深度學(xué)習(xí)實戰(zhàn)

定　價：￥89.00

作　者：	[美] 杜威·奧辛格（Douwe Osinga）著，李君婷閆龍川俞學(xué)豪高德荃譯
出版社：	機械工業(yè)出版社
叢編項：	O'Reilly精品圖書系列
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥89.00)

ISBN：	9787111624837	出版時間：	2019-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	260	字?jǐn)?shù)：

內(nèi)容簡介

　　深度學(xué)習(xí)并沒有那么可怕。直到最近，這項機器學(xué)習(xí)方法還要經(jīng)過數(shù)年的學(xué)習(xí)才能掌握，但是有了如Keras和TensorFlow這樣的框架后，沒有機器學(xué)習(xí)背景的軟件工程師也可以快速進入這個領(lǐng)域。通過本書中的技巧，你將學(xué)會解決深度學(xué)習(xí)在生成和分類文本、圖像和音樂方面的問題。本書每章包括完成獨立項目所需的幾個技巧，如訓(xùn)練一個音樂推薦系統(tǒng)。如果你陷入了困境，作者還在第2章提供了6個技巧來幫助你。本書中的例子用Python語言編寫，代碼在GitHub上以Python notebook集合的方式提供。通過本書，你將學(xué)會： ■ 創(chuàng)建為真實用戶服務(wù)的應(yīng)用 ■ 使用詞嵌入計算文本的相似性 ■ 基于維基百科鏈接建立電影推薦系統(tǒng) ■ 通過可視化的內(nèi)部狀態(tài)了解AI看待世界的原理 ■ 建立一個為文本片段推薦表情符號的模型 ■ 重用預(yù)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)構(gòu)建反向圖像搜索服務(wù) ■ 比較GAN、自動編碼器和LSTM如何生成圖標(biāo) ■ 檢測音樂的風(fēng)格并檢索歌曲集

作者簡介

　　？杜威·奧辛格（Douwe Osinga）曾供職于Google，是一位經(jīng)驗豐富的工程師、環(huán)球旅行者和三個初創(chuàng)企業(yè)的創(chuàng)始人。他的流行軟件項目網(wǎng)站（https：//douweosinga.com/projects）涉及包括機器學(xué)習(xí)在內(nèi)的多個有趣的領(lǐng)域。

圖書目錄

目錄
前言1
第1章　工具與技術(shù)9
1.1 神經(jīng)網(wǎng)絡(luò)的類型9
1.2 數(shù)據(jù)獲取19
1.3 數(shù)據(jù)預(yù)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(jié)果38
2.4 為最后一層選擇正確的激活函數(shù)39
2.5 正則化和Dropout40
2.6 網(wǎng)絡(luò)結(jié)構(gòu)、批尺寸和學(xué)習(xí)率42
第3章　使用詞嵌入計算文本相似性44
3.1 使用預(yù)訓(xùn)練的詞嵌入發(fā)現(xiàn)詞的相似性45
3.2 Word2vec數(shù)學(xué)特性47
3.3 可視化詞嵌入49
3.4 在詞嵌入中發(fā)現(xiàn)實體類51
3.5 計算類內(nèi)部的語義距離55
3.6 在地圖上可視化國家數(shù)據(jù)57
第4章　基于維基百科外部鏈接構(gòu)建推薦系統(tǒng)58
4.1 收集數(shù)據(jù)58
4.2 訓(xùn)練電影嵌入62
4.3 構(gòu)建電影推薦系統(tǒng)66
4.4 預(yù)測簡單的電影屬性67
第5章　按照示例文本的風(fēng)格生成文本69
5.1 獲取公開領(lǐng)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(huán)神經(jīng)網(wǎng)絡(luò)的活躍程度78
第6章　問題匹配80
6.1 從Stack Exchange網(wǎng)站獲取數(shù)據(jù)80
6.2 使用Pandas探索數(shù)據(jù)82
6.3 使用Keras對文本進行特征化83
6.4 構(gòu)建問答模型84
6.5 用Pandas訓(xùn)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(gòu)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(wǎng)絡(luò)進行情感分析95
7.4 收集Twitter數(shù)據(jù)97
7.5 一個簡單的表情符號預(yù)測器99
7.6 Dropout和多層窗口100
7.7 構(gòu)建單詞級模型102
7.8 構(gòu)建你自己的嵌入104
7.9 使用循環(huán)神經(jīng)網(wǎng)絡(luò)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(xùn)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 處理開放詞匯表117
8.4 訓(xùn)練seq2seq 聊天機器人119
第9章　復(fù)用預(yù)訓(xùn)練的圖像識別網(wǎng)絡(luò)123
9.1 加載預(yù)訓(xùn)練網(wǎng)絡(luò)124
9.2 圖像預(yù)處理124
9.3 推測圖像內(nèi)容126
9.4 使用Flickr API收集一組帶標(biāo)簽的圖像128
9.5 構(gòu)建一個分辨貓狗的分類器129
9.6 改進搜索結(jié)果131
9.7 復(fù)訓(xùn)圖像識別網(wǎng)絡(luò)133
第10章　構(gòu)建反向圖像搜索服務(wù)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
第11章　檢測多幅圖像145
11.1 使用預(yù)訓(xùn)練的分類器檢測多個圖像145
11.2 使用Faster RCNN進行目標(biāo)檢測149
11.3 在自己的圖像上運行Faster RCNN152
第12章　圖像風(fēng)格155
12.1 可視化卷積神經(jīng)網(wǎng)絡(luò)激活值156
12.2 尺度和縮放159
12.3 可視化神經(jīng)網(wǎng)絡(luò)所見161
12.4 捕捉圖像風(fēng)格164
12.5 改進損失函數(shù)以提升圖像相干性168
12.6 將風(fēng)格遷移至不同圖像169
12.7 風(fēng)格內(nèi)插171
第13章　用自編碼器生成圖像173
13.1 從Google Quick Draw中導(dǎo)入繪圖174
13.2 為圖像創(chuàng)建自編碼器176
13.3 可視化自編碼器結(jié)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
第14章　使用深度網(wǎng)絡(luò)生成圖標(biāo)189
14.1 獲得訓(xùn)練用的圖標(biāo)190
14.2 將圖標(biāo)轉(zhuǎn)換為張量表示193
14.3 使用變分自編碼器生成圖標(biāo)194
14.4 使用數(shù)據(jù)擴充提升自編碼器的性能196
14.5 構(gòu)建生成式對抗網(wǎng)絡(luò)198
14.6 訓(xùn)練生成式對抗網(wǎng)絡(luò)200
14.7 顯示GAN生成的圖標(biāo)202
14.8 將圖標(biāo)編碼成繪圖指令204
14.9 訓(xùn)練RNN繪制圖標(biāo)205
14.10 使用RNN生成圖標(biāo)207
第15章　音樂與深度學(xué)習(xí)210
15.1 為音樂分類器創(chuàng)建訓(xùn)練數(shù)據(jù)集211
15.2 訓(xùn)練音樂風(fēng)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(shè)置Spotify API219
15.6 從Spotify中收集播放列表和歌曲221
15.7 訓(xùn)練音樂推薦系統(tǒng)224
15.8 使用Word2vec模型推薦歌曲225
第16章　生產(chǎn)化部署機器學(xué)習(xí)系統(tǒng)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(wù)234
16.6 使用微服務(wù)部署Keras模型236
16.7 從Web框架中調(diào)用微服務(wù)237
16.8 Tensorflow seq2seq模型238
16.9 在瀏覽器中執(zhí)行深度學(xué)習(xí)模型240
16.10 使用TensorFlow服務(wù)執(zhí)行Keras模型243
16.11 在iOS中使用Keras模型245