詳解深度學習：基于TensorFlow和Keras學習RNN

定　價：￥79.00

作　者：	[日] 巢籠悠輔著，鄭明智譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥79.00)

ISBN：	9787115519962	出版時間：	2019-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	293	字數(shù)：

內(nèi)容簡介

　　本書著眼于處理時間序列數(shù)據(jù)的深度學習算法，通過基于Python 語言的庫TensorFlow 和Keras來學習神經(jīng)網(wǎng)絡(luò)、深度學習的理論和實現(xiàn)。全書共六章，前兩章講解了學習神經(jīng)網(wǎng)絡(luò)所需的數(shù)學知識和Python 基礎(chǔ)知識；中間兩章講解了神經(jīng)網(wǎng)絡(luò)的基本算法以及深度學習的基礎(chǔ)知識和應(yīng)用；最后兩章詳細介紹了專門用于處理時間序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）。

作者簡介

　　巢籠悠輔（作者）日本新聞應(yīng)用Gunosy和眾籌網(wǎng)站READYFOR的創(chuàng)始人之一。曾就職于電通和谷歌紐約分部。辭職后參與了株式會社MICIN的創(chuàng)立工作，致力于人工智能技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用。東京大學客座講師。著作有《深度學習：Java語言實現(xiàn)》。鄭明智（譯者）智慧醫(yī)療工程師。主要研究方向為醫(yī)療領(lǐng)域的自然語言處理及其應(yīng)用，密切關(guān)注大數(shù)據(jù)、機器學習、深度學習等領(lǐng)域。譯作有《松本行弘：編程語言的設(shè)計與實現(xiàn)》《深度學習基礎(chǔ)與實踐》。

圖書目錄

第 1章　數(shù)學準備 001
1．1　偏微分　001
1．1．1　導(dǎo)函數(shù)和偏導(dǎo)函數(shù)　001
1．1．2　微分系數(shù)與偏微分系數(shù)　003
1．1．3　偏微分的基本公式　006
1．1．4　復(fù)合函數(shù)的偏微分　007
1．1．5　拓展全微分　009
1．2　線性代數(shù)　011
1．2．1　向量　011
1．2．1．1　向量的基礎(chǔ)知識　011
1．2．1．2　向量的和與標量倍數(shù)　011
1．2．1．3　向量的內(nèi)積　012
1．2．2　矩陣　013
1．2．2．1　矩陣的基礎(chǔ)知識　013
1．2．2．2　矩陣的和與標量倍數(shù)　014
1．2．2．3　矩陣的乘積　014
1．2．2．4　正則矩陣與逆矩陣　016
1．2．2．5　轉(zhuǎn)置矩陣　017
1．3　小結(jié)　018
第　2章 Python準備　019
2．1　Python 2和Python 3　020
2．2　Anaconda發(fā)行版　021
2．3　Python的基礎(chǔ)知識　025
2．3．1　Python程序的執(zhí)行　025
2．3．2　數(shù)據(jù)類型　026
2．3．2．1　類型是什么　026
2．3．2．2　字符串類型　027
2．3．2．3　數(shù)值類型　028
2．3．2．4　布爾類型　030
2．3．3　變量　031
2．3．3．1　變量是什么　031
2．3．3．2　變量與類型　032
2．3．4　數(shù)據(jù)結(jié)構(gòu)　033
2．3．4．1　列表　033
2．3．4．2　字典　034
2．3．5　運算　035
2．3．5．1　運算符與操作數(shù)　035
2．3．5．2　算術(shù)運算的運算符　036
2．3．5．3　賦值運算符　036
2．3．6　基本結(jié)構(gòu)　038
2．3．6．1　if語句　038
2．3．6．2　while語句　039
2．3．6．3　for語句　041
2．3．7　函數(shù)　043
2．3．8　類　045
2．3．9　庫　048
2．4　NumPy　049
2．4．1　NumPy數(shù)組　049
2．4．2　使用NumPy進行向量和矩陣的計算　051
2．4．3　數(shù)組和多維數(shù)組的生成　053
2．4．4　切片　054
2．4．5　廣播　056
2．5　面向深度學習的庫　058
2．5．1　TensorFlow　058
2．5．2　Keras　059
2．5．3　參考Theano　060
2．6　小結(jié)　063
第3章　神經(jīng)網(wǎng)絡(luò)　065
3．1　什么是神經(jīng)網(wǎng)絡(luò)　065
3．1．1　腦和神經(jīng)元　065
3．1．2　深度學習和神經(jīng)網(wǎng)絡(luò)　066
3．2　作為電路的神經(jīng)網(wǎng)絡(luò)　067
3．2．1　簡單的模型化　067
3．2．2　邏輯電路　069
3．2．2．1　邏輯門　069
3．2．2．2　與門　069
3．2．2．3　或門　072
3．2．2．4　非門　074
3．3　簡單感知機　075
3．3．1　模型化　075
3．3．2　實現(xiàn)　077
3．4　邏輯回歸　081
3．4．1　階躍函數(shù)與sigmoid函數(shù)　081
3．4．2　模型化　082
3．4．2．1　似然函數(shù)與交叉熵誤差函數(shù)　082
3．4．2．2　梯度下降法　084
3．4．2．3　隨機梯度下降法與小批量梯度下降法　085
3．4．3　實現(xiàn)　086
3．4．3．1　使用TensorFlow的實現(xiàn)　086
3．4．3．2　使用Keras的實現(xiàn)　092
3．4．4　拓展sigmoid函數(shù)與概率密度函數(shù)、累積分布函數(shù)　096
3．4．5　拓展梯度下降法和局部最優(yōu)解　099
3．5　多分類邏輯回歸　101
3．5．1　softmax函數(shù)　101
3．5．2　模型化　102
3．5．3　實現(xiàn)　106
3．5．3．1　使用TensorFlow的實現(xiàn)　106
3．5．3．2　使用Keras的實現(xiàn)　110
3．6　多層感知機　111
3．6．1　非線性分類　111
3．6．1．1　異或門　111
3．6．1．2　邏輯門的組合　113
3．6．2　模型化　115
3．6．3　實現(xiàn)　119
3．6．3．1　使用TensorFlow的實現(xiàn)　119
3．6．3．2　使用Keras的實現(xiàn)　122
3．7　模型的評估　123
3．7．1　從分類到預(yù)測　123
3．7．2　預(yù)測的評估　124
3．7．3　簡單的實驗　126
3．8　小結(jié)　131
第4章　深度神經(jīng)網(wǎng)絡(luò)　133
4．1　進入深度學習之前的準備　133
4．2　訓(xùn)練過程中的問題　138
4．2．1　梯度消失問題　138
4．2．2　過擬合問題　141
4．3　訓(xùn)練的高效化　142
4．3．1　激活函數(shù)　143
4．3．1．1　雙曲正切函數(shù)　143
4．3．1．2　ReLU　145
4．3．1．3　Leaky ReLU　147
4．3．1．4　Parametric ReLU　149
4．3．2　Dropout　152
4．4　代碼的設(shè)計　157
4．4．1　基本設(shè)計　157
4．4．1．1　使用TensorFlow的實現(xiàn)　157
4．4．1．2　使用Keras的實現(xiàn)　160
4．4．1．3　拓展對TensorFlow模型進行類封裝　161
4．4．2　訓(xùn)練的可視化　166
4．4．2．1　使用TensorFlow的實現(xiàn)　167
4．4．2．2　使用Keras的實現(xiàn)　172
4．5　高級技術(shù)　176
4．5．1　數(shù)據(jù)的正則化與權(quán)重的初始化　176
4．5．2　學習率的設(shè)置　179
4．5．2．1　動量　179
4．5．2．2　Nesterov動量　180
4．5．2．3　Adagrad　181
4．5．2．4　Adadelta　182
4．5．2．5　RMSprop　184
4．5．2．6　Adam　185
4．5．3　早停法　187
4．5．4　Batch Normalization　190
4．6　小結(jié)　195
第5章　循環(huán)神經(jīng)網(wǎng)絡(luò)　197
5．1　基本概念　197
5．1．1　時間序列數(shù)據(jù)　197
5．1．2　過去的隱藏層　199
5．1．3　基于時間的反向傳播算法　202
5．1．4　實現(xiàn)　204
5．1．4．1　準備時間序列數(shù)據(jù)　205
5．1．4．2　使用TensorFlow的實現(xiàn)　207
5．1．4．3　使用Keras的實現(xiàn)　214
5．2　LSTM　215
5．2．1　LSTM 塊　215
5．2．2　CEC、輸入門和輸出門　217
5．2．2．1　穩(wěn)態(tài)誤差　217
5．2．2．2　輸入權(quán)重沖突和輸出權(quán)重沖突　219
5．2．3　遺忘門　220
5．2．4　窺視孔連接　222
5．2．5　模型化　223
5．2．6　實現(xiàn)　227
5．2．7　長期依賴信息的訓(xùn)練評估——Adding Problem　229
5．3　GRU　232
5．3．1　模型化　232
5．3．2　實現(xiàn)　233
5．4　小結(jié)　235
第6章　循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用　237
6．1　雙向循環(huán)神經(jīng)網(wǎng)絡(luò)　237
6．1．1　未來的隱藏層　237
6．1．2　前向、后向傳播　239
6．1．3　MNIST的預(yù)測　241
6．1．3．1　轉(zhuǎn)換為時間序列數(shù)據(jù)　241
6．1．3．2　使用TensorFlow的實現(xiàn)　242
6．1．3．3　使用Keras的實現(xiàn)　245
6．2　循環(huán)神經(jīng)網(wǎng)絡(luò)編碼器- 解碼器　246
6．2．1　序列到序列模型　246
6．2．2　簡單的問答系統(tǒng)　247
6．2．2．1　設(shè)置問題——加法的訓(xùn)練　247
6．2．2．2　數(shù)據(jù)的準備　248
6．2．2．3　使用TensorFlow的實現(xiàn)　251
6．2．2．4　使用Keras的實現(xiàn)　260
6．3　注意力模型　261
6．3．1　時間的權(quán)重　261
6．3．2　LSTM中的注意力機制　263
6．4　記憶網(wǎng)絡(luò)　265
6．4．1　記憶外部化　265
6．4．2　應(yīng)用于問答系統(tǒng)　266
6．4．2．1　bAbi任務(wù)　266
6．4．2．2　模型化　267
6．4．3　實現(xiàn)　269
6．4．3．1　數(shù)據(jù)的準備　269
6．4．3．2　使用TensorFlow的實現(xiàn)　272
6．5　小結(jié)　276
附錄　279
A．1　模型的保存和讀取　279
A．1．1　使用TensorFlow時的處理　279
A．1．2　使用Keras時的處理　284
A．2　TensorBoard　285
A．3　tf．contrib．learn　292