编辑推荐
本书特色
本书对基于Theano的深度学习进行了完整叙述，Theano是一个能够在CPU或GPU上便于优化数值表示和深度学习模型的Python库。
本书提供了一些实用代码示例，有助于初学者易于理解如何构建复杂神经网络，而对于有经验的数据分析师会更关注书中的相关内容，解决图像识别、自然语言处理和博弈决策领域的监督式学习和非监督式学习、生成模型和强化学习。
本书还讨论了从简单数字识别、图像分类、目标定位、图像分割到图像字幕的图像识别任务，自然语言处理示例包括文本生成、聊天机器人、机器翻译和机器问答系统。其中，后一个示例是处理貌似真实的随机数据生成并解决如Open-AI生态的博弈问题。
后，本书总结了针对每项任务的佳性能网络。早期的研究成果主要是基于神经层的深度堆栈，尤其是卷积层，而本书给出了提高这些架构效率的原理，以帮助读者构建新的个性化神经网络。
关于本书
阅读本书将会学到的内容：
•熟悉Theano和深度学习的概念；
•给出监督式、非监督式、生成或强化学习的示例；
•揭示设计高效深度学习网络的主要原则：卷积、残差连接和递归连接；
•Theano在实际计算机视觉数据集中的应用，如数字分类和图像分类；
•将Theano扩展到自然语言处理任务，如聊天机器人或机器翻译；
•人工智能驱动策略以使得机器人能够解决博弈问题或从环境中学习；
•基于生成模型生成真实的合成数据；
•熟悉应用于Theano上层的两个框架：Lasagne和Keras。
目录
译者序
原书前言
本书作者
原书致谢
第1 章 Theano 基础 //1
1.1 张量所需 //1
1.2 安装和加载Theano //2
1.2.1 Conda 软件包和环境管理器 // 2
1.2.2 在CPU 上安装和运行Theano // 2
1.2.3 GPU 驱动和相关库 // 3
1.2.4 在GPU 上安装和运行Theano // 4
1.3 张量 //5
1.4 计算图和符号计算 //8
1.5 张量操作 //11
1.5.1 维度操作算子 // 13
1.5.2 元素操作算子 // 14
1.5.3 约简操作算子 // 16
1.5.4 线性代数算子 // 16
1.6 内存和变量 //18
1.7 函数和自动微分 //20
1.8 符号计算中的循环运算 //22
1.9 配置、分析和调试 //26
1.10 小结 //29
第2 章 基于前馈神经网络的手写体数
字分类 //30
2.1 MNIST 数据集 // 30
2.2 训练程序架构 // 32
2.3 分类损失函数 // 33
2.4 单层线性模型 // 34
2.5 成本函数和误差 // 35
2.6 反向传播算法和随机梯度下降 // 36
2.7 多层模型 // 37
2.8 卷积层和*池化层 // 43
2.9 训练 // 47
2.10 退出 // 52
2.11 推理 // 52
2.12 优化和其他更新规则 // 52
2.13 延伸阅读 // 56
2.14 小结 // 57
第3 章 单词的向量编码 //58
3.1 编码和嵌入 // 58
3.2 数据集 // 60
3.3 连续词袋模型 // 62
3.4 模型训练 // 66
3.5 可视化学习嵌入 // 68
3.6 嵌入评价—类比推理 // 70
3.7 嵌入评价—量化分析 // 72
3.8 单词嵌入应用 // 72
3.9 权重绑定 // 73
基于Theano 的深度学习：
构建未来与当前的人工大脑
XIV
3.10 延伸阅读 // 73
3.11 小结 // 74
第4 章 基于递归神经网络的文本
生成 //75
4.1 RNN 所需 // 75
4.2 自然语言数据集 // 76
4.3 简单递归网络 // 79
4.3.1 LSTM 网络 // 81
4.3.2 门控递归网络 // 83
4.4 自然语言性能评测 // 84
4.5 训练损失比较 // 84
4.6 预测示例 // 86
4.7 RNN 的应用 // 87
4.8 延伸阅读 // 88
4.9 小结 // 89
第5 章 基于双向LSTM 的情感
分析 // 90
5.1 Keras 的安装和配置 // 90
5.1.1 Keras 编程 // 91
5.1.2 SemEval 2013 数据集 // 93
5.2 文本数据预处理 // 94
5.3 模型架构设计 // 96
5.3.1 单词的向量表征 // 96
5.3.2 基于双向LSTM 的语句表征 // 97
5.3.3 softmax 分类器的输出概率 // 98
5.4 模型编译与训练 // 99
5.5 模型评估 // 99
5.6 模型保存与加载 // 100
5.7 示例运行 // 100
5.8 延伸阅读 // 100
5.9 小结 // 101
第6 章 基于空间变换网络的
定位 // 102
6.1 基于Lasagne 的MNIST CNN 模型
// 102
6.2 定位网络 // 104
6.2.1 RNN 在图像中的应用 // 108
6.3 基于共定位的非监督式学习 // 112
6.4 基于区域的定位网络 // 112
6.5 延伸阅读 // 113
6.6 小结 // 114
第7 章 基于残差网络的图像
分类 // 115
7.1 自然图像数据集 // 115
7.1.1 批处理标准化 // 116
7.1.2 全局平均池化 // 117
7.2 残差连接 // 118
7.3 随机深度 // 123
7.4 密集连接 // 124
7.5 多GPU // 125
7.6 数据增强 // 126
7.7 延伸阅读 // 127
7.8 小结 // 127
第8 章 基于编码—解码网络的翻译
与解释 // 128
8.1 序列—序列网络在自然语言处理
中的应用 // 128
8.2 序列—序列网络在语言翻译中的
应用 // 133
8.3 序列—序列网络在聊天机器人中的
应用 // 134
8.4 序列—序列网络的效率提高 // 134
8.5 图像反卷积 // 136
目 录
XV
8.6 多模态深度学习 // 140
8.7 延伸阅读 // 140
8.8 小结 // 142
第9 章 基于注意力机制的相关输入
或记忆选择 // 143
9.1 注意力可微机制 // 143
9.1.1 基于注意力机制的*
翻译 // 144
9.1.2 基于注意力机制的*图像
注释 // 145
9.2 神经图灵机中的信息存储和
检索 // 146
9.3 记忆网络 // 148
9.3.1 基于动态记忆网络的情景
记忆 // 149
9.4 延伸阅读 // 150
9.5 小结 // 151
第10 章 基于先进递归神经网络的时
间序列预测 // 152
10.1 RNN 的退出 // 152
10.2 RNN 的深度学习方法 // 153
10.3 层叠递归网络 // 154
10.4 深度转移递归网络 // 157
10.5 高速网络设计原理 // 157
10.6 递归高速网络 // 158
10.7 延伸阅读 // 159
10.8 小结 // 159
第11 章 强化环境学习 // 160
11.1 强化学习任务 // 160
11.2 仿真环境 // 161
11.3 Q 学习 // 164
11.4 深度Q 学习网络 // 166
11.5 训练稳定性 // 167
11.6 基于REINFORCE 算法的策略
梯度 // 169
11.7 延伸阅读 // 171
11.8 小结 // 172
第12 章 基于非监督式网络的特征
学习 // 173
12.1 生成模型 // 173
12.1.1 受限玻耳兹曼机 // 173
12.1.2 深度信念网络 // 177
12.1.3 生成性对抗网络 // 178
12.1.4 改进GAN // 182
12.2 半监督式学习 // 182
12.3 延伸阅读 // 183
12.4 小结 // 184
第13 章 基于Theano 的深度学习
扩展 // 185
13.1 CPU 中Python 实现的Theano
操作 // 185
13.2 GPU 中Python 实现的Theano
操作 // 188
13.3 CPU 中C 实现的Theano 操作 //
190
13.4 GPU 中C 实现的Theano 操作 //
193
13.5 通过共享内存的合并转置，NVIDIA
并行 // 196
13.5.1 模型转换 // 197
13.6 人工智能的未来发展 // 199
13.7 延伸阅读 // 201
13.8 小结 // 202
内容介绍
本书主要介绍了深度学习的基本概念和常用网络以及Theano在深度学习中的应用。全书共13章，首先介绍了Theano的基础知识，包括张量、计算图、符号计算、张量算子、自动微分等概念，然后分别介绍了基于前馈神经网络的手写体数字分类、单词的向量编码、基于递归神经网络的文本生成、基于双向LSTM的情感分析、基于空间变换网络的定位、基于剩余网络的图像分类、基于编码—解码网络的翻译与解释、基于注意力机制的相关输入或记忆选择、基于先进递归神经网络的时间序列预测、强化环境学习和基于非监督式网络的特征学习等内容，后介绍了Theano在深度学习中的扩展可能性。
评论晒单