深度學(xué)習(xí)實(shí)戰(zhàn)

目錄
前言1
第1章　工具與技術(shù)9
1.1 神經(jīng)網(wǎng)絡(luò)的類(lèi)型9
1.2 數(shù)據(jù)獲取19
1.3 數(shù)據(jù)預(yù)處理27
第2章　擺脫困境34
2.1 確定我們遇到的問(wèn)題34
2.2 解決運(yùn)行過(guò)程中的錯(cuò)誤36
2.3 檢查中間結(jié)果38
2.4 為最后一層選擇正確的激活函數(shù)39
2.5 正則化和Dropout40
2.6 網(wǎng)絡(luò)結(jié)構(gòu)、批尺寸和學(xué)習(xí)率42
第3章　使用詞嵌入計(jì)算文本相似性44
3.1 使用預(yù)訓(xùn)練的詞嵌入發(fā)現(xiàn)詞的相似性45
3.2 Word2vec數(shù)學(xué)特性47
3.3 可視化詞嵌入49
3.4 在詞嵌入中發(fā)現(xiàn)實(shí)體類(lèi)51
3.5 計(jì)算類(lèi)內(nèi)部的語(yǔ)義距離55
3.6 在地圖上可視化國(guó)家數(shù)據(jù)57
第4章　基于維基百科外部鏈接構(gòu)建推薦系統(tǒng)58
4.1 收集數(shù)據(jù)58
4.2 訓(xùn)練電影嵌入62
4.3 構(gòu)建電影推薦系統(tǒng)66
4.4 預(yù)測(cè)簡(jiǎn)單的電影屬性67
第5章　按照示例文本的風(fēng)格生成文本69
5.1 獲取公開(kāi)領(lǐng)域書(shū)籍文本69
5.2 生成類(lèi)似莎士比亞的文本70
5.3 使用RNN編寫(xiě)代碼74
5.4 控制輸出溫度76
5.5 可視化循環(huán)神經(jīng)網(wǎng)絡(luò)的活躍程度78
第6章　問(wèn)題匹配80
6.1 從Stack Exchange網(wǎng)站獲取數(shù)據(jù)80
6.2 使用Pandas探索數(shù)據(jù)82
6.3 使用Keras對(duì)文本進(jìn)行特征化83
6.4 構(gòu)建問(wèn)答模型84
6.5 用Pandas訓(xùn)練模型86
6.6 檢查相似性88
第7章　推薦表情符號(hào)90
7.1 構(gòu)建一個(gè)簡(jiǎn)單的情感分類(lèi)器90
7.2 檢驗(yàn)一個(gè)簡(jiǎn)單的分類(lèi)器93
7.3 使用卷積網(wǎng)絡(luò)進(jìn)行情感分析95
7.4 收集Twitter數(shù)據(jù)97
7.5 一個(gè)簡(jiǎn)單的表情符號(hào)預(yù)測(cè)器99
7.6 Dropout和多層窗口100
7.7 構(gòu)建單詞級(jí)模型102
7.8 構(gòu)建你自己的嵌入104
7.9 使用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行分類(lèi)106
7.10 可視化一致性/不一致性108
7.11 組合模型111
第8章　Sequence-to-Sequence映射113
8.1 訓(xùn)練一個(gè)簡(jiǎn)單的Sequence-to-Sequence模型113
8.2 從文本中提取對(duì)話115
8.3 處理開(kāi)放詞匯表117
8.4 訓(xùn)練seq2seq 聊天機(jī)器人119
第9章　復(fù)用預(yù)訓(xùn)練的圖像識(shí)別網(wǎng)絡(luò)123
9.1 加載預(yù)訓(xùn)練網(wǎng)絡(luò)124
9.2 圖像預(yù)處理124
9.3 推測(cè)圖像內(nèi)容126
9.4 使用Flickr API收集一組帶標(biāo)簽的圖像128
9.5 構(gòu)建一個(gè)分辨貓狗的分類(lèi)器129
9.6 改進(jìn)搜索結(jié)果131
9.7 復(fù)訓(xùn)圖像識(shí)別網(wǎng)絡(luò)133
第10章　構(gòu)建反向圖像搜索服務(wù)137
10.1 從維基百科中獲取圖像137
10.2 向N維空間投影圖像140
10.3 在高維空間中尋找最近鄰141
10.4 探索嵌入中的局部鄰域143
第11章　檢測(cè)多幅圖像145
11.1 使用預(yù)訓(xùn)練的分類(lèi)器檢測(cè)多個(gè)圖像145
11.2 使用Faster RCNN進(jìn)行目標(biāo)檢測(cè)149
11.3 在自己的圖像上運(yùn)行Faster RCNN152
第12章　圖像風(fēng)格155
12.1 可視化卷積神經(jīng)網(wǎng)絡(luò)激活值156
12.2 尺度和縮放159
12.3 可視化神經(jīng)網(wǎng)絡(luò)所見(jiàn)161
12.4 捕捉圖像風(fēng)格164
12.5 改進(jìn)損失函數(shù)以提升圖像相干性168
12.6 將風(fēng)格遷移至不同圖像169
12.7 風(fēng)格內(nèi)插171
第13章　用自編碼器生成圖像173
13.1 從Google Quick Draw中導(dǎo)入繪圖174
13.2 為圖像創(chuàng)建自編碼器176
13.3 可視化自編碼器結(jié)果178
13.4 從正確的分布中采樣圖像180
13.5 可視化變分自編碼器空間183
13.6 條件變分編碼器185
第14章　使用深度網(wǎng)絡(luò)生成圖標(biāo)189
14.1 獲得訓(xùn)練用的圖標(biāo)190
14.2 將圖標(biāo)轉(zhuǎn)換為張量表示193
14.3 使用變分自編碼器生成圖標(biāo)194
14.4 使用數(shù)據(jù)擴(kuò)充提升自編碼器的性能196
14.5 構(gòu)建生成式對(duì)抗網(wǎng)絡(luò)198
14.6 訓(xùn)練生成式對(duì)抗網(wǎng)絡(luò)200
14.7 顯示GAN生成的圖標(biāo)202
14.8 將圖標(biāo)編碼成繪圖指令204
14.9 訓(xùn)練RNN繪制圖標(biāo)205
14.10 使用RNN生成圖標(biāo)207
第15章　音樂(lè)與深度學(xué)習(xí)210
15.1 為音樂(lè)分類(lèi)器創(chuàng)建訓(xùn)練數(shù)據(jù)集211
15.2 訓(xùn)練音樂(lè)風(fēng)格檢測(cè)器213
15.3 對(duì)混淆情況進(jìn)行可視化215
15.4 為已有的音樂(lè)編制索引217
15.5 設(shè)置Spotify API219
15.6 從Spotify中收集播放列表和歌曲221
15.7 訓(xùn)練音樂(lè)推薦系統(tǒng)224
15.8 使用Word2vec模型推薦歌曲225
第16章　生產(chǎn)化部署機(jī)器學(xué)習(xí)系統(tǒng)228
16.1 使用scikit-learn最近鄰計(jì)算嵌入229
16.2 使用Postgres存儲(chǔ)嵌入230
16.3 填充和查詢(xún)Postgres存儲(chǔ)的嵌入231
16.4 在Postgres中存儲(chǔ)高維模型233
16.5 使用Python編寫(xiě)微服務(wù)234
16.6 使用微服務(wù)部署Keras模型236
16.7 從Web框架中調(diào)用微服務(wù)237
16.8 Tensorflow seq2seq模型238
16.9 在瀏覽器中執(zhí)行深度學(xué)習(xí)模型240
16.10 使用TensorFlow服務(wù)執(zhí)行Keras模型243
16.11 在iOS中使用Keras模型245