欢迎光临
免费的PDF电子书下载网站

Python 深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案 PDF下载

编辑推荐

本书针对所提出的问题提供技术解决方案,并提供对这些解决方案的详细解释。此外,还讨论了使用TensorFlow、PyTorch、Keras和CNTK等流行开源框架针对实际问题解决方案相应的优缺点。本书也介绍了人工神经网络基本概念及其相关技术,包括经典的网络拓扑等。本书主要目的是为Python程序员提供较为详细的实战方案,以便将深度学习应用于常见和不常见实际问题场景。本书包括14章:(1) 编程环境、GPU 计算、云解决方案和深度学习框架;(2)前馈神经网络;(3)卷积神经网络;(4)递归神经网络;(5)强化学习;(6)生成对抗网络;(7)计算机视觉;(8)自然语言处理;(9)语音识别和视频分析;(10)时间序列和结构化数据;(11)游戏智能体和机器人;(12)超参数选择、调优和神经网络学习;(13)网络内部构造;(14)预训练模型。本书的主要特点:1)提供训练不同神经网络模型并调整模型以期获得佳性能的实战方案;2)使用诸如TensorFlow、Caffe、Keras、Theano的Python框架进行自然语言处理、计算机视觉识别等;3)Python深度学习中的常见以及不常见问题的解决指南。通过本书将会学到:1)在Python中实现不同的人工神经网络模型;2)选择诸如PyTorch、TensorFlow、MXNet和Keras等优的Python开源框架来进行深度学习;3)应用神经网络内部细节相关的提示和技巧,以提高学习成效;4)巩固机器学习原理并将其应用于深度学习领域;5)重用Python代码段并将其应用于解决日常问题;6)评估每个解决方案的成本/收益和性能影响。 ;

内容简介

本书以自上而下和自下而上的方法来展示针对不同领域实际问题的深度学习解决方案,包括图像识别、自然语言处理、时间序列预测和机器人操纵等。还讨论了采用诸如TensorFlow、PyTorch、Keras和CNTK等流行的深度学习开源框架用于实际问题的解决方案及其优缺点。本书内容包括:用于深度学习的编程环境、GPU计算和云端解决方案;前馈神经网络与卷积神经网络;循环与递归神经网络;强化学习与生成对抗网络;深度学习用于计算机视觉、自然语言处理、语音识别、视频分析、时间序列预测、结构化数据分析以及游戏智能体(Agents)和机器人操控等。后讨论了深度学习的超参数选择和神经网络的内在结构以及预训练模型的使用技巧等。

本书以自上而下和自下而上的方法来展示针对不同领域实际问题的深度学习解决方案,包括图像识别、自然语言处理、时间序列预测和机器人操纵等。还讨论了采用诸如TensorFlow、PyTorch、Keras和CNTK等流行的深度学习开源框架用于实际问题的解决方案及其优缺点。本书内容包括:用于深度学习的编程环境、GPU计算和云端解决方案;前馈神经网络与卷积神经网络;循环与递归神经网络;强化学习与生成对抗网络;深度学习用于计算机视觉、自然语言处理、语音识别、视频分析、时间序列预测、结构化数据分析以及游戏智能体(Agents)和机器人操控等。后讨论了深度学习的超参数选择和神经网络的内在结构以及预训练模型的使用技巧等。

作者简介

Indra den Bakker是一位经验丰富的深度学习工程师和培训师。他是23insights平台的创始人,这是NVIDIA所属孵化项目计划的一部分,这是一个机器学习构建解决方案的初创型计划,可以改变世界上重要的行业。在开放课程平台Udacity,他指导了在深度学习和相关领域攻读微学位(Nanodegree)的学生,他还负责审查学生的实习项目。Indra拥有计算智能背景,并在创建23insights平台之前作为IPG Mediabrands的品牌代理以及Screen6的数据科学家若干年。

Python 深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案 PDF下载

目录

原书前言
第 1章 编程环境、GPU计算、云解决方案和深度学习框架 //1 ;
1.1 简介 //1 ;
1.2 搭建一个深度学习环境 //2 ;
1.3 在 AWS上启动实例 //2 ;
1.4 在 GCP上启动实例 //3 ;
1.5 安装 CUDA和 cuDNN //4 ;
1.6 安装 Anaconda和库文件 //6 ;
1.7 连接服务器上的 Jupyter Notebooks //7 ;
1.8 用 TensorFlow构建最先进的即用模型 //8 ;
1.9 直观地用 Keras建立网络 //10 ;
1.10 使用 PyTorch的 RNN动态计算图 //12 ;
1.11 用 CNTK实现高性能模型 //14 ;
1.12 使用 MXNet构建高效的模型 //15 ;
1.13 使用简单、高效的 Gluon编码定义网络 //17
第 2章 前馈神经网络 //19 ;
2.1 简介 //19 ;
2.2 理解感知器 //19 ;
2.3 实现一个单层神经网络 //23 ;
2.4 构建一个多层神经网络 //27 ;
2.5 开始使用激活函数 //30 ;
2.6 关于隐层和隐层神经元的实验 //35 ;
2.7 实现一个自动编码器 //38 ;
2.8 调整损失函数 //41 ;
2.9 测试不同的优化器 //44 ;
2.10 使用正则化技术提高泛化能力 //47 ;
2.11 添加 Dropout以防止过拟合 //51
第 3章 卷积神经网络 //56 ;
3.1 简介 //56 ;
3.2 开始使用滤波器和参数共享 //56 ;
3.3 应用层合并技术 //60 ;
3.4 使用批量标准化进行优化 //62 ;
3.5 理解填充和步长 //66 ;
3.6 试验不同类型的初始化 //72 ;
3.7 实现卷积自动编码器 //76 ;
3.8 将一维 CNN应用于文本 //79
第 4章 递归神经网络 //81 ;
4.1 简介 //81 ;
4.2 实现一个简单的 RNN //82 ;
4.3 添加 LSTM //84 ;
4.4 使用 GRU //86 ;
4.5 实现双向 RNN //89 ;
4.6 字符级文本生成 //91
第 5章 强化学习 //95 ;
5.1 简介 //95 ;
5.2 实现策略梯度 //95 ;
5.3 实现深度Q学习算法 //102
第 6章 生成对抗网络 //109 ;
6.1 简介 //109 6.2 了解 GAN //109 ;
6.3 实现 DCGAN //112 ;
6.4 使用 SRGAN来提高图像分辨率 //117
第 7章 计算机视觉 //125 ;
7.1 简介 //125 ;
7.2 利用计算机视觉技术增广图像 //125 ;
7.3 图像中的目标分类 //130 ;
7.4 目标在图像中的本地化 //134 ;
7.5 实时检测框架 //139 ;
7.6 用 U-net将图像分类 //139 ;
7.7 语义分割与场景理解 //143 ;
7.8 寻找人脸面部关键点 //147 ;
7.9 人脸识别 //151 ;
7.10 将样式转换为图像 //157
第 8章 自然语言处理 //162 ;
8.1 简介 //162 ;
8.2 情绪分析 //162 ;
8.3 句子翻译 //165 ;
8.4 文本摘要 //169
第 9章 语音识别和视频分析 //174 ;
9.1 简介 //174 ;
9.2 从零开始实现语音识别流程 //174 ;
9.3 使用语音识别技术辨别讲话人 //177 ;
9.4 使用深度学习理解视频 //181
第 10章 时间序列和结构化数据 //185 ;
10.1 简介 //185 ;
10.2 使用神经网络预测股票价格 //185 ;
10.3 预测共享单车需求 //189 ;
10.4 使用浅层神经网络进行二元分类 //192
第 11章 游戏智能体和机器人 //194 ;
11.1 简介 //194 ;
11.2 通过端到端学习来驾驶汽车 //194 ;
11.3 通过深度强化学习来玩游戏 //199 ;
11.4 用 GA优化超参数 //205
第 12章 超参数选择、调优和神经网络学习 //211 ;
12.1 简介 //211 ;
12.2 用 TensorBoard和 Keras可视化训练过程 //211 ;
12.3 使用批量和小批量工作 //215 ;
12.4 使用网格搜索调整参数 //219 ;
12.5 学习率和学习率调度 //221 ;
12.6 比较优化器 //224 ;
12.7 确定网络的深度 //227 ;
12.8 添加 Dropout以防止过拟合 //227 ;
12.9 通过数据增广使模型更加鲁棒 //232 ;
12.10 利用 TTA来提高精度 //234
第 13章 网络内部构造 //235 ;
13.1 简介 //235 ;
13.2 用 TensorBoard可视化训练过程 //235 ;
13.3 用 TensorBoard可视化网络结构 //239 ;
13.4 分析网络权重等 //239 ;
13.5 冻结层 //244 ;
13.6 存储网络结构并训练权重 //246
第 14章 预训练模型 //250 ;
14.1 简介 //250 ;
14.2 使用 GoogLeNet/Inception进行大规模视觉识别 //250 ;
14.3 用 ResNet提取瓶颈特征 //252 ;
14.4 对新类别使用预训练的 VGG模型 //253 ;
14.5 用 Xception细调 //256

前沿

深度学习正在为广泛的行业带来革命性的变化。对于许多应用来说,深度学习通过做出更快和更准确的预测,证明其已经超越人类的预测。本书提供了自上而下和自下而上的方法来展示深度学习对不同领域现实问题的解决方案。这些应用程序包括计算机视觉、自然语言处理、时间序列预测和机器人。本书主要内容第 1章 编程环境、 GPU计算、云解决方案和深度学习框架 主要包括与环境和 GPU计算相关的信息和方案。对于在不同平台上设置环境有问题的读者来说,这是一个必读内容。第 2章 前馈神经网络 提供了与前馈神经网络有关的一系列方法,并作为其他章节的基础。本章的重点是为不同网络拓扑常见的实现问题提供解决方案。第 3章 卷积神经网络 着重介绍卷积神经网络及其在计算机视觉中的应用。它提供了有关 CNN中使用的技术和优化方法。第 4章 递归神经网络 提供了一系列与递归神经网络相关的方法,包括 LSTM(长短期记忆)网络和 GRU(门控递归神经元)。本章的重点是为循环神经网络的常见的实现问题提供解决方案。第 5章 强化学习 涵盖强化学习神经网络的各种方法。本章介绍了在单智能体环境中深度强化学习的概念。第 6章 生成对抗网络 提供了与无监督学习问题相关的一系列方法,这包括图像生成和超分辨率的生成对抗网络。第 7章 计算机视觉 包含图像编码相关的数据处理方法,如视频帧。将提供使用 Python处理图像数据的经典技术,以及用于图像检测、分类和分割的最佳解决方案。第 8章 自然语言处理 涵盖与文本数据处理相关的方法,包括与文本特征表示和处理相关的方法,包括文字嵌入和文本数据存储。第 9章 语音识别和视频分析 涵盖与流数据处理相关的方法,这包括音频、视频和帧序列。第 10章 时间序列和结构化数据 提供与数字运算相关的方法,这包括序列和时间序列。第 11章 游戏智能体和机器人 专注于最先进的深度学习研究应用,这包括与多智能体环境(模拟)和自主车辆中游戏智能体相关的方法。第 12章 超参数选择、调优和神经网络学习 阐述了神经网络学习过程涉及的方方面面。本章的总体目标是提供非常简洁和具体的技巧来提升网络性能。第 13章 网络内部构造 介绍了一个神经网络的内部构造,这包括张量分解、权重初始化、拓扑存储、瓶颈特征和相应的嵌入。第 14章 预训练模型 涵盖了流行的深度学习模型,如 VGG-16和 Inception V4。学习本书所需的准备工作本书专注于 AI(人工智能)的 Python实现,而不是 Python本身。本书使用 Python 3来构建各种应用程序,专注于如何以最好的方式利用各种 Python库来构建真实世界的应用程序。本着这样的精神,尽力使所有的代码尽可能无误易懂,这将使读者能够轻松理解代码,并在不同的场景中使用它。本书读者对象本书面向那些希望使用深度学习算法来创建真实 Python应用程序的机器学习专业人士。对机器学习概念和 Python库(如 NumPy、SciPy和 Scikit-learn)有深入的理解。此外,还需要具备线性代数和微积分的基本知识。约定惯例在本书中,读者将看到许多区分不同类型信息的文本样式。下面是这些样式的一些例子,以及对其含义的解释。文本、数据库表名、文件夹名、文件名、文件扩展名、路径名、虚拟 URL、用户输入和 Twitter句柄中的代码字如下所示:“为提供虚拟数据集,将使用 numpy和以下代码”。设置如下一段代码:任意命令行的输入或输出如下:新术语和关键词以黑体显示。在屏幕上看到的单词,例如菜单或对话框,就会像这样出现在文本中:
警告或重要关注。提示和技巧图标。读者反馈欢迎读者反馈意见。让作者了解读者对本书的看法,喜欢什么或不喜欢什么。读者反馈对于作者开发真正让读者受益的主题非常重要。若要给作者反馈意见,只需发送邮件到 feedback@packtpub.com,并在邮件标题中注明书名。如果有读者擅长的主题或有兴趣参与撰写或出版的书籍,请查看 www.packtpub.com/ authors上的作者指南。用户支持既然读者购买了 Packt出版社出版的书籍,那么出版社将会帮助读者获得最大收益。示例代码下载读者可以在 http://www.packtpub.com上根据账户下载本书的示例代码。如果想要购买本书电子版,可以访问 http://www.packtpub.com/support并注册,将直接通过电子邮件发送给读者。下载代码文件步骤如下: ;1)通过邮件地址和密码在网站上登录或注册。 ;
2)鼠标指向顶部的 ;SUPPORT选项。 ;
3)单击 ;Code Downloads &; Errata。 ;
4)在 Search框中输入书名。 ;
5)选择想要下载代码文件的书籍。 
6)在下拉菜单中选择购买本书的方式。 
7)单击 Code Download。下载完成后,请用以下软件最新版本来解压文件夹: 

. WinRAR / 7-Zip for Windows。 
. Zipeg / iZip / UnRarX for Mac。 
. 7-Zip / PeaZip for Linux。

本书的代码包还托管在 GitHub上,https://github.com/PacktPublishing/Hands-On-Deep-Learning-with-TensorFlow。另外在 https://github.com/PacktPublishing/上的大量图书和视频目录中还有其他代码包。请查阅!勘误尽管已尽力确保内容准确,但仍然难免会有错误。如果读者在书中发现了错误、文本或代码错误,如果能及时告知,将不胜感激。这样会帮助其他读者,并有助于在本书的后续版本中进行完善。如果读者发现任何错误,请访问 http://www.packtpub.com/submit-errata告示。首先选择书名,点击勘误提交表单链接,然后输入详细的勘误内容。一旦通过验证,原书前言将会接受读者的提交并将勘误表上传网站,或在该标题的勘误部分下添加到现有的勘误表中。若要查看已提交的勘误表,请访问 https://www.packtpub.com/books/content/support,并在搜索栏中输入书名。相关信息将会显示在 Errata部分中。版权保护在互联网上受版权保护的资料,涉及的盗版问题是一个存在于所有媒体的严重问题。 Packt出版社非常重视保护版权和许可。如果读者在网上发现任何非法复制的作品,请立即提供地址和网址,以便追踪索赔。请通过 copyright@packtpub.com联系我们,并提供疑似盗版材料的链接。非常感谢您在保护作者和为您提供宝贵内容方面的帮助。问题如果读者对本书有任何问题,请通过 questions@packtpub.com联系我们,我们将竭尽全力为读者解决。 www.PacktPub.com电子书、折扣优惠等下载本书相关的文件资料,请访问 www.PacktPub.com。您是否知道 Packt出版社为每本出版发行的书籍都提供了电子书版本,其中包括 PDF和 ePub文件?您可以通过 www.PacktPub.com升级电子书版本,作为纸质版用户,还可以享受电子书的折扣。有关更多详细信息,请通过 customercare@packtpub.com与我们联系。在 www.PacktPub.com,读者还可以阅读免费技术文章,订阅一系列免费时事通信,并获得 Packt出版社纸质书和电子书的独家折扣和优惠。使用 Mapt可获得最需要的软件技能。 Mapt可让读者充分访问所有 Packt出版社的图书和视频课程,以及行业领先的工具,帮助读者规划个人发展并推动读者的事业发展。为什么订阅? . 可以在 Packt出版社发行的每本书中全面搜索。 
. 复制、粘贴、打印和标注内容。 
. 可通过 web浏览器访问。

本书审稿人 Radovan Kavicky是 GapData研究院的首席数据科学家和总裁( https://www.gapdata. org),该研究院总部设在斯洛伐克的布拉迪斯拉发市,致力于利用数据的力量和经济学智慧为公共利益服务。 Radovan Kavicky是一位具有教育和学术背景的宏观经济学家、专业咨询师和分析师(在公共和私营部门为客户提供咨询服务方面具有超过 8年的经验),他具有强大的数学和分析能力,能够提供顶级研究和分析工作。从 MATLAB、SAS和 Stata开始,目前转向 Python、R和 Tableau。他是斯洛伐克经济协会的成员,也是开放数据、开放预算举措和开放政府合作伙伴的传播者。他是 PyData Bratislava、R<-Slovakia和 SK/CZ Tableau用户组( skczTUG)的创始人。他曾在 TechSummit(Bratislava 2017)和 PyData(Berlin 2017)峰会上发表演讲,并且是全球 Tableau #DataLeader网络( 2017)的成员。读者可以在 Twitter上 @radovankavicky、@GapDataInst或 @PyDataBA关注他。其完整档案和经历可参阅网页 https://www.linkedin.com/in/radovankavicky/和 https://github.com/ radovankavicky。客户反馈意见感谢读者购买这本 Packt出版社出版的书籍。在 Packt出版社,质量是编辑过程的核心所在。为了帮助我们改进工作,请在本书的亚马逊网页 http://www.amazon.com/ dp/178712519X上留下诚恳的评论。如果读者想加入我们的特约审稿团队,可以发送电子邮件给我们: customerreviews@ packtpub.com。我们通过免费电子书和视频授予我们的特约审稿人以换取宝贵的反馈意见,以此帮助我们改进书籍的质量!

Python 深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案 pdf下载声明

本pdf资料下载仅供个人学习和研究使用,不能用于商业用途,请在下载后24小时内删除。如果喜欢,请购买正版

pdf下载地址

版权归出版社和作者所有,下载链接已删除。如果喜欢,请购买正版!

链接地址:Python 深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案