基于Java的深度学习
目录
前言
第1章 Java深度学习简介 1
11 技术要求 1
12 初识深度学习 2
121 反向传播 2
122 多层感知器 3
123 卷积神经网络 3
124 递归神经网络 3
125 为什么DL4J对深度学习很重要? 4
13 确定正确的网络类型来解决深度学习问题 4
131 实现过程 4
132 工作原理 4
133 相关内容 7
14 确定正确的激活函数 9
141 实现过程 9
142 工作原理 9
143 相关内容 10
15 解决过度拟合问题 10
151 实现过程 11
152 工作原理 11
153 相关内容 11
16 确定正确的批次大小和学习速率 12
161 实现过程 12
162 工作原理 12
163 相关内容 13
17 为DL4J配置 Maven 14
171 准备工作 14
172 实现过程 14
173 工作原理 15
18 为DL4J配置GPU加速环境 16
181 准备工作 16
182 实现过程 16
183 工作原理 17
184 相关内容 18
19 安装问题疑难解答 18
191 准备工作 19
192 实现过程 19
193 工作原理 19
194 相关内容 20
第2章 数据提取、转换和加载 23
21 技术要求 23
22 读取并迭代数据 24
221 准备工作 24
222 实现过程 24
223 工作原理 28
224 相关内容 32
23 执行模式转换 33
231 实现过程 33
232 工作原理 34
233 相关内容 34
24 构建转换过程 35
241 实现过程 35
242 工作原理 36
243 相关内容 36
25 序列化转换 37
251 实现过程 38
252 工作原理 38
26 执行转换过程 39
261 实现过程 39
262 工作原理 39
263 相关内容 40
27 规范化数据以提高网络效率 40
271 实现过程 40
272 工作原理 41
273 相关内容 42
第3章 二元分类的深层神经网络构建 43
31 技术要求 43
32 从CSV输入中提取数据 44
321 实现过程 44
322 工作原理 44
33 从数据中删除异常 45
331 实现过程 45
332 工作原理 46
333 相关内容 48
34 将转换应用于数据 49
341 实现过程 49
342 工作原理 50
35 为神经网络模型设计输入层 52
351 准备工作 52
352 实现过程 53
353 工作原理 53
36 为神经网络模型设计隐藏层 54
361 实现过程 54
362 工作原理 54
37 为神经网络模型设计输出层 54
371 实现过程 54
372 工作原理 55
38 训练和评估CSV数据的神经网络模型 55
381 实现过程 55
382 工作原理 57
383 相关内容 62
39 部署神经网络模型并将其用作API 63
391 准备工作 63
392 实现过程 64
393 工作原理 68
第4章 建立卷积神经网络 70
41 技术要求 70
42 从磁盘提取图像 71
421 实现过程 71
422 工作原理 72
43 为训练数据创建图像变体 73
431 实现过程 73
432 工作原理 73
433 相关内容 75
44 图像预处理和输入层设计 75
441 实现过程 75
442 工作原理 76
45 为CNN构造隐藏层 77
451 实现过程 77
452 工作原理 78
46 构建输出层以进行输出分类 78
461 实现过程 78
462 工作原理 78
47 训练图像并评估CNN输出 79
471 实现过程 79
472 工作原理 81
473 相关内容 81
48 为图像分类器创建API端点 82
481 实现过程 82
482 工作原理 87
第5章 实现自然语言处理 88
51 技术要求 89
52 数据要求 89
53 读取和加载文本数据 90
531 准备工作 90
532 实现过程 90
533 工作原理 92
534 相关内容 92
535 参考资料 92
54 分析词数据并训练模型 93
541 实现过程 93
542 工作原理 93
543 相关内容 94
55 评估模型 95
551 实现过程 95
552 工作原理 95
553 相关内容 96
56 从模型中生成图谱 96
561 准备工作 96
562 实现过程 96
563 工作原理 97
57 保存和重新加载模型 98
571 实现过程 99
572 工作原理 99
58 导入GoogleNews向量 99
581 实现过程 99
582 工作原理 100
583 相关内容 100
59 Word2Vec模型的故障诊断和调整 101
591 实现过程 101
592 工作原理 102
593 参考资料 103
510 使用CNNs使用 Word2Vec进行句子分类 103
5101 准备工作 104
5102 实现过程 105
5103 工作原理 107
5104 相关内容 107
511 使用Doc2Vec进行文档分类 109
5111 实现过程 109
5112 工作原理 111
第6章 构建时间序列的LSTM神经网络 114
61 技术要求 114
62 提取和读取临床数据 115
621 实现过程 115
622 工作原理 116
63 加载和转换数据 117
631 准备工作 117
632 实现过程 118
633 工作原理 118
64 构建网络输入层 119
641 实现过程 119
642 工作原理 120
65 构建网络输出层 121
651 实现过程 121
652 工作原理 121
66 训练时间序列数据 122
661 实现过程 122
662 工作原理 123
67 评估LSTM网络的效率 123
671 实现过程 123
672 工作原理 124
第7章 构建LSTM神经网络序列分类 125
71 技术要求 125
72 提取时间序列数据 127
721 实现过程 127
722 工作原理 128
73 加载训练数据 129
731 实现过程 130
732 工作原理 131
74 规范化训练数据 132
741 实现过程 132
742 工作原理 132
75 为网络构建输入层 133
751 实现过程 133
752 工作原理 134
76 为网络构建输出层 134
761 实现过程 134
762 工作原理 135
77 LSTM网络分类输出的评估 135
771 实现过程 135
772 工作原理 136
第8章 对非监督数据执行异常检测 139
81 技术要求 139
82 提取和准备 MNIST数据 140
821 实现过程 140
822 工作原理 141
83 为输入构造密集层 142
831 实现过程 142
832 工作原理 142
84 构造输出层 143
841 实现过程 143
842 工作原理 143
85 MNIST图像训练 144
851 实现过程 144
852 工作原理 144
86 根据异常得分评估和排序结果 145
861 实现过程 145
862 工作原理 146
87 保存结果模型 148
871 实现过程 148
872 工作原理 148
873 相关内容 148
第9章 使用RL4J进行强化学习 149
91 技术要求 149
92 设置 Malmo环境和各自的依赖项 152
921 准备工作 152
922 实现过程 152
923 工作原理 153
93 设置数据要求 153
931 实现过程 153
932 工作原理 157
933 参考资料 158
94 配置和训练DQN智能体 158
941 准备工作 158
942 实现过程 158
943 工作原理 160
944 相关内容 162
95 评估 Malmo智能体 162
951 准备工作 162
952 实现过程 163
953 工作原理 163
第10章 在分布式环境中开发应用程序 165
101 技术要求 165
102 设置DL4J和所需的依赖项 166
1021 准备工作 166
1022 实现过程 167
1023 工作原理 173
103 创建用于训练的uber-JAR 174
1031 实现过程 174
1032 工作原理 175
104 训练用的CPU/GPU特定配置 176
1041 实现过程 176
1042 工作原理 176
1043 更多内容 177
105 Spark的内存设置和垃圾回收 177
1051 实现过程 177
1052 工作原理 178
1053 更多内容 179
106 配置编码阈值 181
1061 实现过程 181
1062 工作原理 181
1063 更多内容 182
107 执行分布式测试集评估 182
1071 实现过程 182
1072 工作原理 186
108 保存和加载训练过的神经网络模型 187
1081 实现过程 187
1082 工作原理 188
1083 更多内容 188
109 执行分布式推理 188
1091 实现过程 188
1092 工作原理 189
第11章 迁移学习在网络模型中的应用 190
111 技术要求 190
112 修改当前的客户保留模型 190
1121 实现过程 191
1122 工作原理 192
1123 更多内容 195
113 微调学习配置 196
1131 实现过程 196
1132 工作原理 197
114 冻结层的实现 197
1141 实现过程 198
1142 工作原理 198
115 导入和加载Keras模型和层 198
1151 准备工作 198
1152 实现过程 199
1153 工作原理 199
第12章 基准测试和神经网络优化 201
121 技术要求 201
122 DL4J/ND4J特定的配置 203
1221 准备工作 230 '203
1222 实现过程 203
1223 工作原理 204
1224 更多内容 206
123 设置堆空间和垃圾回收 207
1231 实现过程 207
1232 工作原理 209
1233 更多内容 210
1234 其他参阅 210
124 使用异步ETL 210
1241 实现过程 210
1242 工作原理 211
1243 更多内容 211
125 利用仲裁器监测神经网络行为 212
1251 实现过程 212
1252 工作原理 213
126 执行超参数调整 213
1261 实现过程 214
1262 工作原理 217
前言
第1章 Java深度学习简介 1
11 技术要求 1
12 初识深度学习 2
121 反向传播 2
122 多层感知器 3
123 卷积神经网络 3
124 递归神经网络 3
125 为什么DL4J对深度学习很重要? 4
13 确定正确的网络类型来解决深度学习问题 4
131 实现过程 4
132 工作原理 4
133 相关内容 7
14 确定正确的激活函数 9
141 实现过程 9
142 工作原理 9
143 相关内容 10
15 解决过度拟合问题 10
151 实现过程 11
152 工作原理 11
153 相关内容 11
16 确定正确的批次大小和学习速率 12
161 实现过程 12
162 工作原理 12
163 相关内容 13
17 为DL4J配置 Maven 14
171 准备工作 14
172 实现过程 14
173 工作原理 15
18 为DL4J配置GPU加速环境 16
181 准备工作 16
182 实现过程 16
183 工作原理 17
184 相关内容 18
19 安装问题疑难解答 18
191 准备工作 19
192 实现过程 19
193 工作原理 19
194 相关内容 20
第2章 数据提取、转换和加载 23
21 技术要求 23
22 读取并迭代数据 24
221 准备工作 24
222 实现过程 24
223 工作原理 28
224 相关内容 32
23 执行模式转换 33
231 实现过程 33
232 工作原理 34
233 相关内容 34
24 构建转换过程 35
241 实现过程 35
242 工作原理 36
243 相关内容 36
25 序列化转换 37
251 实现过程 38
252 工作原理 38
26 执行转换过程 39
261 实现过程 39
262 工作原理 39
263 相关内容 40
27 规范化数据以提高网络效率 40
271 实现过程 40
272 工作原理 41
273 相关内容 42
第3章 二元分类的深层神经网络构建 43
31 技术要求 43
32 从CSV输入中提取数据 44
321 实现过程 44
322 工作原理 44
33 从数据中删除异常 45
331 实现过程 45
332 工作原理 46
333 相关内容 48
34 将转换应用于数据 49
341 实现过程 49
342 工作原理 50
35 为神经网络模型设计输入层 52
351 准备工作 52
352 实现过程 53
353 工作原理 53
36 为神经网络模型设计隐藏层 54
361 实现过程 54
362 工作原理 54
37 为神经网络模型设计输出层 54
371 实现过程 54
372 工作原理 55
38 训练和评估CSV数据的神经网络模型 55
381 实现过程 55
382 工作原理 57
383 相关内容 62
39 部署神经网络模型并将其用作API 63
391 准备工作 63
392 实现过程 64
393 工作原理 68
第4章 建立卷积神经网络 70
41 技术要求 70
42 从磁盘提取图像 71
421 实现过程 71
422 工作原理 72
43 为训练数据创建图像变体 73
431 实现过程 73
432 工作原理 73
433 相关内容 75
44 图像预处理和输入层设计 75
441 实现过程 75
442 工作原理 76
45 为CNN构造隐藏层 77
451 实现过程 77
452 工作原理 78
46 构建输出层以进行输出分类 78
461 实现过程 78
462 工作原理 78
47 训练图像并评估CNN输出 79
471 实现过程 79
472 工作原理 81
473 相关内容 81
48 为图像分类器创建API端点 82
481 实现过程 82
482 工作原理 87
第5章 实现自然语言处理 88
51 技术要求 89
52 数据要求 89
53 读取和加载文本数据 90
531 准备工作 90
532 实现过程 90
533 工作原理 92
534 相关内容 92
535 参考资料 92
54 分析词数据并训练模型 93
541 实现过程 93
542 工作原理 93
543 相关内容 94
55 评估模型 95
551 实现过程 95
552 工作原理 95
553 相关内容 96
56 从模型中生成图谱 96
561 准备工作 96
562 实现过程 96
563 工作原理 97
57 保存和重新加载模型 98
571 实现过程 99
572 工作原理 99
58 导入GoogleNews向量 99
581 实现过程 99
582 工作原理 100
583 相关内容 100
59 Word2Vec模型的故障诊断和调整 101
591 实现过程 101
592 工作原理 102
593 参考资料 103
510 使用CNNs使用 Word2Vec进行句子分类 103
5101 准备工作 104
5102 实现过程 105
5103 工作原理 107
5104 相关内容 107
511 使用Doc2Vec进行文档分类 109
5111 实现过程 109
5112 工作原理 111
第6章 构建时间序列的LSTM神经网络 114
61 技术要求 114
62 提取和读取临床数据 115
621 实现过程 115
622 工作原理 116
63 加载和转换数据 117
631 准备工作 117
632 实现过程 118
633 工作原理 118
64 构建网络输入层 119
641 实现过程 119
642 工作原理 120
65 构建网络输出层 121
651 实现过程 121
652 工作原理 121
66 训练时间序列数据 122
661 实现过程 122
662 工作原理 123
67 评估LSTM网络的效率 123
671 实现过程 123
672 工作原理 124
第7章 构建LSTM神经网络序列分类 125
71 技术要求 125
72 提取时间序列数据 127
721 实现过程 127
722 工作原理 128
73 加载训练数据 129
731 实现过程 130
732 工作原理 131
74 规范化训练数据 132
741 实现过程 132
742 工作原理 132
75 为网络构建输入层 133
751 实现过程 133
752 工作原理 134
76 为网络构建输出层 134
761 实现过程 134
762 工作原理 135
77 LSTM网络分类输出的评估 135
771 实现过程 135
772 工作原理 136
第8章 对非监督数据执行异常检测 139
81 技术要求 139
82 提取和准备 MNIST数据 140
821 实现过程 140
822 工作原理 141
83 为输入构造密集层 142
831 实现过程 142
832 工作原理 142
84 构造输出层 143
841 实现过程 143
842 工作原理 143
85 MNIST图像训练 144
851 实现过程 144
852 工作原理 144
86 根据异常得分评估和排序结果 145
861 实现过程 145
862 工作原理 146
87 保存结果模型 148
871 实现过程 148
872 工作原理 148
873 相关内容 148
第9章 使用RL4J进行强化学习 149
91 技术要求 149
92 设置 Malmo环境和各自的依赖项 152
921 准备工作 152
922 实现过程 152
923 工作原理 153
93 设置数据要求 153
931 实现过程 153
932 工作原理 157
933 参考资料 158
94 配置和训练DQN智能体 158
941 准备工作 158
942 实现过程 158
943 工作原理 160
944 相关内容 162
95 评估 Malmo智能体 162
951 准备工作 162
952 实现过程 163
953 工作原理 163
第10章 在分布式环境中开发应用程序 165
101 技术要求 165
102 设置DL4J和所需的依赖项 166
1021 准备工作 166
1022 实现过程 167
1023 工作原理 173
103 创建用于训练的uber-JAR 174
1031 实现过程 174
1032 工作原理 175
104 训练用的CPU/GPU特定配置 176
1041 实现过程 176
1042 工作原理 176
1043 更多内容 177
105 Spark的内存设置和垃圾回收 177
1051 实现过程 177
1052 工作原理 178
1053 更多内容 179
106 配置编码阈值 181
1061 实现过程 181
1062 工作原理 181
1063 更多内容 182
107 执行分布式测试集评估 182
1071 实现过程 182
1072 工作原理 186
108 保存和加载训练过的神经网络模型 187
1081 实现过程 187
1082 工作原理 188
1083 更多内容 188
109 执行分布式推理 188
1091 实现过程 188
1092 工作原理 189
第11章 迁移学习在网络模型中的应用 190
111 技术要求 190
112 修改当前的客户保留模型 190
1121 实现过程 191
1122 工作原理 192
1123 更多内容 195
113 微调学习配置 196
1131 实现过程 196
1132 工作原理 197
114 冻结层的实现 197
1141 实现过程 198
1142 工作原理 198
115 导入和加载Keras模型和层 198
1151 准备工作 198
1152 实现过程 199
1153 工作原理 199
第12章 基准测试和神经网络优化 201
121 技术要求 201
122 DL4J/ND4J特定的配置 203
1221 准备工作 230 '203
1222 实现过程 203
1223 工作原理 204
1224 更多内容 206
123 设置堆空间和垃圾回收 207
1231 实现过程 207
1232 工作原理 209
1233 更多内容 210
1234 其他参阅 210
124 使用异步ETL 210
1241 实现过程 210
1242 工作原理 211
1243 更多内容 211
125 利用仲裁器监测神经网络行为 212
1251 实现过程 212
1252 工作原理 213
126 执行超参数调整 213
1261 实现过程 214
1262 工作原理 217
Rahul Raj在软件开发，业务分析，客户沟通以及在多个领域的中/大型项目咨询中拥有超过7年的IT行业经验。目前，他在软件开发公司担任首席软件工程师。在开发活动方面拥有丰富的经验，包括需求分析，设计，编码，实现，代码审查，测试，用户培训和增强。他撰写了许多有关Java中神经网络的文章，并且在DL4J / Java官方频道中也有介绍。他还是由印度的政府认证机构Vskills认证的认证机器学习专家。
本书首先展示如何在系统上安装和配置Java和DL4J,然后深入讲解了深度学习基础知识,并创建了一个深度神经网络进行二元分类。其次,本书介绍了如何在DL4J中构建卷积神经网络(CNN),以及如何用文本构建数字向量,还介绍了对非监督数据的异常检测,以及如何有效地在分布式系统中建立神经网络。除此之外,讲解了如何从Keras导入模型以及如何在预训练的DL4J模型中更改配置。后,介绍了DL4J中的基准测试并优化神经网络以获得结果。
本书适合想要在Java中使用DL4J构建健壮的深度学习应用程序的读者,阅读本书需要具备深度学习基础知识和一定的编程基础。
Copyright?2019PacktPublishing.FirstpublishedintheEnglishlanguageunderthetitle ‘Java DeepLearningCookbook’. 本书简体中文版专有出版权由英国PacktPublishing公司授予中国电力出版社。未经许可,不得以任何方式复制或传播本书的任何部分。专有出版权受法律保护。
本书适合想要在Java中使用DL4J构建健壮的深度学习应用程序的读者,阅读本书需要具备深度学习基础知识和一定的编程基础。
Copyright?2019PacktPublishing.FirstpublishedintheEnglishlanguageunderthetitle ‘Java DeepLearningCookbook’. 本书简体中文版专有出版权由英国PacktPublishing公司授予中国电力出版社。未经许可,不得以任何方式复制或传播本书的任何部分。专有出版权受法律保护。
比价列表价格走势
公众号、微信群
缺书网微信公众号
扫码进群实时获取购书优惠