 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習算法實踐（基于Theano和TensorFlow） ( 簡體 字) |
| 作者：閆濤,周琦 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 48887
詢問書籍請說出此書號！【有庫存】
NT售價： 545 元 |
| 出版日：3/1/2018 |
| 頁數：584 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121337932 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：推薦序
《深度學習算法實踐（基于Theano和TensorFlow）》針對深度學習初學者的需求，詳細講解了深度學習典型算法的數學原理，給出了基于TensorFlow和Theano的算法實現，并以手寫數字識別、圖像標注、文本生成等為例，演示了深度學習算法的典型應用。作者立足于引導讀者從解決問題的思路出發，層層剖析，逐步開發出實用的深度學習系統。通過閱讀本書，在熟練掌握深度學習基本數學原理的基礎上，讀者不僅可以直接將書中內容用于項目實踐，而且可以跟蹤理解深度學習的最新進展。
自2017年下半年以來，深度學習又有了一些新進展，如注意力機制、生成式對抗網絡、膠囊網絡等，雖然本書還沒有將其詳細納入，但是相信讀者基于本書的知識架構，通過閱讀相關論文及文獻，理解并掌握這些算法并不困難。
當前，人工智能、深度學習技術的發展可謂一日千里，需要時刻跟蹤業界的最新進展，才能保證自己的知識結構跟上業界發展步伐。作者擁有較深的理論造詣和豐富的實踐經驗，希望本書能夠幫助讀者掌握完整的知識體系，擁有較強的動手能力，成為人工智能、深度學習領域的學習型和實踐型人才。
中國工程院院士 陳志杰
2018年3月9日
讀者服務
輕松注冊成為博文視點社區用戶, 掃碼直達本書頁面。
? 提交勘誤：您對書中內容的修改意見可在 提交勘誤 處提交，若被采納，將獲贈博文視點社區積分（在您購買電子書時，積分可用來抵扣相應金額）。
? 交流互動：在頁面下方 讀者評論 處留下您的疑問或觀點，與我們和其他讀者一同學習交流。
前 言
2016年上半年，隨著AlphaGo戰勝圍棋世界冠軍李世石，深度學習技術迅速進入大眾的視野，成為熱門技術。無論是科技領域還是創業投資領域，深度學習技術都受到了前所未有的關注，面向深度學習技術的初創公司不斷刷新融資數額的紀錄。
隨著深度學習技術的流行，市場上對于深度學習人才的需求量激增。但是，由于深度學習技術涉及高等數學、線性代數、數理統計和機器學習相關知識，故學習曲線比較陡峭。目前國內外著名大學深度學習相關專業碩博士、國家重點實驗室學生，都被BAT等一線互聯網公司搶光了，人才大戰有愈演愈烈之勢。普通公司和初創公司，在這場人才大戰中處于劣勢，面臨著越來越嚴重的人才荒。
隨著深度學習技術的深入應用，企業對深度學習技術人才的渴求是正常的，但是當前市場上對深度學習技術人才的需求是非理性的。一方面，大家瘋搶的深度學習人才都是著名院校的碩博士和重點實驗室的研究員，但是這部分人所受的訓練和精通的領域是做算法研究，而企業的目的是實際應用，二者在很大程度上是不匹配的，最后可能是企業下了血本卻沒有產生效益；另一方面，對于很多深度學習應用來說，對項目本身業務的理解，比對深度學習算法的理解要重要得多，而由于業務專家不懂深度學習技術，致使很多好的應用領域沒有合適的人才來做。
編寫本書的目的就是解決上述問題，希望讀者可以通過對本書的學習，迅速掌握深度學習的理論框架和知識體系，具備在自己的專業領域內應用深度學習技術的能力，同時還具備跟蹤深度學習領域最新進展的能力，能夠獨立復現頂級期刊文章中介紹的新方法和新理論。
本書內容及知識體系
第一部分為深度學習算法概述，包括第1章。
第 1 章簡單介紹神經網絡和深度學習發展史、現狀和發展趨勢，介紹并比較了深度學習開源框架，還介紹了開源框架的選擇標準。
第二部分為深度學習算法基礎，主要講述深度學習算法中比較成熟的算法，包括第2章到第7章。
第 2 章介紹Python開發環境的搭建、NumPy的使用、Theano的安裝和使用，并用本章介紹的知識實現一個簡單的線性回歸算法的程序。
第 3 章講述邏輯回歸算法的數學推導過程，并且講述了通用學習模型的相關知識，還利用邏輯回歸算法對MNIST手寫數字識別數據集進行訓練和識別。
第 4 章講述多層感知器模型算法推導過程，以及數值計算與向量表示方式，并利用多層感知器模型對MNIST手寫數字識別數據集進行訓練和識別。
第 5 章講述卷積神經網絡的數學原理，詳細講解卷積神經網絡的層間稀疏連接、權值共享和最大池化等技術，并利用卷積神經網絡模型對MNIST手寫數字識別數據集進行訓練和識別。
第 6 章講述遞歸神經網絡的數學原理，以字符RNN網絡為例，向讀者演示了簡單的計算機寫作系統。而且，以微軟圖像標注數據集為例，以測試驅動開發的形式，向讀者介紹利用遞歸神經網絡做圖像標注的典型應用。
第 7 章講述長短時記憶網絡的網絡架構和數學原理，并以大型影評數據集為例，采用長短時記憶網絡進行情感計算。
第三部分為深度學習算法進階，主要講述深度學習算法中比較前沿的算法，包括第8章到第11章。
第 8 章講述自動編碼機的數學原理，重點介紹實際中應用較多的去噪自動編碼機和稀疏自動編碼機，并以去噪自動編碼機為例，對MNIST手寫數字識別數據集進行特征提取。
第 9 章講述將去噪自動編碼機進行分層訓練，組合成堆疊去噪自動編碼機，并將堆疊去噪自動編碼機用于MNIST手寫數字識別任務。
第 10 章講述受限玻爾茲曼機的數學原理，并將其用于MNIST手寫數字識別任務。
第 11 章講述深度信念網絡的數學原理，以及其與受限玻爾茲曼機的關系，并將其用于MNIST手寫數字識別任務。
第四部分為機器學習基礎，主要講述一些基礎的機器學習算法，包括第12章和第13章。
第12章講述生成式學習的基礎理論，并將高斯判別分析用于癌癥判別，將樸素貝葉斯算法用于垃圾郵件過濾。
第13章簡單介紹支撐向量機算法的數學原理。
第五部分為深度學習平臺 API，這部分講述將深度學習算法包裝成深度學習服務云平臺的技術，包括第14章和第15章。
第14章介紹Python的Web開發環境及開發技術。
第15章應用Web開發技術，將前面介紹的多層感知器模型包裝成RESTful服務，用戶可以通過網頁上傳圖片文件，并得到識別后的結果。
由于篇幅所限，書中很多例子只給出了部分代碼，這些代碼對于理解算法的實現原理是足夠的，但是考慮到代碼的完整性，我們將書中絕大部分例程都上傳到了GitHub的開源項目https://github.com/yt7589/dlp.git，書中的代碼放在book/chp**目錄下，這些代碼在Ubuntu 16.04+Python3.6+TensorFlow1.2和Windows+Anaconda+TensorFlow1.2下均可正常運行。讀者可以下載相關源碼，通過運行這些源碼加深對書中內容的理解。 |
內容簡介：本書以深度學習算法入門為主要內容，通過系統介紹Python、NumPy、SciPy等科學計算庫，深度學習主流算法，深度學習前沿研究，深度學習服務云平臺構建四大主線，向讀者系統地介紹了深度學習的主要內容和研究進展。本書介紹了Python、NumPy、SciPy的使用技巧，面向谷歌推出的開源深度學習框架TensorFlow，向讀者展示了利用TensorFlow和Theano框架實現線性回歸、邏輯回歸、多層感知器、卷積神經網絡、遞歸神經網絡、長短時記憶網絡、去噪自動編碼機、堆疊自動編碼機、受限玻爾茲曼機、深度信念網絡等，并將這些技術用于MNIST手寫數字識別任務。本書不僅講述了深度學習算法本身，而且重點講述了如何將這些深度學習算法包裝成Web服務。本書旨在幫助廣大工程技術人員快速掌握深度學習相關理論和實踐，并將這些知識應用到實際工作中。 |
目錄：第一部分 深度學習算法概述
第1章 深度學習算法簡介 2
1.1 神經網絡發展簡史 2
1.1.1 神經網絡第一次興起 3
1.1.2 神經網絡沉寂期（20世紀80年代—21世紀） 4
1.1.3 神經網絡技術積累期（20世紀90年代—2006年） 5
1.1.4 深度學習算法崛起（2006年至今） 8
1.2 深度學習現狀 10
1.2.1 傳統神經網絡困境 10
1.2.2 深度多層感知器 12
1.2.3 深度卷積神經網絡 14
1.2.4 深度遞歸神經網絡 15
1.3 深度學習研究前瞻 16
1.3.1 自動編碼機 17
1.3.2 深度信念網絡 18
1.3.3 生成式網絡最新進展 19
1.4 深度學習框架比較 20
1.4.1 TensorFlow 20
1.4.2 Theano 21
1.4.3 Torch 22
1.4.4 DeepLearning4J 23
1.4.5 Caffe 23
1.4.6 MXNet 24
1.4.7 CNTK 27
1.4.8 深度學習框架造型指導原則 27
1.5 深度學習入門路徑 28
1.5.1 運行MNIST 28
1.5.2 深度學習框架的選擇 29
1.5.3 小型試驗網絡 33
1.5.4 訓練生產網絡 33
1.5.5 搭建生產環境 34
1.5.6 持續改進 35
第二部分 深度學習算法基礎
第2章 搭建深度學習開發環境 38
2.1 安裝Python開發環境 38
2.1.1 安裝最新版本Python 38
2.1.2 Python虛擬環境配置 39
2.1.3 安裝科學計算庫 40
2.1.4 安裝最新版本Theano 40
2.1.5 圖形繪制 40
2.2 NumPy簡易教程 43
2.2.1 Python基礎 43
2.2.2 多維數組的使用 51
2.2.3 向量運算 58
2.2.4 矩陣運算 60
2.2.5 線性代數 62
2.3 TensorFlow簡易教程 68
2.3.1 張量定義 69
2.3.2 變量和placeholder 69
2.3.3 神經元激活函數 71
2.3.4 線性代數運算 72
2.3.5 操作數據集 74
2.4 Theano簡易教程 77
2.4.1 安裝Theano 77
2.4.2 Theano入門 78
2.4.3 Theano矩陣相加 79
2.4.4 變量和共享變量 80
2.4.5 隨機數的使用 84
2.4.6 Theano求導 84
2.5 線性回歸 86
2.5.1 問題描述 86
2.5.2 線性模型 88
2.5.3 線性回歸學習算法 89
2.5.4 解析法 90
2.5.5 Theano實現 93
第3章 邏輯回歸 100
3.1 邏輯回歸數學基礎 100
3.1.1 邏輯回歸算法的直觀解釋 100
3.1.2 邏輯回歸算法數學推導 101
3.1.3 牛頓法解邏輯回歸問題 103
3.1.4 通用學習模型 106
3.2 邏輯回歸算法簡單應用 113
3.3 MNIST手寫數字識別庫簡介 124
3.4 邏輯回歸MNIST手寫數字識別 126
第4章 感知器模型和MLP 139
4.1 感知器模型 139
4.1.1 神經元模型 139
4.1.2 神經網絡架構 143
4.2 數值計算形式 144
4.2.1 前向傳播 144
4.2.2 誤差反向傳播 145
4.2.3 算法推導 147
4.3 向量化表示形式 152
4.4 應用要點 153
4.4.1 輸入信號模型 154
4.4.2 權值初始化 155
4.4.3 早期停止 155
4.4.4 輸入信號調整 156
4.5 TensorFlow實現MLP 156
第5章 卷積神經網絡 174
5.1 卷積神經網絡原理 174
5.1.1 卷積神經網絡的直觀理解 174
5.1.2 卷積神經網絡構成 177
5.1.3 卷積神經網絡設計 191
5.1.4 遷移學習和網絡微調 193
5.2 卷積神經網絡的TensorFlow實現 195
5.2.1 模型搭建 197
5.2.2 訓練方法 203
5.2.3 運行方法 208
第6章 遞歸神經網絡 212
6.1 遞歸神經網絡原理 212
6.1.1 遞歸神經網絡表示方法 213
6.1.2 數學原理 214
6.1.3 簡單遞歸神經網絡應用示例 219
6.2 圖像標記 226
6.2.1 建立開發環境 226
6.2.2 圖像標記數據集處理 227
6.2.3 單步前向傳播 229
6.2.4 單步反向傳播 231
6.2.5 完整前向傳播 234
6.2.6 完整反向傳播 236
6.2.7 單詞嵌入前向傳播 239
6.2.8 單詞嵌入反向傳播 241
6.2.9 輸出層前向/反向傳播 243
6.2.10 輸出層代價函數計算 245
6.2.11 圖像標注網絡整體架構 248
6.2.12 代價函數計算 249
6.2.13 生成圖像標記 255
6.2.14 網絡訓練過程 258
6.2.15 網絡持久化 265
第7章 長短時記憶網絡 269
7.1 長短時記憶網絡原理 269
7.1.1 網絡架構 269
7.1.2 數學公式 272
7.2 MNIST手寫數字識別 274
第三部分 深度學習算法進階
第8章 自動編碼機 286
8.1 自動編碼機概述 286
8.1.1 自動編碼機原理 287
8.1.2 去噪自動編碼機 287
8.1.3 稀疏自動編碼機 288
8.2 去噪自動編碼機TensorFlow實現 291
8.3 去噪自動編碼機的Theano實現 298
第9章 堆疊自動編碼機 307
9.1 堆疊去噪自動編碼機 308
9.2 TensorFlow實現 322
9.3 Theano實現 341
第10章 受限玻爾茲曼機 344
10.1 受限玻爾茲曼機原理 344
10.1.1 網絡架構 344
10.1.2 能量模型 346
10.1.3 CD-K算法 351
10.2 受限玻爾茲曼機TensorFlow實現 353
10.3 受限玻爾茲曼機Theano實現 362
第11章 深度信念網絡 381
11.1 深度信念網絡原理 381
11.2 深度信念網絡TensorFlow實現 382
11.3 深度信念網絡Theano實現 403
第四部分 機器學習基礎
第12章 生成式學習 420
12.1 高斯判別分析 422
12.1.1 多變量高斯分布 422
12.1.2 高斯判決分析公式 423
12.2 樸素貝葉斯 436
12.2.1 樸素貝葉斯分類器 436
12.2.2 拉普拉斯平滑 439
12.2.3 多項式事件模型 441
第13章 支撐向量機 444
13.1 支撐向量機概述 444
13.1.1 函數間隔和幾何間隔 445
13.1.2 最優距離分類器 448
13.2 拉格朗日對偶 448
13.3 最優分類器算法 450
13.4 核方法 453
13.5 非線性可分問題 455
13.6 SMO算法 457
13.6.1 坐標上升算法 458
13.6.2 SMO算法詳解 458
第五部分 深度學習平臺API
第14章 Python Web編程 462
14.1 Python Web開發環境搭建 462
14.1.1 CherryPy框架 463
14.1.2 CherryPy安裝 463
14.1.3 測試CherryPy安裝是否成功 464
14.2 最簡Web服務器 465
14.2.1 程序啟動 465
14.2.2 顯示HTML文件 466
14.2.3 靜態內容處理 468
14.3 用戶認證系統 471
14.4 AJAX請求詳解 473
14.4.1 添加數據 474
14.4.2 修改數據 476
14.4.3 刪除數據 478
14.4.4 REST服務實現 479
14.5 數據持久化技術 487
14.5.1 環境搭建 487
14.5.2 數據庫添加操作 488
14.5.3 數據庫修改操作 489
14.5.4 數據庫刪除操作 490
14.5.5 數據庫查詢操作 491
14.5.6 數據庫事務操作 492
14.5.7 數據庫連接池 494
14.6 任務隊列 499
14.7 媒體文件上傳 502
14.8 Redis操作 504
14.8.1 Redis安裝配置 504
14.8.2 Redis使用例程 505
第15章 深度學習云平臺 506
15.1 神經網絡持久化 506
15.1.1 數據庫表設計 506
15.1.2 整體目錄結構 511
15.1.3 訓練過程及模型文件保存 512
15.2 神經網絡運行模式 528
15.3 AJAX請求調用神經網絡 531
15.3.1 顯示靜態網頁 531
15.3.2 上傳圖片文件 540
15.3.3 AJAX接口 543
15.4 請求合法性驗證 545
15.4.1 用戶注冊和登錄 546
15.4.2 客戶端生成請求 553
15.4.3 服務器端驗證請求 555
15.5 異步結果處理 557
15.5.1 網頁異步提交 557
15.5.2 應用隊列管理模塊 559
15.5.3 任務隊列 560
15.5.4 結果隊列 561
15.5.5 異步請求處理流程 562
15.6 神經網絡持續改進 563
15.6.1 應用遺傳算法 563
15.6.2 重新訓練 564
15.6.3 生成式對抗網絡 565
后 記 567
參考文獻 568 |
| 序： |
|
