定 價(jià):¥49.80
作 者: | (印)喬·穆拉伊爾 |
出版社: | 清華大學(xué)出版社 |
叢編項(xiàng): | |
標(biāo) 簽: | 暫缺 |
ISBN: | 9787302551638 | 出版時(shí)間: | 2020-05-01 | 包裝: | 平裝 |
開(kāi)本: | 16開(kāi) | 頁(yè)數(shù): | 132 | 字?jǐn)?shù): |
目 錄
第1章 深度學(xué)習(xí)和Keras簡(jiǎn)介 1
1.1 深度學(xué)習(xí)簡(jiǎn)介 1
1.1.1 揭開(kāi)流行術(shù)語(yǔ)的神秘面紗 1
1.1.2 深度學(xué)習(xí)可求解當(dāng)今世界中的哪些經(jīng)典問(wèn)題 4
1.1.3 深度學(xué)習(xí)模型分解 4
1.2 探索流行的深度學(xué)習(xí)框架 6
1.2.1 低級(jí)深度學(xué)習(xí)框架 7
1.2.2 高級(jí)深度學(xué)習(xí)框架 9
1.3 初步了解Keras框架 10
1.3.1 準(zhǔn)備數(shù)據(jù) 11
1.3.2 定義模型結(jié)構(gòu) 12
1.3.3 訓(xùn)練模型和預(yù)測(cè) 12
1.4 本章小結(jié) 12
第2章 上手Keras 13
2.1 設(shè)置環(huán)境 13
2.1.1 選擇Python版本 13
2.1.2 在Windows、Linux或macOS中安裝Python 14
2.1.3 安裝Keras和TensorFlow后端 14
2.2 Keras深度學(xué)習(xí)入門(mén) 16
2.2.1 輸入數(shù)據(jù) 17
2.2.2 神經(jīng)元 18
2.2.3 激活函數(shù) 19
2.2.4 sigmoid激活函數(shù) 19
2.2.5 模型 21
2.2.6 層 22
2.2.7 損失函數(shù) 24
2.2.8 優(yōu)化器 26
2.2.9 評(píng)價(jià)指標(biāo) 29
2.2.10 配置模型 30
2.2.11 訓(xùn)練模型 30
2.2.12 模型評(píng)估 33
2.3 組合所有基本模塊 34
2.4 本章小結(jié) 39
第3章 基于深度神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí):回歸 41
3.1 引言 41
3.2 問(wèn)題表述 43
3.2.1 為什么利用一種設(shè)計(jì)原則來(lái)表示問(wèn)題表述很重要 43
3.2.2 設(shè)計(jì)SCQ 44
3.2.3 設(shè)計(jì)解決方案 45
3.3 探索數(shù)據(jù) 46
3.3.1 查看數(shù)據(jù)字典 48
3.3.2 查找數(shù)據(jù)類(lèi)型 50
3.3.3 處理時(shí)間 51
3.3.4 預(yù)測(cè)銷(xiāo)售額 53
3.3.5 探索數(shù)值列 54
3.3.6 了解分類(lèi)特征 56
3.4 數(shù)據(jù)工程 60
3.5 定義模型的基準(zhǔn)性能 64
3.6 設(shè)計(jì)深度神經(jīng)網(wǎng)絡(luò) 65
3.6.1 測(cè)試模型性能 68
3.6.2 改進(jìn)模型 68
3.6.3 增加神經(jīng)元數(shù)量 71
3.6.4 繪制跨歷元的損失指標(biāo)曲線 73
3.6.5 人工測(cè)試模型 74
3.7 本章小結(jié) 75
第4章 基于深度神經(jīng)網(wǎng)絡(luò)的監(jiān)督學(xué)習(xí):分類(lèi) 77
4.1 引言 77
4.2 問(wèn)題表述 78
4.2.1 設(shè)計(jì)SCQ 78
4.2.2 設(shè)計(jì)解決方案 79
4.3 探索數(shù)據(jù) 80
4.4 數(shù)據(jù)工程 84
4.5 定義模型的準(zhǔn)確率基準(zhǔn) 89
4.6 設(shè)計(jì)分類(lèi)深度神經(jīng)網(wǎng)絡(luò) 90
4.7 重訪數(shù)據(jù) 94
4.7.1 標(biāo)準(zhǔn)化、歸一化和縮放數(shù)據(jù) 94
4.7.2 轉(zhuǎn)換輸入數(shù)據(jù) 95
4.8 基于改進(jìn)數(shù)據(jù)的分類(lèi)深度神經(jīng)網(wǎng)絡(luò) 96
4.9 本章小結(jié) 101
第5章 深度神經(jīng)網(wǎng)絡(luò)調(diào)優(yōu)與部署 103
5.1 過(guò)擬合問(wèn)題 103
5.2 什么是正則化 104
5.2.1 L1正則化 105
5.2.2 L2正則化 106
5.2.3 丟棄正則化 106
5.3 超參數(shù)調(diào)優(yōu) 107
5.3.1 深度學(xué)習(xí)中的超參數(shù) 108
5.3.2 超參數(shù)調(diào)優(yōu)方法 111
5.4 模型部署 114
5.4.1 定制測(cè)試數(shù)據(jù) 114
5.4.2 將模型保存到內(nèi)存 116
5.4.3 用新數(shù)據(jù)重新訓(xùn)練模型 117
5.4.4 在線模型 117
5.4.5 以API形式交付模型 118
5.4.6 組件集成 118
5.5 本章小結(jié) 119
第6章 未來(lái)的學(xué)習(xí)方向 121
6.1 下一步需掌握的深度學(xué)習(xí)專(zhuān)業(yè)知識(shí) 121
6.1.1 CNN 122
6.1.2 RNN 125
6.1.3 CNN+RNN 127
6.2 為什么深度學(xué)習(xí)需要GPU 128
6.3 深度學(xué)習(xí)的其他熱門(mén)領(lǐng)域 130
6.4 結(jié)束寄語(yǔ) 131