基于Java的深度學習

目錄
前言
第1章 Java深度學習簡介 1
1.1 技術要求 1
1.2 初識深度學習 2
1.2.1 反向傳播 2
1.2.2 多層感知器 3
1.2.3 卷積神經(jīng)網(wǎng)絡 3
1.2.4 遞歸神經(jīng)網(wǎng)絡 3
1.2.5 為什么DL4J對深度學習很重要? 4
1.3 確定正確的網(wǎng)絡類型來解決深度學習問題 4
1.3.1 實現(xiàn)過程 4
1.3.2 工作原理 4
1.3.3 相關內容 7
1.4 確定正確的激活函數(shù) 9
1.4.1 實現(xiàn)過程 9
1.4.2 工作原理 9
1.4.3 相關內容 10
1.5 解決過度擬合問題 10
1.5.1 實現(xiàn)過程 11
1.5.2 工作原理 11
1.5.3 相關內容 11
1.6 確定正確的批次大小和學習速率 12
1.6.1 實現(xiàn)過程 12
1.6.2 工作原理 12
1.6.3 相關內容 13
1.7 為DL4J配置 Maven 14
1.7.1 準備工作 14
1.7.2 實現(xiàn)過程 14
1.7.3 工作原理 15
1.8 為DL4J配置GPU加速環(huán)境 16
1.8.1 準備工作 16
1.8.2 實現(xiàn)過程 16
1.8.3 工作原理 17
1.8.4 相關內容 18
1.9 安裝問題疑難解答 18
1.9.1 準備工作 19
1.9.2 實現(xiàn)過程 19
1.9.3 工作原理 19
1.9.4 相關內容 20
第2章 數(shù)據(jù)提取、轉換和加載 23
2.1 技術要求 23
2.2 讀取并迭代數(shù)據(jù) 24
2.2.1 準備工作 24
2.2.2 實現(xiàn)過程 24
2.2.3 工作原理 28
2.2.4 相關內容 32
2.3 執(zhí)行模式轉換 33
2.3.1 實現(xiàn)過程 33
2.3.2 工作原理 34
2.3.3 相關內容 34
2.4 構建轉換過程 35
2.4.1 實現(xiàn)過程 35
2.4.2 工作原理 36
2.4.3 相關內容 36
2.5 序列化轉換 37
2.5.1 實現(xiàn)過程 38
2.5.2 工作原理 38
2.6 執(zhí)行轉換過程 39
2.6.1 實現(xiàn)過程 39
2.6.2 工作原理 39
2.6.3 相關內容 40
2.7 規(guī)范化數(shù)據(jù)以提高網(wǎng)絡效率 40
2.7.1 實現(xiàn)過程 40
2.7.2 工作原理 41
2.7.3 相關內容 42
第3章 二元分類的深層神經(jīng)網(wǎng)絡構建 43
3.1 技術要求 43
3.2 從CSV輸入中提取數(shù)據(jù) 44
3.2.1 實現(xiàn)過程 44
3.2.2 工作原理 44
3.3 從數(shù)據(jù)中刪除異常 45
3.3.1 實現(xiàn)過程 45
3.3.2 工作原理 46
3.3.3 相關內容 48
3.4 將轉換應用于數(shù)據(jù) 49
3.4.1 實現(xiàn)過程 49
3.4.2 工作原理 50
3.5 為神經(jīng)網(wǎng)絡模型設計輸入層 52
3.5.1 準備工作 52
3.5.2 實現(xiàn)過程 53
3.5.3 工作原理 53
3.6 為神經(jīng)網(wǎng)絡模型設計隱藏層 54
3.6.1 實現(xiàn)過程 54
3.6.2 工作原理 54
3.7 為神經(jīng)網(wǎng)絡模型設計輸出層 54
3.7.1 實現(xiàn)過程 54
3.7.2 工作原理 55
3.8 訓練和評估CSV數(shù)據(jù)的神經(jīng)網(wǎng)絡模型 55
3.8.1 實現(xiàn)過程 55
3.8.2 工作原理 57
3.8.3 相關內容 62
3.9 部署神經(jīng)網(wǎng)絡模型并將其用作API 63
3.9.1 準備工作 63
3.9.2 實現(xiàn)過程 64
3.9.3 工作原理 68
第4章 建立卷積神經(jīng)網(wǎng)絡 70
4.1 技術要求 70
4.2 從磁盤提取圖像 71
4.2.1 實現(xiàn)過程 71
4.2.2 工作原理 72
4.3 為訓練數(shù)據(jù)創(chuàng)建圖像變體 73
4.3.1 實現(xiàn)過程 73
4.3.2 工作原理 73
4.3.3 相關內容 75
4.4 圖像預處理和輸入層設計 75
4.4.1 實現(xiàn)過程 75
4.4.2 工作原理 76
4.5 為CNN構造隱藏層 77
4.5.1 實現(xiàn)過程 77
4.5.2 工作原理 78
4.6 構建輸出層以進行輸出分類 78
4.6.1 實現(xiàn)過程 78
4.6.2 工作原理 78
4.7 訓練圖像并評估CNN輸出 79
4.7.1 實現(xiàn)過程 79
4.7.2 工作原理 81
4.7.3 相關內容 81
4.8 為圖像分類器創(chuàng)建API端點 82
4.8.1 實現(xiàn)過程 82
4.8.2 工作原理 87
第5章 實現(xiàn)自然語言處理 88
5.1 技術要求 89
5.2 數(shù)據(jù)要求 89
5.3 讀取和加載文本數(shù)據(jù) 90
5.3.1 準備工作 90
5.3.2 實現(xiàn)過程 90
5.3.3 工作原理 92
5.3.4 相關內容 92
5.3.5 參考資料 92
5.4 分析詞數(shù)據(jù)并訓練模型 93
5.4.1 實現(xiàn)過程 93
5.4.2 工作原理 93
5.4.3 相關內容 94
5.5 評估模型 95
5.5.1 實現(xiàn)過程 95
5.5.2 工作原理 95
5.5.3 相關內容 96
5.6 從模型中生成圖譜 96
5.6.1 準備工作 96
5.6.2 實現(xiàn)過程 96
5.6.3 工作原理 97
5.7 保存和重新加載模型 98
5.7.1 實現(xiàn)過程 99
5.7.2 工作原理 99
5.8 導入GoogleNews向量 99
5.8.1 實現(xiàn)過程 99
5.8.2 工作原理 100
5.8.3 相關內容 100
5.9 Word2Vec模型的故障診斷和調整 101
5.9.1 實現(xiàn)過程 101
5.9.2 工作原理 102
5.9.3 參考資料 103
5.10 使用CNNs使用 Word2Vec進行句子分類 103
5.10.1 準備工作 104
5.10.2 實現(xiàn)過程 105
5.10.3 工作原理 107
5.10.4 相關內容 107
5.11 使用Doc2Vec進行文檔分類 109
5.11.1 實現(xiàn)過程 109
5.11.2 工作原理 111
第6章 構建時間序列的LSTM神經(jīng)網(wǎng)絡 114
6.1 技術要求 114
6.2 提取和讀取臨床數(shù)據(jù) 115
6.2.1 實現(xiàn)過程 115
6.2.2 工作原理 116
6.3 加載和轉換數(shù)據(jù) 117
6.3.1 準備工作 117
6.3.2 實現(xiàn)過程 118
6.3.3 工作原理 118
6.4 構建網(wǎng)絡輸入層 119
6.4.1 實現(xiàn)過程 119
6.4.2 工作原理 120
6.5 構建網(wǎng)絡輸出層 121
6.5.1 實現(xiàn)過程 121
6.5.2 工作原理 121
6.6 訓練時間序列數(shù)據(jù) 122
6.6.1 實現(xiàn)過程 122
6.6.2 工作原理 123
6.7 評估LSTM網(wǎng)絡的效率 123
6.7.1 實現(xiàn)過程 123
6.7.2 工作原理 124
第7章 構建LSTM神經(jīng)網(wǎng)絡序列分類 125
7.1 技術要求 125
7.2 提取時間序列數(shù)據(jù) 127
7.2.1 實現(xiàn)過程 127
7.2.2 工作原理 128
7.3 加載訓練數(shù)據(jù) 129
7.3.1 實現(xiàn)過程 130
7.3.2 工作原理 131
7.4 規(guī)范化訓練數(shù)據(jù) 132
7.4.1 實現(xiàn)過程 132
7.4.2 工作原理 132
7.5 為網(wǎng)絡構建輸入層 133
7.5.1 實現(xiàn)過程 133
7.5.2 工作原理 134
7.6 為網(wǎng)絡構建輸出層 134
7.6.1 實現(xiàn)過程 134
7.6.2 工作原理 135
7.7 LSTM網(wǎng)絡分類輸出的評估 135
7.7.1 實現(xiàn)過程 135
7.7.2 工作原理 136
第8章 對非監(jiān)督數(shù)據(jù)執(zhí)行異常檢測 139
8.1 技術要求 139
8.2 提取和準備 MNIST數(shù)據(jù) 140
8.2.1 實現(xiàn)過程 140
8.2.2 工作原理 141
8.3 為輸入構造密集層 142
8.3.1 實現(xiàn)過程 142
8.3.2 工作原理 142
8.4 構造輸出層 143
8.4.1 實現(xiàn)過程 143
8.4.2 工作原理 143
8.5 MNIST圖像訓練 144
8.5.1 實現(xiàn)過程 144
8.5.2 工作原理 144
8.6 根據(jù)異常得分評估和排序結果 145
8.6.1 實現(xiàn)過程 145
8.6.2 工作原理 146
8.7 保存結果模型 148
8.7.1 實現(xiàn)過程 148
8.7.2 工作原理 148
8.7.3 相關內容 148
第9章 使用RL4J進行強化學習 149
9.1 技術要求 149
9.2 設置 Malmo環(huán)境和各自的依賴項 152
9.2.1 準備工作 152
9.2.2 實現(xiàn)過程 152
9.2.3 工作原理 153
9.3 設置數(shù)據(jù)要求 153
9.3.1 實現(xiàn)過程 153
9.3.2 工作原理 157
9.3.3 參考資料 158
9.4 配置和訓練DQN智能體 158
9.4.1 準備工作 158
9.4.2 實現(xiàn)過程 158
9.4.3 工作原理 160
9.4.4 相關內容 162
9.5 評估 Malmo智能體 162
9.5.1 準備工作 162
9.5.2 實現(xiàn)過程 163
9.5.3 工作原理 163
第10章 在分布式環(huán)境中開發(fā)應用程序 165
10.1 技術要求 165
10.2 設置DL4J和所需的依賴項 166
10.2.1 準備工作 166
10.2.2 實現(xiàn)過程 167
10.2.3 工作原理 173
10.3 創(chuàng)建用于訓練的uber-JAR 174
10.3.1 實現(xiàn)過程 174
10.3.2 工作原理 175
10.4 訓練用的CPU/GPU特定配置 176
10.4.1 實現(xiàn)過程 176
10.4.2 工作原理 176
10.4.3 更多內容 177
10.5 Spark的內存設置和垃圾回收 177
10.5.1 實現(xiàn)過程 177
10.5.2 工作原理 178
10.5.3 更多內容 179
10.6 配置編碼閾值 181
10.6.1 實現(xiàn)過程 181
10.6.2 工作原理 181
10.6.3 更多內容 182
10.7 執(zhí)行分布式測試集評估 182
10.7.1 實現(xiàn)過程 182
10.7.2 工作原理 186
10.8 保存和加載訓練過的神經(jīng)網(wǎng)絡模型 187
10.8.1 實現(xiàn)過程 187
10.8.2 工作原理 188
10.8.3 更多內容 188
10.9 執(zhí)行分布式推理 188
10.9.1 實現(xiàn)過程 188
10.9.2 工作原理 189
第11章 遷移學習在網(wǎng)絡模型中的應用 190
11.1 技術要求 190
11.2 修改當前的客戶保留模型 190
11.2.1 實現(xiàn)過程 191
11.2.2 工作原理 192
11.2.3 更多內容 195
11.3 微調學習配置 196
11.3.1 實現(xiàn)過程 196
11.3.2 工作原理 197
11.4 凍結層的實現(xiàn) 197
11.4.1 實現(xiàn)過程 198
11.4.2 工作原理 198
11.5 導入和加載Keras模型和層 198
11.5.1 準備工作 198
11.5.2 實現(xiàn)過程 199
11.5.3 工作原理 199
第12章 基準測試和神經(jīng)網(wǎng)絡優(yōu)化 201
12.1 技術要求 201
12.2 DL4J/ND4J特定的配置 203
12.2.1 準備工作 230 '203
12.2.2 實現(xiàn)過程 203
12.2.3 工作原理 204
12.2.4 更多內容 206
12.3 設置堆空間和垃圾回收 207
12.3.1 實現(xiàn)過程 207
12.3.2 工作原理 209
12.3.3 更多內容 210
12.3.4 其他參閱 210
12.4 使用異步ETL 210
12.4.1 實現(xiàn)過程 210
12.4.2 工作原理 211
12.4.3 更多內容 211
12.5 利用仲裁器監(jiān)測神經(jīng)網(wǎng)絡行為 212
12.5.1 實現(xiàn)過程 212
12.5.2 工作原理 213
12.6 執(zhí)行超參數(shù)調整 213
12.6.1 實現(xiàn)過程 214
12.6.2 工作原理 217