《深度學習實戰手冊（R語言版）》是2020年1月人民郵電出版社出版的圖書，作者是[印度]普拉卡什、 阿丘圖尼·斯里·克里希納·拉奧。
基本介紹
- 中文名：深度學習實戰手冊（R語言版）
- 作者：[印度]普拉卡什、阿丘圖尼·斯里·克里希納·拉奧
- 出版社：人民郵電出版社
- 出版時間：2020年1月
- 頁數：224 頁
- 定價：79 元
- 開本：小16開
- 裝幀：平裝
- ISBN：9787115524256
內容簡介,圖書目錄,
內容簡介
本書介紹使用 R 語言和深度學習庫 TensorFlow、H2O 和 MXNet 構建不同的深度學習模型的方法和原理。本書共 10 章，其中第 1、2 章介紹如何在 R 中配置不同的深度學習庫以及如何構建神經網路；第 3 ～ 7 章介紹卷積神經網路、自動編碼器、生成模型、循環神經網路和強化學習的構建方法和原理；第 8、9 章介紹深度學習在文本挖掘以及信號處理中的套用；第 10 章介紹遷移學習以及如何利用 GPU 部署深度學習模型。
本書的結構簡單明了，每部分由準備環節、動手操作和工作原理組成，可強化讀者的學習；內容上覆蓋了深度學習領域常見的神經網路類型，並介紹了使用場景。同時，書中包含大量實用的示例代碼，方便讀者套用到實際項目中。
本書適合有一定 R 語言編程基礎，並且希望使用 R 語言快速開展深度學習項目的軟體工程師或高校師生、科研人員閱讀。
圖書目錄
第 1章 入門 1
1.1 介紹 1
1.2 安裝 R 及其 IDE 2
1.2.1 準備 2
1.2.2 怎么做 2
1.3 安裝 Jupyter Notebook 套用 3
1.3.1 怎么做 3
1.3.2 更多內容 5
1.4 從 R 機器學習基礎開始 5
1.4.1 怎么做 6
1.4.2 工作原理 9
1.5 在 R 中安元仔少裝深度學習的工具 / 包 11
1.6 在 R 中安裝 MXNet 11
1.6.1 做好準備 11
1.6.2 怎么做 12
1.7 在 R 中安裝 TensorFlow 13
1.7.1 做好準備 13
1.7.2 怎么做 14
1.7.3 工作原理 15
1.8 在 R 中安裝 H2O 15
1.8.1 做好準備 15
1.8.2 怎么做 16
1.8.3 工作原理 17
1.8.4 更多內容 20
1.9 使用 Docker 一次安裝 3 個包 20
1.9.1 做好準備 20
1.9.2 怎么做 21
1.9.3 更多內容 22
第 2章 R深度學習 23
2.1 始於邏輯回歸 23
2.1.1 做好準備 23
2.1.2 怎么做 24
2.2 介紹數據集 25
2.2.1 做好準備 25
2.2.2 怎么做 25
2.3 使用 H2O 執行邏輯回歸 26
2.3.1 做好準備 26
2.3.2 怎么做 27
2.3.3 工作原理 28
2.4 使用 TensorFlow 執行邏輯回歸 30
2.4.1 做好準備 30
2.4.2 怎么做 30
2.4.3 工作原理 32
2.5 可視化 TensorFlow 圖 33
2.5.1 做好準備 33
2.5.2 怎么做 34
2.5.3 雅肯甩工院故作原理 36
2.6 從多層感知器開始 37
2.6.1 做好準備 37
2.6.2 陵膠奔葛怎么做 38
2.6.3 更多內容 38
2.7 使用 H2O 建立神經網路 39
2.7.1 做好準備 39
2.7.2 怎么做 39
2.7.3 工作原理 41
2.8 使用 H2O 中的格線搜尋調整超參數 42
2.8.1 做好準備 42
2.8.2 怎么做 42
2.8.3 工作原理 43
2.9 使用 MXNet 建立神經網路 44
2.9.1 做好準備 44
2.9.2 怎么做 44
2.9.3 工作原理講立察陵 46
2.10 使用 TensorFlow 建立神經網路 46
2.10.1 做好準備 46
2.10.2 怎么做 46
2.10.3 工作原理 49
2.10.4 更多內容 50
第3章 卷積神經網路 52
3.1 介紹 52
3.2 下載並配置圖像數據集 53
3.2.1 做好準備 54
3.2.2 怎么做 54
3.2.3 工作原理 鞏棄抹57
3.3 學習 CNN 分類器的架構 58
3.3.1 做好準備 58
3.3.2 怎么做 58
3.3.3 工作原理 59
3.4 使用函式初始化權重和偏差 60
3.4.1 做好準備 61
3.4.2 怎么做 61
3.4.3 工作原理 61
3.5 使用函式創建一個新的卷積層 61
3.5.1 做好準備 61
3.5.2 怎么做 62
3.5.3 工作原理 64
3.6 使用函式創建一個扁平化的卷積層 65
3.6.1 做好準備 65
3.6.2 怎么做 65
3.6.3 工作原理 65
3.7 使用函式扁平化密集連線層 66
3.7.1 做好準備 66
3.7.2 怎么做 66
3.7.3 工作原理 67
3.8 定義占位符變數 67
3.8.1 做好準備 67
3.8.2 怎么做 67
3.8.3 工作原理 68
3.9 創建第 一個卷煉譽備積層 68
3.9.1 做好準備 69
3.9.2 怎么做 69
3.9.3 工作原理 70
3.10 創建第二個卷積層 70
3.10.1 做好準備 70
3.10.2 怎么做 71
3.10.3 工作原理 71
3.11 扁平化第二個卷積層 72
3.11.1 做好準備 72
3.11.2 怎么做 72
3.11.3 工作原理 72
3.12 創建第 一個完全連線的層 73
3.12.1 做好準備 73
3.12.2 怎么做 73
3.12.3 工作原理 73
3.13 將 dropout 套用於第 一個完全連線的層 73
3.13.1 做好準備 74
3.13.2 怎么做 74
3.13.3 工作原理 74
3.14 創建第二個帶有 dropout 的完全連線層 74
3.14.1 做好準備 74
3.14.2 怎么做 75
3.14.3 工作原理 75
3.15 套用 Softmax 激活以獲得預測的類 75
3.15.1 做好準備 75
3.15.2 怎么做 75
3.16 定義用於最佳化的成本函式 76
3.16.1 做好準備 76
3.16.2 怎么做 76
3.16.3 工作原理 76
3.17 執行梯度下降成本最佳化 77
3.17.1 做好準備 77
3.17.2 怎么做 77
3.18 在 TensorFlow 會話中執行圖 77
3.18.1 做好準備 77
3.18.2 怎么做 78
3.18.3 工作原理 78
3.19 評估測試數據的性能 79
3.19.1 做好準備 79
3.19.2 怎么做 79
3.19.3 工作原理 81
第4章 使用自動編碼器的數據表示 83
4.1 介紹 83
4.2 構建自動編碼器 84
4.2.1 做好準備 85
4.2.2 怎么做 85
4.3 數據歸一化 86
4.3.1 做好準備 86
4.3.2 怎么做 88
4.4 構建正則自動編碼器 92
4.4.1 做好準備 92
4.4.2 怎么做 92
4.4.3 工作原理 92
4.5 微調自動編碼器的參數 93
4.6 構建棧式自動編碼器 94
4.6.1 做好準備 94
4.6.2 怎么做 95
4.7 構建降噪自動編碼器 96
4.7.1 做好準備 96
4.7.2 怎么做 96
4.7.3 工作原理 101
4.8 構建並比較隨機編碼器和解碼器 102
4.8.1 做好準備 103
4.8.2 怎么做 103
4.9 從自動編碼器學習流形 109
4.10 評估稀疏分解 113
4.10.1 做好準備 114
4.10.2 怎么做 114
4.10.3 工作原理 115
第5章 深度學習中的生成模型 116
5.1 比較主成分分析和受限玻爾茲曼機 116
5.1.1 做好準備 117
5.1.2 怎么做 118
5.2 為伯努利分布輸入配置受限玻爾茲曼機 121
5.2.1 做好準備 122
5.2.2 怎么做 122
5.3 訓練受限玻爾茲曼機 122
5.3.1 做好準備 123
5.3.2 怎么做 123
5.4 RBM 的反向或重構階段 124
5.4.1 做好準備 124
5.4.2 怎么做 124
5.5 了解重構的對比散度 125
5.5.1 做好準備 125
5.5.2 怎么做 125
5.5.3 工作原理 126
5.6 初始化並啟動一個新的 TensorFlow 會話 126
5.6.1 做好準備 126
5.6.2 怎么做 127
5.6.3 工作原理 128
5.7 評估 RBM 的輸出 129
5.7.1 做好準備 130
5.7.2 怎么做 130
5.7.3 工作原理 131
5.8 為協同過濾構建一個受限玻爾茲曼機 132
5.8.1 做好準備 132
5.8.2 怎么做 132
5.9 執行一個完整的 RBM 訓練 135
5.9.1 做好準備 137
5.9.2 怎么做 137
5.10 構建深度信念網路 139
5.10.1 做好準備 140
5.10.2 怎么做 141
5.10.3 工作原理 144
5.11 實現前饋反向傳播神經網路 145
5.11.1 做好準備 145
5.11.2 怎么做 146
5.11.3 工作原理 150
5.12 建立一個深度受限玻爾茲曼機 150
5.12.1 做好準備 150
5.12.2 怎么做 151
5.12.3 工作原理 156
第6章 循環神經網路 157
6.1 建立一個基本的循環神經網路 157
6.1.1 做好準備 157
6.1.2 怎么做 158
6.1.3 工作原理 160
6.2 建立一個雙向 RNN 模型 161
6.2.1 做好準備 162
6.2.2 怎么做 162
6.3 建立一個深度 RNN 模型 165
6.4 建立一個基於長短期記憶的序列模型 166
6.4.1 怎么做 167
6.4.2 工作原理 167
第7章 強化學習 170
7.1 介紹 170
7.2 建立馬爾可夫決策過程 171
7.2.1 做好準備 171
7.2.2 怎么做 172
7.3 執行基於模型的學習 177
7.4 進行無模型學習 180
7.4.1 做好準備 180
7.4.2 怎么做 181
第8章 深度學習在文本挖掘中的套用 185
8.1 對文本數據進行預處理並提取情感 185
8.1.1 怎么做 185
8.1.2 工作原理 191
8.2 使用 tf-idf 分析文檔 192
8.2.1 怎么做 192
8.2.2 工作原理 194
8.3 使用 LSTM 網路執行情感預測 194
8.3.1 怎么做 194
8.3.2 工作原理 198
8.4 使用 text2vec 示例的應用程式 198
8.4.1 怎么做 198
8.4.2 工作原理 201
第9章 深度學習在信號處理中的套用 202
9.1 介紹並預處理音樂 MIDI 檔案 202
9.1.1 做好準備 202
9.1.2 怎么做 203
9.2 建立 RBM 模型 204
9.2.1 做好準備 204
9.2.2 怎么做 204
9.3 生成新的音符 206
第 10章 遷移學習 208
10.1 介紹 208
10.2 舉例說明預訓練模型的使用 209
10.2.1 做好準備 210
10.2.2 怎么做 210
10.3 構建遷移學習模型 213
10.3.1 做好準備 213
10.3.2 怎么做 213
10.4 構建圖像分類模型 216
10.4.1 做好準備 216
10.4.2 怎么做 216
10.5 在 GPU 上訓練深度學習模型 219
10.5.1 做好準備 219
10.5.2 怎么做 220
10.6 比較使用 CPU 和 GPU 的性能 221
10.6.1 做好準備 221
10.6.2 怎么做 222
10.6.3 更多內容 224
10.6.4 另請參閱 224
2.4.1 做好準備 30
2.4.2 怎么做 30
2.4.3 工作原理 32
2.5 可視化 TensorFlow 圖 33
2.5.1 做好準備 33
2.5.2 怎么做 34
2.5.3 工作原理 36
2.6 從多層感知器開始 37
2.6.1 做好準備 37
2.6.2 怎么做 38
2.6.3 更多內容 38
2.7 使用 H2O 建立神經網路 39
2.7.1 做好準備 39
2.7.2 怎么做 39
2.7.3 工作原理 41
2.8 使用 H2O 中的格線搜尋調整超參數 42
2.8.1 做好準備 42
2.8.2 怎么做 42
2.8.3 工作原理 43
2.9 使用 MXNet 建立神經網路 44
2.9.1 做好準備 44
2.9.2 怎么做 44
2.9.3 工作原理 46
2.10 使用 TensorFlow 建立神經網路 46
2.10.1 做好準備 46
2.10.2 怎么做 46
2.10.3 工作原理 49
2.10.4 更多內容 50
第3章 卷積神經網路 52
3.1 介紹 52
3.2 下載並配置圖像數據集 53
3.2.1 做好準備 54
3.2.2 怎么做 54
3.2.3 工作原理 57
3.3 學習 CNN 分類器的架構 58
3.3.1 做好準備 58
3.3.2 怎么做 58
3.3.3 工作原理 59
3.4 使用函式初始化權重和偏差 60
3.4.1 做好準備 61
3.4.2 怎么做 61
3.4.3 工作原理 61
3.5 使用函式創建一個新的卷積層 61
3.5.1 做好準備 61
3.5.2 怎么做 62
3.5.3 工作原理 64
3.6 使用函式創建一個扁平化的卷積層 65
3.6.1 做好準備 65
3.6.2 怎么做 65
3.6.3 工作原理 65
3.7 使用函式扁平化密集連線層 66
3.7.1 做好準備 66
3.7.2 怎么做 66
3.7.3 工作原理 67
3.8 定義占位符變數 67
3.8.1 做好準備 67
3.8.2 怎么做 67
3.8.3 工作原理 68
3.9 創建第 一個卷積層 68
3.9.1 做好準備 69
3.9.2 怎么做 69
3.9.3 工作原理 70
3.10 創建第二個卷積層 70
3.10.1 做好準備 70
3.10.2 怎么做 71
3.10.3 工作原理 71
3.11 扁平化第二個卷積層 72
3.11.1 做好準備 72
3.11.2 怎么做 72
3.11.3 工作原理 72
3.12 創建第 一個完全連線的層 73
3.12.1 做好準備 73
3.12.2 怎么做 73
3.12.3 工作原理 73
3.13 將 dropout 套用於第 一個完全連線的層 73
3.13.1 做好準備 74
3.13.2 怎么做 74
3.13.3 工作原理 74
3.14 創建第二個帶有 dropout 的完全連線層 74
3.14.1 做好準備 74
3.14.2 怎么做 75
3.14.3 工作原理 75
3.15 套用 Softmax 激活以獲得預測的類 75
3.15.1 做好準備 75
3.15.2 怎么做 75
3.16 定義用於最佳化的成本函式 76
3.16.1 做好準備 76
3.16.2 怎么做 76
3.16.3 工作原理 76
3.17 執行梯度下降成本最佳化 77
3.17.1 做好準備 77
3.17.2 怎么做 77
3.18 在 TensorFlow 會話中執行圖 77
3.18.1 做好準備 77
3.18.2 怎么做 78
3.18.3 工作原理 78
3.19 評估測試數據的性能 79
3.19.1 做好準備 79
3.19.2 怎么做 79
3.19.3 工作原理 81
第4章 使用自動編碼器的數據表示 83
4.1 介紹 83
4.2 構建自動編碼器 84
4.2.1 做好準備 85
4.2.2 怎么做 85
4.3 數據歸一化 86
4.3.1 做好準備 86
4.3.2 怎么做 88
4.4 構建正則自動編碼器 92
4.4.1 做好準備 92
4.4.2 怎么做 92
4.4.3 工作原理 92
4.5 微調自動編碼器的參數 93
4.6 構建棧式自動編碼器 94
4.6.1 做好準備 94
4.6.2 怎么做 95
4.7 構建降噪自動編碼器 96
4.7.1 做好準備 96
4.7.2 怎么做 96
4.7.3 工作原理 101
4.8 構建並比較隨機編碼器和解碼器 102
4.8.1 做好準備 103
4.8.2 怎么做 103
4.9 從自動編碼器學習流形 109
4.10 評估稀疏分解 113
4.10.1 做好準備 114
4.10.2 怎么做 114
4.10.3 工作原理 115
第5章 深度學習中的生成模型 116
5.1 比較主成分分析和受限玻爾茲曼機 116
5.1.1 做好準備 117
5.1.2 怎么做 118
5.2 為伯努利分布輸入配置受限玻爾茲曼機 121
5.2.1 做好準備 122
5.2.2 怎么做 122
5.3 訓練受限玻爾茲曼機 122
5.3.1 做好準備 123
5.3.2 怎么做 123
5.4 RBM 的反向或重構階段 124
5.4.1 做好準備 124
5.4.2 怎么做 124
5.5 了解重構的對比散度 125
5.5.1 做好準備 125
5.5.2 怎么做 125
5.5.3 工作原理 126
5.6 初始化並啟動一個新的 TensorFlow 會話 126
5.6.1 做好準備 126
5.6.2 怎么做 127
5.6.3 工作原理 128
5.7 評估 RBM 的輸出 129
5.7.1 做好準備 130
5.7.2 怎么做 130
5.7.3 工作原理 131
5.8 為協同過濾構建一個受限玻爾茲曼機 132
5.8.1 做好準備 132
5.8.2 怎么做 132
5.9 執行一個完整的 RBM 訓練 135
5.9.1 做好準備 137
5.9.2 怎么做 137
5.10 構建深度信念網路 139
5.10.1 做好準備 140
5.10.2 怎么做 141
5.10.3 工作原理 144
5.11 實現前饋反向傳播神經網路 145
5.11.1 做好準備 145
5.11.2 怎么做 146
5.11.3 工作原理 150
5.12 建立一個深度受限玻爾茲曼機 150
5.12.1 做好準備 150
5.12.2 怎么做 151
5.12.3 工作原理 156
第6章 循環神經網路 157
6.1 建立一個基本的循環神經網路 157
6.1.1 做好準備 157
6.1.2 怎么做 158
6.1.3 工作原理 160
6.2 建立一個雙向 RNN 模型 161
6.2.1 做好準備 162
6.2.2 怎么做 162
6.3 建立一個深度 RNN 模型 165
6.4 建立一個基於長短期記憶的序列模型 166
6.4.1 怎么做 167
6.4.2 工作原理 167
第7章 強化學習 170
7.1 介紹 170
7.2 建立馬爾可夫決策過程 171
7.2.1 做好準備 171
7.2.2 怎么做 172
7.3 執行基於模型的學習 177
7.4 進行無模型學習 180
7.4.1 做好準備 180
7.4.2 怎么做 181
第8章 深度學習在文本挖掘中的套用 185
8.1 對文本數據進行預處理並提取情感 185
8.1.1 怎么做 185
8.1.2 工作原理 191
8.2 使用 tf-idf 分析文檔 192
8.2.1 怎么做 192
8.2.2 工作原理 194
8.3 使用 LSTM 網路執行情感預測 194
8.3.1 怎么做 194
8.3.2 工作原理 198
8.4 使用 text2vec 示例的應用程式 198
8.4.1 怎么做 198
8.4.2 工作原理 201
第9章 深度學習在信號處理中的套用 202
9.1 介紹並預處理音樂 MIDI 檔案 202
9.1.1 做好準備 202
9.1.2 怎么做 203
9.2 建立 RBM 模型 204
9.2.1 做好準備 204
9.2.2 怎么做 204
9.3 生成新的音符 206
第 10章 遷移學習 208
10.1 介紹 208
10.2 舉例說明預訓練模型的使用 209
10.2.1 做好準備 210
10.2.2 怎么做 210
10.3 構建遷移學習模型 213
10.3.1 做好準備 213
10.3.2 怎么做 213
10.4 構建圖像分類模型 216
10.4.1 做好準備 216
10.4.2 怎么做 216
10.5 在 GPU 上訓練深度學習模型 219
10.5.1 做好準備 219
10.5.2 怎么做 220
10.6 比較使用 CPU 和 GPU 的性能 221
10.6.1 做好準備 221
10.6.2 怎么做 222
10.6.3 更多內容 224
10.6.4 另請參閱 224
