相關商品
商品簡介
作者簡介
目次
商品簡介
本書是由兩位技術出身的企業管理者編寫的深度學習普及書。本書的前四章提供了足夠的關於深度學習的理論知識，包括機器學習的基本概念、神經網絡基礎、從神經網絡到深度網絡的演化歷程，以及主流的深度網絡架構，為讀者閱讀本書剩餘內容打下基礎。後五章帶領讀者進行一系列深度學習的實踐，包括建立深層網絡、調優技術、各種數據類型的向量化和在Spark上運行深度學習工作流。
作者簡介
Josh Patterson，是Skymind公司副總裁，曾任Cloudera公司通用解決方案架構師、田納西河流域管理局機器學習與分布式系統工程師。
Adam Gibson是Skymind公司CTO，在幫助公司處理和解析大量實時數據方面經驗豐富
Adam Gibson是Skymind公司CTO，在幫助公司處理和解析大量實時數據方面經驗豐富
目次
版權聲明 iii
O'Reilly Media, Inc.介紹 iv
前言 xv
第 1 章 機器學習回顧 1
1.1 學習的機器 1
1.1.1 機器如何學習 2
1.1.2 生物學的啟發 4
1.1.3 什麼是深度學習 5
1.1.4 鑽進奇幻的兔子洞 5
1.2 提出問題 6
1.3 機器學習背後的數學：線性代數 7
1.3.1 標量 7
1.3.2 向量 7
1.3.3 矩陣 8
1.3.4 張量 8
1.3.5 超平面 8
1.3.6 相關數學運算 8
1.3.7 將數據轉換成向量 9
1.3.8 方程組求解 10
1.4 機器學習背後的數學：統計學 12
1.4.1 概率 12
1.4.2 條件概率 14
1.4.3 後驗概率 14
1.4.4 分佈 15
1.4.5 樣本與總體 16
1.4.6 重採樣方法 16
1.4.7 選擇性偏差 17
1.4.8 似然 17
1.5 機器學習如何工作 17
1.5.1 回歸 17
1.5.2 分類 19
1.5.3 聚類 19
1.5.4 欠擬合與過擬合 20
1.5.5 優化 20
1.5.6 凸優化 21
1.5.7 梯度下降 22
1.5.8 SGD 24
1.5.9 擬牛頓優化方法 24
1.5.10 生成模型與判別模型 25
1.6 邏輯回歸 25
1.6.1 邏輯函數 26
1.6.2 理解邏輯回歸的輸出 26
1.7 評估模型 27
1.8 建立對機器學習的理解 30
第 2 章 神經網絡基礎與深度學習 31
2.1 神經網絡 31
2.1.1 生物神經元 33
2.1.2 感知器 34
2.1.3 多層前饋網絡 37
2.2 訓練神經網絡 42
2.3 激活函數 49
2.3.1 線性函數 49
2.3.2 sigmoid函數 49
2.3.3 tanh函數 50
2.3.4 hard tanh函數 51
2.3.5 softmax函數 51
2.3.6 修正線性函數 51
2.4 損失函數 53
2.4.1 損失函數的符號 53
2.4.2 用於回歸的損失函數 54
2.4.3 用於分類的損失函數 56
2.4.4 用於重建的損失函數 57
2.5 超參數 58
2.5.1 學習率 58
2.5.2 正則化 59
2.5.3 動量 59
2.5.4 稀疏 59
第 3 章 深度網絡基礎 60
3.1 定義深度學習 60
3.1.1 什麼是深度學習 60
3.1.2 本章結構 67
3.2 深度網絡的通用構建原則 67
3.2.1 參數 68
3.2.2 層 68
3.2.3 激活函數 69
3.2.4 損失函數 70
3.2.5 優化算法 71
3.2.6 超參數 73
3.2.7 小結 77
3.3 深度網絡的構造塊 77
3.3.1 RBM 78
3.3.2 自動編碼器 82
3.3.3 變分自動編碼器 83
第 4 章 深度網絡的主要架構 85
4.1 UPN 85
4.1.1 DBN 86
4.1.2 GAN 88
4.2 CNN 91
4.2.1 生物學啟發 92
4.2.2 思路 92
4.2.3 CNN架構概要 93
4.2.4 輸入層 94
4.2.5 卷積層 95
4.2.6 池化層 101
4.2.7 全連接層 102
4.2.8 CNN的其他應用 102
4.2.9 CNN列表 103
4.2.10 小結 103
4.3 RNN 103
4.3.1 時間維度建模 104
4.3.2 三維空間輸入 105
4.3.3 為什麼不是馬爾可夫模型 107
4.3.4 常見的RNN架構 107
4.3.5 LSTM網絡 108
4.3.6 特定領域應用與混合網絡 114
4.4 遞歸神經網絡 115
4.4.1 網絡架構 115
4.4.2 遞歸神經網絡的變體 115
4.4.3 遞歸神經網絡的應用 116
4.5 小結與討論 116
4.5.1 深度學習會使其他算法過時嗎 116
4.5.2 不同的問題有不同的最佳方法 117
4.5.3 什麼時候需要深度學習 117
第 5 章 建立深度網絡 118
5.1 將深度網絡與適合的問題匹配 118
5.1.1 列式數據與多層感知器 119
5.1.2 圖像與CNN 119
5.1.3 時間序列與RNN 120
5.1.4 使用混合網絡 121
5.2 DL4J工具套件 121
5.2.1 向量化與DataVec 121
5.2.2 運行時與ND4J 121
5.3 DL4J API的基本概念 123
5.3.1 加載與保存模型 123
5.3.2 為模型獲取輸入 124
5.3.3 建立模型架構 124
5.3.4 訓練與評估 125
5.4 使用多層感知器網絡對CSV數據建模 126
5.4.1 建立輸入數據 128
5.4.2 確定網絡架構 128
5.4.3 訓練模型 131
5.4.4 評估模型 131
5.5 利用CNN對手寫圖像建模 132
5.5.1 使用LeNet CNN的Java代碼示例 132
5.5.2 加載及向量化輸入圖像 134
5.5.3 DL4J中用於LeNet的網絡架構 135
5.5.4 訓練CNN網絡 138
5.6 基於RNN的序列數據建模 139
5.6.1 通過LSTM生成莎士比亞風格作品 139
5.6.2 基於LSTM的傳感器時間序列分類 146
5.7 利用自動編碼器檢測異常 152
5.7.1 自動編碼器示例的Java代碼列表 152
5.7.2 設置輸入數據 156
5.7.3 自動編碼器的網絡結構與訓練 156
5.7.4 評估模型 157
5.8 使用變分自動編碼器重建MNIST數字 158
5.8.1 重建MNIST數字的代碼列表 158
5.8.2 VAE模型的檢驗 161
5.9 深度學習在自然語言處理中的應用 163
5.9.1 使用Word2Vec的學習詞嵌入 163
5.9.2 具有段落向量的句子的分布式表示 168
5.9.3 使用段落向量進行文檔分類 171
第 6 章 深度網絡調優 176
6.1 深度網絡調優的基本概念 176
6.1.1 建立深度網絡的思路 177
6.1.2 構建思路的步驟 178
6.2 匹配輸入數據與網絡架構 178
6.3 模型目標與輸出層的關係 180
6.3.1 回歸模型的輸出層 180
6.3.2 分類模型的輸出層 180
6.4 處理層的數量、參數的數量和存儲器 182
6.4.1 前饋多層神經網絡 183
6.4.2 控制層和參數的數量 183
6.4.3 估計網絡內存需求 185
6.5 權重初始化策略 187
6.6 使用激活函數 188
6.7 應用損失函數 190
6.8 理解學習率 191
6.8.1 使用參數更新比率 192
6.8.2 關於學習率的具體建議 193
6.9 稀疏性對學習的影響 195
6.10 優化方法的應用 195
6.11 使用並行化和GPU更快地進行訓練 197
6.11.1 在線學習與並行迭代算法 197
6.11.2 DL4J中的SGD並行 199
6.11.3 GPU 201
6.12 控制迭代和小批量的大小 202
6.13 如何使用正則化 203
6.13.1 使用先驗函數正則化 204
6.13.2 最大範數正則化 204
6.13.3 Dropout 205
6.13.4 其他正則化事項 206
6.14 處理類別不平衡 207
6.14.1 類別採樣方法 208
6.14.2 加權損失函數 208
6.15 處理過擬合 209
6.16 通過調優UI來使用網絡統計信息 210
6.16.1 檢測不佳的權重初始化 212
6.16.2 檢測非混洗數據 213
6.16.3 檢測正則化的問題 214
第 7 章 調優特定的深度網絡架構 217
7.1 CNN 217
7.1.1 卷積架構常見的模式 218
7.1.2 配置卷積層 220
7.1.3 配置池化層 224
7.1.4 遷移學習 225
7.2 RNN 226
7.2.1 網絡輸入數據和輸入層 227
7.2.2 輸出層與RnnOutputLayer 228
7.2.3 訓練網絡 228
7.2.4 調試LSTM的常見問題 230
7.2.5 填充與掩碼 230
7.2.6 掩碼評估與評分 231
7.2.7 循環網絡架構的變體 232
7.3 受限玻爾茲曼機 232
7.3.1 隱藏層神經元與可用信息建模 233
7.3.2 使用不同的單元 234
7.3.3 用RBM正則化 234
7.4 DBN 235
7.4.1 利用動量 235
7.4.2 使用正則化 235
7.4.3 確定隱藏單元的數量 236
第 8 章 向量化 237
8.1 機器學習中的向量化方法 237
8.1.1 為什麼需要將數據向量化 238
8.1.2 處理列式原始數據屬性的策略 240
8.1.3 特徵工程與規範化技術 241
8.2 使用DataVec進行ETL和向量化 247
8.3 將圖像數據向量化 248
8.3.1 DL4J中的圖像數據表示 248
8.3.2 使用DataVec將圖像數據與向量規範化 250
8.4 將序列數據向量化 251
8.4.1 序列數據源的主要變體 251
8.4.2 使用DataVec將序列數據向量化 252
8.5 將文本向量化 256
8.5.1 詞袋 257
8.5.2 TF-IDF 258
8.5.3 Word2Vec與VSM的比較 261
8.6 使用圖形 261
第 9 章 在Spark上使用深度學習和DL4J 262
9.1 在Spark和Hadoop上使用DL4J的介紹 262
9.2 配置和調優Spark運行 266
9.2.1 在Mesos上運行Spark 267
9.2.2 在YARN中執行Spark 268
9.2.3 Spark調優簡要介紹 269
9.2.4 對在Spark上運行的DL4J作業調優 273
9.3 為Spark和DL4J建立Maven項目對象模型 274
9.3.1 一個pom.xml文件依賴模板 275
9.3.2 為 CDH 5.x設置POM文件 279
9.3.3 為HDP 2.4創建POM文件 279
9.4 Spark和Hadoop故障排除 280
9.5 DL4J在Spark上的並行執行 281
9.6 Spark平臺上的DL4J API最佳實踐 284
9.7 多層感知器的Spark示例 285
9.7.1 建立Spark MLP網絡架構 288
9.7.2 分布式訓練與模型評估 289
9.7.3 構建和執行DL4J Spark作業 290
9.8 使用Spark和LSTM生成莎士比亞作品 290
9.8.1 建立LSTM網絡架構 292
9.8.2 訓練、跟蹤進度及理解結果 293
9.9 基於park上的CNN進行MNIST建模 294
9.9.1 配置Spark作業和加載MNIST數據 296
9.9.2 建立LeNet CNN架構與訓練 297
附錄A 人工智能是什麼 299
附錄B RL4J與強化學習 307
附錄C 每個人都需要瞭解的數字 325
附錄D 神經網絡和反向傳播：數學方法 326
附錄E 使用ND4J API 330
附錄F 使用DataVec 341
附錄G 從源代碼構建DL4J 350
附錄H 設置DL4J項目 352
附錄I 為DL4J項目設置GPU 356
附錄J 解決DL4J安裝上的問題 359
關於作者 365
關於封面 365
O'Reilly Media, Inc.介紹 iv
前言 xv
第 1 章 機器學習回顧 1
1.1 學習的機器 1
1.1.1 機器如何學習 2
1.1.2 生物學的啟發 4
1.1.3 什麼是深度學習 5
1.1.4 鑽進奇幻的兔子洞 5
1.2 提出問題 6
1.3 機器學習背後的數學：線性代數 7
1.3.1 標量 7
1.3.2 向量 7
1.3.3 矩陣 8
1.3.4 張量 8
1.3.5 超平面 8
1.3.6 相關數學運算 8
1.3.7 將數據轉換成向量 9
1.3.8 方程組求解 10
1.4 機器學習背後的數學：統計學 12
1.4.1 概率 12
1.4.2 條件概率 14
1.4.3 後驗概率 14
1.4.4 分佈 15
1.4.5 樣本與總體 16
1.4.6 重採樣方法 16
1.4.7 選擇性偏差 17
1.4.8 似然 17
1.5 機器學習如何工作 17
1.5.1 回歸 17
1.5.2 分類 19
1.5.3 聚類 19
1.5.4 欠擬合與過擬合 20
1.5.5 優化 20
1.5.6 凸優化 21
1.5.7 梯度下降 22
1.5.8 SGD 24
1.5.9 擬牛頓優化方法 24
1.5.10 生成模型與判別模型 25
1.6 邏輯回歸 25
1.6.1 邏輯函數 26
1.6.2 理解邏輯回歸的輸出 26
1.7 評估模型 27
1.8 建立對機器學習的理解 30
第 2 章 神經網絡基礎與深度學習 31
2.1 神經網絡 31
2.1.1 生物神經元 33
2.1.2 感知器 34
2.1.3 多層前饋網絡 37
2.2 訓練神經網絡 42
2.3 激活函數 49
2.3.1 線性函數 49
2.3.2 sigmoid函數 49
2.3.3 tanh函數 50
2.3.4 hard tanh函數 51
2.3.5 softmax函數 51
2.3.6 修正線性函數 51
2.4 損失函數 53
2.4.1 損失函數的符號 53
2.4.2 用於回歸的損失函數 54
2.4.3 用於分類的損失函數 56
2.4.4 用於重建的損失函數 57
2.5 超參數 58
2.5.1 學習率 58
2.5.2 正則化 59
2.5.3 動量 59
2.5.4 稀疏 59
第 3 章 深度網絡基礎 60
3.1 定義深度學習 60
3.1.1 什麼是深度學習 60
3.1.2 本章結構 67
3.2 深度網絡的通用構建原則 67
3.2.1 參數 68
3.2.2 層 68
3.2.3 激活函數 69
3.2.4 損失函數 70
3.2.5 優化算法 71
3.2.6 超參數 73
3.2.7 小結 77
3.3 深度網絡的構造塊 77
3.3.1 RBM 78
3.3.2 自動編碼器 82
3.3.3 變分自動編碼器 83
第 4 章 深度網絡的主要架構 85
4.1 UPN 85
4.1.1 DBN 86
4.1.2 GAN 88
4.2 CNN 91
4.2.1 生物學啟發 92
4.2.2 思路 92
4.2.3 CNN架構概要 93
4.2.4 輸入層 94
4.2.5 卷積層 95
4.2.6 池化層 101
4.2.7 全連接層 102
4.2.8 CNN的其他應用 102
4.2.9 CNN列表 103
4.2.10 小結 103
4.3 RNN 103
4.3.1 時間維度建模 104
4.3.2 三維空間輸入 105
4.3.3 為什麼不是馬爾可夫模型 107
4.3.4 常見的RNN架構 107
4.3.5 LSTM網絡 108
4.3.6 特定領域應用與混合網絡 114
4.4 遞歸神經網絡 115
4.4.1 網絡架構 115
4.4.2 遞歸神經網絡的變體 115
4.4.3 遞歸神經網絡的應用 116
4.5 小結與討論 116
4.5.1 深度學習會使其他算法過時嗎 116
4.5.2 不同的問題有不同的最佳方法 117
4.5.3 什麼時候需要深度學習 117
第 5 章 建立深度網絡 118
5.1 將深度網絡與適合的問題匹配 118
5.1.1 列式數據與多層感知器 119
5.1.2 圖像與CNN 119
5.1.3 時間序列與RNN 120
5.1.4 使用混合網絡 121
5.2 DL4J工具套件 121
5.2.1 向量化與DataVec 121
5.2.2 運行時與ND4J 121
5.3 DL4J API的基本概念 123
5.3.1 加載與保存模型 123
5.3.2 為模型獲取輸入 124
5.3.3 建立模型架構 124
5.3.4 訓練與評估 125
5.4 使用多層感知器網絡對CSV數據建模 126
5.4.1 建立輸入數據 128
5.4.2 確定網絡架構 128
5.4.3 訓練模型 131
5.4.4 評估模型 131
5.5 利用CNN對手寫圖像建模 132
5.5.1 使用LeNet CNN的Java代碼示例 132
5.5.2 加載及向量化輸入圖像 134
5.5.3 DL4J中用於LeNet的網絡架構 135
5.5.4 訓練CNN網絡 138
5.6 基於RNN的序列數據建模 139
5.6.1 通過LSTM生成莎士比亞風格作品 139
5.6.2 基於LSTM的傳感器時間序列分類 146
5.7 利用自動編碼器檢測異常 152
5.7.1 自動編碼器示例的Java代碼列表 152
5.7.2 設置輸入數據 156
5.7.3 自動編碼器的網絡結構與訓練 156
5.7.4 評估模型 157
5.8 使用變分自動編碼器重建MNIST數字 158
5.8.1 重建MNIST數字的代碼列表 158
5.8.2 VAE模型的檢驗 161
5.9 深度學習在自然語言處理中的應用 163
5.9.1 使用Word2Vec的學習詞嵌入 163
5.9.2 具有段落向量的句子的分布式表示 168
5.9.3 使用段落向量進行文檔分類 171
第 6 章 深度網絡調優 176
6.1 深度網絡調優的基本概念 176
6.1.1 建立深度網絡的思路 177
6.1.2 構建思路的步驟 178
6.2 匹配輸入數據與網絡架構 178
6.3 模型目標與輸出層的關係 180
6.3.1 回歸模型的輸出層 180
6.3.2 分類模型的輸出層 180
6.4 處理層的數量、參數的數量和存儲器 182
6.4.1 前饋多層神經網絡 183
6.4.2 控制層和參數的數量 183
6.4.3 估計網絡內存需求 185
6.5 權重初始化策略 187
6.6 使用激活函數 188
6.7 應用損失函數 190
6.8 理解學習率 191
6.8.1 使用參數更新比率 192
6.8.2 關於學習率的具體建議 193
6.9 稀疏性對學習的影響 195
6.10 優化方法的應用 195
6.11 使用並行化和GPU更快地進行訓練 197
6.11.1 在線學習與並行迭代算法 197
6.11.2 DL4J中的SGD並行 199
6.11.3 GPU 201
6.12 控制迭代和小批量的大小 202
6.13 如何使用正則化 203
6.13.1 使用先驗函數正則化 204
6.13.2 最大範數正則化 204
6.13.3 Dropout 205
6.13.4 其他正則化事項 206
6.14 處理類別不平衡 207
6.14.1 類別採樣方法 208
6.14.2 加權損失函數 208
6.15 處理過擬合 209
6.16 通過調優UI來使用網絡統計信息 210
6.16.1 檢測不佳的權重初始化 212
6.16.2 檢測非混洗數據 213
6.16.3 檢測正則化的問題 214
第 7 章 調優特定的深度網絡架構 217
7.1 CNN 217
7.1.1 卷積架構常見的模式 218
7.1.2 配置卷積層 220
7.1.3 配置池化層 224
7.1.4 遷移學習 225
7.2 RNN 226
7.2.1 網絡輸入數據和輸入層 227
7.2.2 輸出層與RnnOutputLayer 228
7.2.3 訓練網絡 228
7.2.4 調試LSTM的常見問題 230
7.2.5 填充與掩碼 230
7.2.6 掩碼評估與評分 231
7.2.7 循環網絡架構的變體 232
7.3 受限玻爾茲曼機 232
7.3.1 隱藏層神經元與可用信息建模 233
7.3.2 使用不同的單元 234
7.3.3 用RBM正則化 234
7.4 DBN 235
7.4.1 利用動量 235
7.4.2 使用正則化 235
7.4.3 確定隱藏單元的數量 236
第 8 章 向量化 237
8.1 機器學習中的向量化方法 237
8.1.1 為什麼需要將數據向量化 238
8.1.2 處理列式原始數據屬性的策略 240
8.1.3 特徵工程與規範化技術 241
8.2 使用DataVec進行ETL和向量化 247
8.3 將圖像數據向量化 248
8.3.1 DL4J中的圖像數據表示 248
8.3.2 使用DataVec將圖像數據與向量規範化 250
8.4 將序列數據向量化 251
8.4.1 序列數據源的主要變體 251
8.4.2 使用DataVec將序列數據向量化 252
8.5 將文本向量化 256
8.5.1 詞袋 257
8.5.2 TF-IDF 258
8.5.3 Word2Vec與VSM的比較 261
8.6 使用圖形 261
第 9 章 在Spark上使用深度學習和DL4J 262
9.1 在Spark和Hadoop上使用DL4J的介紹 262
9.2 配置和調優Spark運行 266
9.2.1 在Mesos上運行Spark 267
9.2.2 在YARN中執行Spark 268
9.2.3 Spark調優簡要介紹 269
9.2.4 對在Spark上運行的DL4J作業調優 273
9.3 為Spark和DL4J建立Maven項目對象模型 274
9.3.1 一個pom.xml文件依賴模板 275
9.3.2 為 CDH 5.x設置POM文件 279
9.3.3 為HDP 2.4創建POM文件 279
9.4 Spark和Hadoop故障排除 280
9.5 DL4J在Spark上的並行執行 281
9.6 Spark平臺上的DL4J API最佳實踐 284
9.7 多層感知器的Spark示例 285
9.7.1 建立Spark MLP網絡架構 288
9.7.2 分布式訓練與模型評估 289
9.7.3 構建和執行DL4J Spark作業 290
9.8 使用Spark和LSTM生成莎士比亞作品 290
9.8.1 建立LSTM網絡架構 292
9.8.2 訓練、跟蹤進度及理解結果 293
9.9 基於park上的CNN進行MNIST建模 294
9.9.1 配置Spark作業和加載MNIST數據 296
9.9.2 建立LeNet CNN架構與訓練 297
附錄A 人工智能是什麼 299
附錄B RL4J與強化學習 307
附錄C 每個人都需要瞭解的數字 325
附錄D 神經網絡和反向傳播：數學方法 326
附錄E 使用ND4J API 330
附錄F 使用DataVec 341
附錄G 從源代碼構建DL4J 350
附錄H 設置DL4J項目 352
附錄I 為DL4J項目設置GPU 356
附錄J 解決DL4J安裝上的問題 359
關於作者 365
關於封面 365
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。