基于Java的深度學習

定　價：￥59.00

作　者：	[印] 拉胡爾.拉吉著
出版社：	中國電力出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787519854294	出版時間：	2021-06-01	包裝：	平裝
開本：	16開	頁數：	240	字數：

內容簡介

　　本書首先展示如何在系統(tǒng)上安裝和配置Java和DL4J，然后深入講解了深度學習基礎知識，并創(chuàng)建了一個深度神經網絡進行二元分類。其次，本書介紹了如何在DL4J中構建卷積神經網絡（CNN），以及如何用文本構建數字向量，還介紹了對非監(jiān)督數據的異常檢測，以及如何有效地在分布式系統(tǒng)中建立神經網絡。除此之外，講解了如何從Keras導入模型以及如何在預訓練的DL4J模型中更改配置。最Z后，介紹了DL4J中的基準測試并優(yōu)化神經網絡以獲得最Z佳結果。本書適合想要在Java中使用DL4J構建健壯的深度學習應用程序的讀者，閱讀本書需要具備深度學習基礎知識和一定的編程基礎。 Copyright©2019PacktPublishing.FirstpublishedintheEnglishlanguageunderthetitle ‘Java DeepLearningCookbook’. 本書簡體中文版專有出版權由英國PacktPublishing公司授予中國電力出版社。未經許可，不得以任何方式復制或傳播本書的任何部分。專有出版權受法律保護。

作者簡介

　　Rahul Raj在軟件開發(fā)，業(yè)務分析，客戶溝通以及在多個領域的中/大型項目咨詢中擁有超過7年的IT行業(yè)經驗。目前，他在頂D級軟件開發(fā)公司擔任首席軟件工程師。在開發(fā)活動方面擁有豐富的經驗，包括需求分析，設計，編碼，實現，代碼審查，測試，用戶培訓和增強。他撰寫了許多有關Java中神經網絡的文章，并且在DL4J / Java官方頻道中也有介紹。他還是由印度最Z大的政府認證機構Vskills認證的認證機器學習專家。

圖書目錄

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 卷積神經網絡 3
1.2.4 遞歸神經網絡 3
1.2.5 為什么DL4J對深度學習很重要? 4
1.3 確定正確的網絡類型來解決深度學習問題 4
1.3.1 實現過程 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 9
1.4.1 實現過程 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 實現過程 19
1.9.3 工作原理 19
1.9.4 相關內容 20
第2章數據提取、轉換和加載 23
2.1 技術要求 23
2.2 讀取并迭代數據 24
2.2.1 準備工作 24
2.2.2 實現過程 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)范化數據以提高網絡效率 40
2.7.1 實現過程 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網絡構建 43
3.1 技術要求 43
3.2 從CSV輸入中提取數據 44
3.2.1 實現過程 44
3.2.2 工作原理 44
3.3 從數據中刪除異常 45
3.3.1 實現過程 45
3.3.2 工作原理 46
3.3.3 相關內容 48
3.4 將轉換應用于數據 49
3.4.1 實現過程 49
3.4.2 工作原理 50
3.5 為神經網絡模型設計輸入層 52
3.5.1 準備工作 52
3.5.2 實現過程 53
3.5.3 工作原理 53
3.6 為神經網絡模型設計隱藏層 54
3.6.1 實現過程 54
3.6.2 工作原理 54
3.7 為神經網絡模型設計輸出層 54
3.7.1 實現過程 54
3.7.2 工作原理 55
3.8 訓練和評估CSV數據的神經網絡模型 55
3.8.1 實現過程 55
3.8.2 工作原理 57
3.8.3 相關內容 62
3.9 部署神經網絡模型并將其用作API 63
3.9.1 準備工作 63
3.9.2 實現過程 64
3.9.3 工作原理 68
第4章建立卷積神經網絡 70
4.1 技術要求 70
4.2 從磁盤提取圖像 71
4.2.1 實現過程 71
4.2.2 工作原理 72
4.3 為訓練數據創(chuàng)建圖像變體 73
4.3.1 實現過程 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 實現過程 82
4.8.2 工作原理 87
第5章實現自然語言處理 88
5.1 技術要求 89
5.2 數據要求 89
5.3 讀取和加載文本數據 90
5.3.1 準備工作 90
5.3.2 實現過程 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 分析詞數據并訓練模型 93
5.4.1 實現過程 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 實現過程 99
5.7.2 工作原理 99
5.8 導入GoogleNews向量 99
5.8.1 實現過程 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 實現過程 109
5.11.2 工作原理 111
第6章構建時間序列的LSTM神經網絡 114
6.1 技術要求 114
6.2 提取和讀取臨床數據 115
6.2.1 實現過程 115
6.2.2 工作原理 116
6.3 加載和轉換數據 117
6.3.1 準備工作 117
6.3.2 實現過程 118
6.3.3 工作原理 118
6.4 構建網絡輸入層 119
6.4.1 實現過程 119
6.4.2 工作原理 120
6.5 構建網絡輸出層 121
6.5.1 實現過程 121
6.5.2 工作原理 121
6.6 訓練時間序列數據 122
6.6.1 實現過程 122
6.6.2 工作原理 123
6.7 評估LSTM網絡的效率 123
6.7.1 實現過程 123
6.7.2 工作原理 124
第7章構建LSTM神經網絡序列分類 125
7.1 技術要求 125
7.2 提取時間序列數據 127
7.2.1 實現過程 127
7.2.2 工作原理 128
7.3 加載訓練數據 129
7.3.1 實現過程 130
7.3.2 工作原理 131
7.4 規(guī)范化訓練數據 132
7.4.1 實現過程 132
7.4.2 工作原理 132
7.5 為網絡構建輸入層 133
7.5.1 實現過程 133
7.5.2 工作原理 134
7.6 為網絡構建輸出層 134
7.6.1 實現過程 134
7.6.2 工作原理 135
7.7 LSTM網絡分類輸出的評估 135
7.7.1 實現過程 135
7.7.2 工作原理 136
第8章對非監(jiān)督數據執(zhí)行異常檢測 139
8.1 技術要求 139
8.2 提取和準備 MNIST數據 140
8.2.1 實現過程 140
8.2.2 工作原理 141
8.3 為輸入構造密集層 142
8.3.1 實現過程 142
8.3.2 工作原理 142
8.4 構造輸出層 143
8.4.1 實現過程 143
8.4.2 工作原理 143
8.5 MNIST圖像訓練 144
8.5.1 實現過程 144
8.5.2 工作原理 144
8.6 根據異常得分評估和排序結果 145
8.6.1 實現過程 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 實現過程 152
9.2.3 工作原理 153
9.3 設置數據要求 153
9.3.1 實現過程 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 實現過程 182
10.7.2 工作原理 186
10.8 保存和加載訓練過的神經網絡模型 187
10.8.1 實現過程 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 實現過程 188
10.9.2 工作原理 189
第11章遷移學習在網絡模型中的應用 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 實現過程 196
11.3.2 工作原理 197
11.4 凍結層的實現 197
11.4.1 實現過程 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 實現過程 199
11.5.3 工作原理 199
第12章基準測試和神經網絡優(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)測神經網絡行為 212
12.5.1 實現過程 212
12.5.2 工作原理 213
12.6 執(zhí)行超參數調整 213
12.6.1 實現過程 214
12.6.2 工作原理 217