基于Java的深度学习

图书标准信息

• 作者 [印]拉胡尔·拉吉
• 出版社 中国电力出版社
• 出版时间 2021-06
• 版次 1
• ISBN 9787519854294
• 定价 59.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 240页
• 字数 304.000千字

【内容简介】

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。

【作者简介】

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，他在顶级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。他还是由印度最大的政府认证机构Vskills认证的认证机器学习专家。

【目录】

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