樂推薦繫統224
15.8 使用Word2vec模型推薦歌曲225
6章 生產化部署機器學習繫統228
16.1 使用scikit-learn最近鄰計算嵌入229
16.2 使用Postgres存儲嵌入230
16.3 填充和查詢Postgres存儲的嵌入231
16.4 在Postgres中存儲高維模型233
16.5 使用Python編寫微服務234
16.6 使用微服務部署Keras模型236
16.7 從Web框架中調用微服務237
16.8 Tensorflow seq2seq模型238
16.9 在瀏覽器中執行深度學習模型240
16.10 使用TensorFlow服務執行Keras模型243
16.11 在iOS中使用Keras模型245
內容簡介
本書的章從深度學習相關的基本概念開始,介紹了典型的神經網絡結構和各種層的設計特點,然後對深度學習中常見的數據集進行了介紹,很後對數據預處理和數據集的劃分進行了細致的闡述。第2章是與深度神經網絡調試相關的通用技巧,主要涉及到如何解決遇到的問題,包括排查錯誤、結果檢查、選擇激活函數、正則化和Dropout、訓練參數設置等技巧。第3章到5章以實際例子的形式,介紹深度學習在文本處理、圖像處理、音樂處理等方面的技巧,涵蓋了深度學習主要應用領域和數據類型,內容很好豐富。很後一章作者從實際生產繫統使用的角度告訴讀者如何在生產繫統中部署機器學習應用,這使得本書的內容更加貼近實際,更加完整。
(美)杜威·奧辛格(Douwe Osinga) 著 李君婷 等 譯