《基於Java的深度學習》是一本2021年出版的圖書，由中國電力出版社出版。
基本介紹
- 中文名：基於Java的深度學習
- 作者：[印]拉胡爾·拉吉
- 出版時間：2021年
- 出版社：中國電力出版社
- ISBN：9787519854294
- 類別：深度學習與神經網路
- 開本：16 開
- 裝幀：平裝-膠訂
內容簡介,圖書目錄,作者簡介,
內容簡介
本書首先展示如何在系統上安裝和配置Java和DL4J,然後深入講解了深度學習基礎知識,並創建了一個深度神經網路進行二元分類。其次,本書介紹了如何在DL4J中構建卷積神經網路(CNN),以及如何用文本構建數字向量,還介紹了對非監督數據的異常檢測,以及如何有效地在分散式系統中建立神經網路。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。後,介紹了DL4J中的基準測試並最佳化神經網路以獲得結果。
本書適合想要在Java中使用DL4J構建健壯的深度學習應用程式的讀者,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著作權由英國PacktPublishing公司授予中國電力出版社。未經許可,不得以任何方式複製或傳播本書的任何部分。專有出著作權受法律保護。
圖書目錄
前言
第1章 Java深度學習簡介 1
11 技術要求 1
12 初識深度學習 2
121 反向傳播 2
122 多層感知器 3
123 卷積神經網路 3
124 遞歸神經網路 3
125 為什麼DL4J對深度學習很重要? 4
13 確定正確的網路類型來解決深度學習問題 4
131 實現過程 4
132 工作原理 4
133 相關內容 7
14 確定正確的激活函式 9
141 實現過程 9
142 工作原理 9
143 相關內容 10
15 解決過度擬合問題 10
151 實現過程 11
152 工作原理 11
153 相關內容 11
16 確定正確的批次大小和學習速率 12
161 實現過程 12
162 工作原理 12
163 相關內容 13
17 為DL4J配置 Maven 14
171 準備工作 14
172 實現過程 14
173 工作原理 15
18 為DL4J配置GPU加速環境 16
181 準備工作 16
182 實現過程 16
183 工作原理 17
184 相關內容 18
19 安裝問題疑難解答 18
191 準備工作 19
192 實現過程 19
193 工作原理 19
194 相關內容 20
第2章 數據提取、轉換和載入 23
21 技術要求 23
22 讀取并迭代數據 24
221 準備工作 24
222 實現過程 24
223 工作原理 28
224 相關內容 32
23 執行模式轉換 33
231 實現過程 33
232 工作原理 34
233 相關內容 34
24 構建轉換過程 35
241 實現過程 35
242 工作原理 36
243 相關內容 36
25 序列化轉換 37
251 實現過程 38
252 工作原理 38
26 執行轉換過程 39
261 實現過程 39
262 工作原理 39
263 相關內容 40
27 規範化數據以提高網路效率 40
271 實現過程 40
272 工作原理 41
273 相關內容 42
第3章 二元分類的深層神經網路構建 43
31 技術要求 43
32 從CSV輸入中提取數據 44
321 實現過程 44
322 工作原理 44
33 從數據中刪除異常 45
331 實現過程 45
332 工作原理 46
333 相關內容 48
34 將轉換套用於數據 49
341 實現過程 49
342 工作原理 50
35 為神經網路模型設計輸入層 52
351 準備工作 52
352 實現過程 53
353 工作原理 53
36 為神經網路模型設計隱藏層 54
361 實現過程 54
362 工作原理 54
37 為神經網路模型設計輸出層 54
371 實現過程 54
372 工作原理 55
38 訓練和評估CSV數據的神經網路模型 55
381 實現過程 55
382 工作原理 57
383 相關內容 62
39 部署神經網路模型並將其用作API 63
391 準備工作 63
392 實現過程 64
393 工作原理 68
第4章 建立卷積神經網路 70
41 技術要求 70
42 從磁碟提取圖像 71
421 實現過程 71
422 工作原理 72
43 為訓練數據創建圖像變體 73
431 實現過程 73
432 工作原理 73
433 相關內容 75
44 圖像預處理和輸入層設計 75
441 實現過程 75
442 工作原理 76
45 為CNN構造隱藏層 77
451 實現過程 77
452 工作原理 78
46 構建輸出層以進行輸出分類 78
461 實現過程 78
462 工作原理 78
47 訓練圖像並評估CNN輸出 79
471 實現過程 79
472 工作原理 81
473 相關內容 81
48 為圖像分類器創建API端點 82
481 實現過程 82
482 工作原理 87
第5章 實現自然語言處理 88
51 技術要求 89
52 數據要求 89
53 讀取和載入文本數據 90
531 準備工作 90
532 實現過程 90
533 工作原理 92
534 相關內容 92
535 參考資料 92
54 分析詞數據並訓練模型 93
541 實現過程 93
542 工作原理 93
543 相關內容 94
55 評估模型 95
551 實現過程 95
552 工作原理 95
553 相關內容 96
56 從模型中生成圖譜 96
561 準備工作 96
562 實現過程 96
563 工作原理 97
57 保存和重新載入模型 98
571 實現過程 99
572 工作原理 99
58 導入GoogleNews向量 99
581 實現過程 99
582 工作原理 100
583 相關內容 100
59 Word2Vec模型的故障診斷和調整 101
591 實現過程 101
592 工作原理 102
593 參考資料 103
510 使用CNNs使用 Word2Vec進行句子分類 103
5101 準備工作 104
5102 實現過程 105
5103 工作原理 107
5104 相關內容 107
511 使用Doc2Vec進行文檔分類 109
5111 實現過程 109
5112 工作原理 111
第6章 構建時間序列的LSTM神經網路 114
61 技術要求 114
62 提取和讀取臨床數據 115
621 實現過程 115
622 工作原理 116
63 載入和轉換數據 117
631 準備工作 117
632 實現過程 118
633 工作原理 118
64 構建網路輸入層 119
641 實現過程 119
642 工作原理 120
65 構建網路輸出層 121
651 實現過程 121
652 工作原理 121
66 訓練時間序列數據 122
661 實現過程 122
662 工作原理 123
67 評估LSTM網路的效率 123
671 實現過程 123
672 工作原理 124
第7章 構建LSTM神經網路序列分類 125
71 技術要求 125
72 提取時間序列數據 127
721 實現過程 127
722 工作原理 128
73 載入訓練數據 129
731 實現過程 130
732 工作原理 131
74 規範化訓練數據 132
741 實現過程 132
742 工作原理 132
75 為網路構建輸入層 133
751 實現過程 133
752 工作原理 134
76 為網路構建輸出層 134
761 實現過程 134
762 工作原理 135
77 LSTM網路分類輸出的評估 135
771 實現過程 135
772 工作原理 136
第8章 對非監督數據執行異常檢測 139
81 技術要求 139
82 提取和準備 MNIST數據 140
821 實現過程 140
822 工作原理 141
83 為輸入構造密集層 142
831 實現過程 142
832 工作原理 142
84 構造輸出層 143
841 實現過程 143
842 工作原理 143
85 MNIST圖像訓練 144
851 實現過程 144
852 工作原理 144
86 根據異常得分評估和排序結果 145
861 實現過程 145
862 工作原理 146
87 保存結果模型 148
871 實現過程 148
872 工作原理 148
873 相關內容 148
第9章 使用RL4J進行強化學習 149
91 技術要求 149
92 設定 Malmo環境和各自的依賴項 152
921 準備工作 152
922 實現過程 152
923 工作原理 153
93 設定數據要求 153
931 實現過程 153
932 工作原理 157
933 參考資料 158
94 配置和訓練DQN智慧型體 158
941 準備工作 158
942 實現過程 158
943 工作原理 160
944 相關內容 162
95 評估 Malmo智慧型體 162
951 準備工作 162
952 實現過程 163
953 工作原理 163
第10章 在分散式環境中開發應用程式 165
101 技術要求 165
102 設定DL4J和所需的依賴項 166
1021 準備工作 166
1022 實現過程 167
1023 工作原理 173
103 創建用於訓練的uber-JAR 174
1031 實現過程 174
1032 工作原理 175
104 訓練用的CPU/GPU特定配置 176
1041 實現過程 176
1042 工作原理 176
1043 更多內容 177
105 Spark的記憶體設定和垃圾回收 177
1051 實現過程 177
1052 工作原理 178
1053 更多內容 179
106 配置編碼閾值 181
1061 實現過程 181
1062 工作原理 181
1063 更多內容 182
107 執行分散式測試集評估 182
1071 實現過程 182
1072 工作原理 186
108 保存和載入訓練過的神經網路模型 187
1081 實現過程 187
1082 工作原理 188
1083 更多內容 188
109 執行分散式推理 188
1091 實現過程 188
1092 工作原理 189
第11章 遷移學習在網路模型中的套用 190
111 技術要求 190
112 修改當前的客戶保留模型 190
1121 實現過程 191
1122 工作原理 192
1123 更多內容 195
113 微調學習配置 196
1131 實現過程 196
1132 工作原理 197
114 凍結層的實現 197
1141 實現過程 198
1142 工作原理 198
115 導入和載入Keras模型和層 198
1151 準備工作 198
1152 實現過程 199
1153 工作原理 199
第12章 基準測試和神經網路最佳化 201
121 技術要求 201
122 DL4J/ND4J特定的配置 203
1221 準備工作 230 '203
1222 實現過程 203
1223 工作原理 204
1224 更多內容 206
123 設定堆空間和垃圾回收 207
1231 實現過程 207
1232 工作原理 209
1233 更多內容 210
1234 其他參閱 210
124 使用異步ETL 210
1241 實現過程 210
1242 工作原理 211
1243 更多內容 211
125 利用仲裁器監測神經網路行為 212
1251 實現過程 212
1252 工作原理 213
126 執行超參數調整 213
1261 實現過程 214
1262 工作原理 217
作者簡介
Rahul Raj在軟體開發，業務分析，客戶溝通以及在多個領域的中/大型項目諮詢中擁有超過7年的IT行業經驗。目前，他在軟體開發公司擔任首席軟體工程師。在開發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中神經網路的文章，並且在DL4J / Java官方頻道中也有介紹。他還是由印度的政府認證機構Vskills認證的認證機器學習專家。
