- 深度学习实战
- - 作者：(美)杜威·奥辛格|译者:李君婷//闫龙川//俞学豪//高德荃
  - 出版社：机械工业
  - ISBN：9787111624837
  - 出版日期：2019/05/01
  - 页数：247
- 售价：35.6

内容大纲
    深度学习并没有那么可怕。直到最近，这项机器学习方法还要经过数年的学习才能掌握，但是有了如Keras和TensorFlow这样的框架后，没有机器学习背景的软件工程师也可以快速进入这个领域。通过本书中的技巧，你将学会解决深度学习在生成和分类文本、图像和音乐方面的问题。
    本书每章包括完成独立项目所需的几个技巧，如训练一个音乐推荐系统。如果你陷入了困境，作者还在第2章提供了6个技巧来帮助你。本书中的例子用Python语言编写，代码在GitHub上以Python notebook集合的方式提供。
    通过本书，你将学会：
    创建为真实用户服务的应用
    使用词嵌入计算文本的相似性
    基于维基百科链接建立电影推荐系统
    通过可视化的内部状态了解AI看待世界的原理
    建立一个为文本片段推荐表情符号的模型
    重用预训练的神经网络构建反向图像搜索服务
    比较GAN、自动编码器和LSTM如何生成图标
    检测音乐的风格并检索歌曲集
作者介绍
目录
前言
第1章  工具与技术
  1.1  神经网络的类型
  1.2  数据获取
  1.3  数据预处理
第2章  摆脱困境
  2.1  确定我们遇到的问题
  2.2  解决运行过程中的错误
  2.3  检查中间结果
  2.4  为最后一层选择正确的激活函数
  2.5  正则化和Dropout
  2.6  网络结构、批尺寸和学习率
第3章  使用词嵌入计算文本相似性
  3.1  使用预训练的词嵌入发现词的相似性
  3.2  Word2vec数学特性
  3.3  可视化词嵌入
  3.4  在词嵌入中发现实体类
  3.5  计算类内部的语义距离
  3.6  在地图上可视化国家数据
第4章  基于维基百科外部链接构建推荐系统
  4.1  收集数据
  4.2  训练电影嵌入
  4.3  构建电影推荐系统
  4.4  预测简单的电影属性
第5章  按照示例文本的风格生成文本
  5.1  获取公开领域书籍文本
  5.2  生成类似莎士比亚的文本
  5.3  使用RNN编写代码
  5.4  控制输出温度
  5.5  可视化循环神经网络的活跃程度
第6章  问题匹配
  6.1  从Stack Exchange网站获取数据
  6.2  使用Pandas探索数据
  6.3  使用Keras对文本进行特征化
  6.4  构建问答模型
  6.5  用Pandas训练模型
  6.6  检查相似性
第7章  推荐表情符号
  7.1  构建一个简单的情感分类器
  7.2  检验一个简单的分类器
  7.3  使用卷积网络进行情感分析
  7.4  收集Twitter数据
  7.5  一个简单的表情符号预测器
  7.6  Dropout和多层窗口
  7.7  构建单词级模型
  7.8  构建你自己的嵌入
  7.9  使用循环神经网络进行分类
  7.10  可视化一致性/不一致性
  7.11  组合模型
第8章  Sequence-to-Sequence映射

  8.1  训练一个简单的Sequence-to-Sequence模型
  8.2  从文本中提取对话
  8.3  处理开放词汇表
  8.4  训练seq2seq聊天机器人
第9章  复用预训练的图像识别网络
  9.1  加载预训练网络
  9.2  图像预处理
  9.3  推测图像内容
  9.4  使用Flickr API收集一组带标签的图像
  9.5  构建一个分辨猫狗的分类器
  9.6  改进搜索结果
  9.7  复训图像识别网络
第10章  构建反向图像搜索服务
  10.1  从维基百科中获取图像
  10.2  向N维空间投影图像
  10.3  在高维空间中寻找最近邻
  10.4  探索嵌入中的局部邻域
第11章  检测多幅图像
  11.1  使用预训练的分类器检测多个图像
  11.2  使用Faster RCNN进行目标检测
  11.3  在自己的图像上运行Faster RCNN
第12章  图像风格
  12.1  可视化卷积神经网络激活值
  12.2  尺度和缩放
  12.3  可视化神经网络所见
  12.4  捕捉图像风格
  12.5  改进损失函数以提升图像相干性
  12.6  将风格迁移至不同图像
  12.7  风格内插
第13章  用自编码器生成图像
  13.1  从Google Quick Draw中导入绘图
  13.2  为图像创建自编码器
  13.3  可视化自编码器结果
  13.4  从正确的分布中采样图像
  13.5  可视化变分自编码器空间
  13.6  条件变分编码器
第14章  使用深度网络生成图标
  14.1  获得训练用的图标
  14.2  将图标转换为张量表示
  14.3  使用变分自编码器生成图标
  14.4  使用数据扩充提升自编码器的性能
  14.5  构建生成式对抗网络
  14.6  训练生成式对抗网络
  14.7  显示GAN生成的图标
  14.8  将图标编码成绘图指令
  14.9  训练RNN绘制图标
  14.10  使用RNN生成图标
第15章  音乐与深度学习
  15.1  为音乐分类器创建训练数据集
  15.2  训练音乐风格检测器

  15.3  对混淆情况进行可视化
  15.4  为已有的音乐编制索引
  15.5  设置Spotify API
  15.6  从Spotify中收集播放列表和歌曲
  15.7  训练音乐推荐系统
  15.8  使用Word2vec模型推荐歌曲
第16章  生产化部署机器学习系统
  16.1  使用scikit-learn最近邻计算嵌入
  16.2  使用Postgres存储嵌入
  16.3  填充和查询Postgres存储的嵌入
  16.4  在Postgres中存储高维模型
  16.5  使用Python编写微服务
  16.6  使用微服务部署Keras模型
  16.7  从Web框架中调用微服务
  16.8  Tensorflow seq2seq模型
  16.9  在浏览器中执行深度学习模型
  16.10  使用TensorFlow服务执行Keras模型
  16.11  在iOS中使用Keras模型

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目