譯者序
原書前言
本書作者
原書致謝
第1 章　Theano 基礎 //1
1.1　張量所需 //1
1.2　安裝和加載Theano //2
1.2.1　Conda 軟件包和環境管理器 // 2
1.2.2　在CPU 上安裝和運行Theano // 2
1.2.3　GPU 驅動和相關庫 // 3
1.2.4　在GPU 上安裝和運行Theano // 4
1.3　張量 //5
1.4　計算圖和符號計算 //8
1.5　張量操作 //11
1.5.1　維度操作算子 // 13
1.5.2　元素操作算子 // 14
1.5.3　約簡操作算子 // 16
1.5.4　線性代數算子 // 16
1.6　內存和變量 //18
1.7　函數和自動微分 //20
1.8　符號計算中的循環運算 //22
1.9　配置、分析和調試 //26
1.10　小結 //29
第2 章　 基于前饋神經網絡的手寫體數
字分類 //30
2.1　MNIST 數據集 // 30
2.2　訓練程序架構 // 32
2.3　分類損失函數 // 33
2.4　單層線性模型 // 34
2.5　成本函數和誤差 // 35
2.6　反向傳播算法和隨機梯度下降 // 36
2.7　多層模型 // 37
2.8　卷積層和最大池化層 // 43
2.9　訓練 // 47
2.10　退出 // 52
2.11　推理 // 52
2.12　優化和其他更新規則 // 52
2.13　延伸閱讀 // 56
2.14　小結 // 57
第3 章　單詞的向量編碼 //58
3.1　編碼和嵌入 // 58
3.2　數據集 // 60
3.3　連續詞袋模型 // 62
3.4　模型訓練 // 66
3.5　可視化學習嵌入 // 68
3.6　嵌入評價—類比推理 // 70
3.7　嵌入評價—量化分析 // 72
3.8　單詞嵌入應用 // 72
3.9　權重綁定 // 73
基于Theano 的深度學習：
構建未來與當前的人工大腦
XIV
3.10　延伸閱讀 // 73
3.11　小結 // 74
第4 章　 基于遞歸神經網絡的文本
生成 //75
4.1　RNN 所需 // 75
4.2　自然語言數據集 // 76
4.3　簡單遞歸網絡 // 79
4.3.1　LSTM 網絡 // 81
4.3.2　門控遞歸網絡 // 83
4.4　自然語言性能評測 // 84
4.5　訓練損失比較 // 84
4.6　預測示例 // 86
4.7　RNN 的應用 // 87
4.8　延伸閱讀 // 88
4.9　小結 // 89
第5 章　 基于雙向LSTM 的情感
分析 // 90
5.1　Keras 的安裝和配置 // 90
5.1.1　Keras 編程 // 91
5.1.2　SemEval 2013 數據集 // 93
5.2　文本數據預處理 // 94
5.3　模型架構設計 // 96
5.3.1　單詞的向量表征 // 96
5.3.2　基于雙向LSTM 的語句表征 // 97
5.3.3　softmax 分類器的輸出概率 // 98
5.4　模型編譯與訓練 // 99
5.5　模型評估 // 99
5.6　模型保存與加載 // 100
5.7　示例運行 // 100
5.8　延伸閱讀 // 100
5.9　小結 // 101
第6 章　 基于空間變換網絡的
定位 // 102
6.1　 基于Lasagne 的MNIST CNN 模型
// 102
6.2　定位網絡 // 104
6.2.1　RNN 在圖像中的應用 // 108
6.3　基于共定位的非監督式學習 // 112
6.4　基于區域的定位網絡 // 112
6.5　延伸閱讀 // 113
6.6　小結 // 114
第7 章　 基于殘差網絡的圖像
分類 // 115
7.1　自然圖像數據集 // 115
7.1.1　批處理標準化 // 116
7.1.2　全局平均池化 // 117
7.2　殘差連接 // 118
7.3　隨機深度 // 123
7.4　密集連接 // 124
7.5　多GPU // 125
7.6　數據增強 // 126
7.7　延伸閱讀 // 127
7.8　小結 // 127
第8 章　 基于編碼—解碼網絡的翻譯
與解釋 // 128
8.1　 序列—序列網絡在自然語言處理
中的應用 // 128
8.2　 序列—序列網絡在語言翻譯中的
應用 // 133
8.3　 序列—序列網絡在聊天機器人中的
應用 // 134
8.4　序列—序列網絡的效率提高 // 134
8.5　圖像反卷積 // 136
目　錄
XV
8.6　多模態深度學習 // 140
8.7　延伸閱讀 // 140
8.8　小結 // 142
第9 章　 基于注意力機制的相關輸入
或記憶選擇 // 143
9.1　注意力可微機制 // 143
9.1.1　 基于注意力機制的最佳
翻譯 // 144
9.1.2　 基于注意力機制的最佳圖像
注釋 // 145
9.2　 神經圖靈機中的信息存儲和
檢索 // 146
9.3　記憶網絡 // 148
9.3.1　 基于動態記憶網絡的情景
記憶 // 149
9.4　延伸閱讀 // 150
9.5　小結 // 151
第10 章　 基于先進遞歸神經網絡的時
間序列預測 // 152
10.1　RNN 的退出 // 152
10.2　RNN 的深度學習方法 // 153
10.3　層疊遞歸網絡 // 154
10.4　深度轉移遞歸網絡 // 157
10.5　高速網絡設計原理 // 157
10.6　遞歸高速網絡 // 158
10.7　延伸閱讀 // 159
10.8　小結 // 159
第11 章　強化環境學習 // 160
11.1　強化學習任務 // 160
11.2　仿真環境 // 161
11.3　Q 學習 // 164
11.4　深度Q 學習網絡 // 166
11.5　訓練穩定性 // 167
11.6　 基于REINFORCE 算法的策略
梯度 // 169
11.7　延伸閱讀 // 171
11.8　小結 // 172
第12 章　 基于非監督式網絡的特征
學習 // 173
12.1　生成模型 // 173
12.1.1　受限玻耳茲曼機 // 173
12.1.2　深度信念網絡 // 177
12.1.3　生成性對抗網絡 // 178
12.1.4　改進GAN // 182
12.2　半監督式學習 // 182
12.3　延伸閱讀 // 183
12.4　小結 // 184
第13 章　 基于Theano 的深度學習
擴展 // 185
13.1　 CPU 中Python 實現的Theano
操作 // 185
13.2　 GPU 中Python 實現的Theano
操作 // 188
13.3　 CPU 中C 實現的Theano 操作 //
190
13.4　 GPU 中C 實現的Theano 操作 //
193
13.5　 通過共享內存的合并轉置，NVIDIA
并行 // 196
13.5.1　模型轉換 // 197
13.6　人工智能的未來發展 // 199
13.7　延伸閱讀 // 201
13.8　小結 // 202