图解深度学习：可视化、交互式的人工智能指南（英文版）（全彩印刷）

图书标准信息

• 作者 [美]乔恩·克罗恩（Jon Krohn）
• 出版社 人民邮电出版社
• 出版时间 2021-04
• 版次 1
• ISBN 9787115555564
• 定价 199.00元
• 装帧 其他
• 开本 其他
• 纸张 胶版纸
• 页数 345页
• 字数 380千字

【内容简介】

本书利用精美的插图和有趣的类比，对深度学习的主流技术和背后的原理进行了深入浅出的讲解，解释了什么是深度学习，深度学习流行的原因，以及深度学习与其他机器学习方法的关系。阅读本书，读者可以掌握卷积神经网络、循环神经网络、生成式对抗网络和深度强化学习等热门技术，学习TensorFlow、Keras和PyTorch等热门工具的使用，同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码，能够帮助读者动手实践。
  本书适合人工智能、机器学习、深度学习等领域的开发人员、数据科学家、研究人员、分析师和学生阅读。

【作者简介】

乔恩·克罗恩（Jon Krohn）是untapt机器学习公司的首席数据科学家。他参与了一系列由Addison-Wesley发布的广受好评的教程，包括用TensorFlow进行深度学习和利用深度学习进行自然语言处理的直播课程。Jon Krohn在纽约市数据科学学院讲授深度学习课程，并担任哥伦比亚大学的客座讲师。他曾获牛津大学神经科学博士学位，2010年以来，在Advances in Neural Information Processing Systems等重要同行评议期刊上发表了多篇机器学习方面的研究论文。 格兰特·贝勒费尔德（Grant Beyleveld）是untapt机器学习公司的一名数据科学家，他负责的工作是利用深度学习进行自然语言处理。他获得了纽约市Mount Sinai医院Icahn医学院的生物医学博士学位，研究过病毒和宿主之间的关系。他是深度学习研究小组（Deep Learning Group）的创始成员。 阿格莱·巴森斯（Aglaé Bassens）是一位居住在巴黎的比利时艺术家。她曾在牛津大学Ruskin美术学院和伦敦大学Slade美术学院研修美术。除了插图工作外，她还擅长绘制静物画和壁画。

【目录】

I　Introducing Deep Learning / 深度学习简介　　　1

1　Biological and Machine Vision / 生物与机器视角　3

Biological　Vision / 生物视角　3

Machine　Vision / 机器视角　8

The　Neocognitron / 新认知机　8

LeNet-5　/ 卷积神经网络 LeNet-5　9

The　Traditional Machine Learning Approach / 传统机器学习方法　12

ImageNet　and the ILSVRC / 大规模视觉数据库ImageNet和视觉识别挑战赛ILSVRC　13

AlexNet　/ 卷积神经网络 AlexNet　14

TensorFlow　Playground/ 开源软件库TensorFlow　17

Quick,　Draw! / 涂鸦小游戏Quick, Draw!　19

小结　19

2　Human and Machine Language / 人机语言　21

Deep　Learning for Natural Language Processing / 自然语言处理中的深度学习　21

Deep　Learning Networks Learn Representations Automatically / 深度学习网络自动学习表示　22

Natural　Language Processing / 自然语言处理　23

A　Brief History of Deep Learning for NLP/自然语言处理深度学习简史24

Computational　Representations of Language / 语言的计算表示　25

One-Hot　Representations of Words / 单词的独热表示　25

Word　Vectors / 词向量　26

Word-Vector　Arithmetic / 词向量算法　29

word2viz　/ 词向量工具 word2viz　30

Localist　Versus Distributed Representations / 局部化与分布式表示32

Elements　of Natural Human Language / 自然人类语言要素　33

Google　Duplex / Google Duplex　35

Summary　/ 小结　37

3　Machine Art / 机器艺术　39

A　Boozy All-Nighter / 一个热闹的通宵　39

Arithmetic　on Fake Human Faces / 假人脸算法　41

Style　Transfer: Converting Photos into Monet (and Vice

Versa)　/ 风格迁移：照片与莫奈风格间的相互转移　44

Make　Your Own Sketches Photorealistic / 让草图更加真实　45

Creating　Photorealistic Images from Text / 基于文本创建真实图片　45

Image　Processing Using Deep Learning / 基于深度学习的图像处理　46

Summary　/ 小结　48

4　Game-Playing Machines / 人机博弈　49

Deep　Learning, AI, and Other Beasts / 深度学习、人工智能和其他技术49

Artificial　Intelligence / 人工智能　49

Machine　Learning / 机器学习　50

Representation　Learning / 表示学习　51

Artificial　Neural Networks / 人工神经网络　51

Deep　Learning / 深度学习　51

Machine　Vision / 机器视觉　52

Natural　Language Processing / 自然语言处理　53

Three　Categories of Machine Learning Problems / 机器学习问题的3种类型　53

Supervised　Learning / 监督学习　53

Unsupervised　Learning / 无监督学习　54

Reinforcement　Learning / 强化学习　54

Deep　Reinforcement Learning / 深度强化学习　56

Video　Games / 视频游戏　57

Board　Games / 棋盘游戏　59

AlphaGo　/ AlphaGo　59

AlphaGo　Zero / AlphaGo Zero　62

AlphaZero　/ AlphaZero　65

Manipulation　of Objects / 目标操控　67

Popular　Deep Reinforcement Learning Environments /

流行的深度强化学习环境　68

OpenAI　Gym / OpenAI Gym　68

DeepMind　Lab / DeepMind 实验室　69

Unity　ML-Agents / Unity ML-Agents　71

Three　Categories of AI / 人工智能的3种类型　71

Artificial　Narrow Intelligence / 狭义人工智能　72

Artificial　General Intelligence / 广义人工智能　72

Artificial　Super Intelligence / 超级人工智能　72

Summary　/ 小结　72

II　Essential Theory Illustrated / 图解深度学习基本理论　73

5　The (Code) Cart Ahead of the (Theory) Horse / 先代码后理论　75

Prerequisites　/ 预备知识　75

Installation　/ 安装　76

A　Shallow Network in Keras / Keras构建浅层网络　76

The　MNIST Handwritten Digits / MNIST 手写数字　76

A　Schematic Diagram of the Network / 网络示意图　77

Loading　the Data / 加载数据　79

Reformatting　the Data / 重新格式化数据　81

Designing　a Neural Network Architecture / 设计神经网络架构　83

Training　a Deep Learning Model / 训练深度学习模型　83

Summary　/ 小结　84

6　Artificial Neurons Detecting Hot Dogs / 人工神经元热狗感知机85

Biological　Neuroanatomy 101 / 生物神经元　85

The　Perceptron / 感知机　86

The　Hot Dog / Not Hot Dog Detector / 热狗感知机/非热狗感知机　86

The　Most Important Equation in This Book / 本书最重要的等式　90

Modern　Neurons and Activation Functions / 现代神经元与激活函数　91

The　Sigmoid Neuron / Sigmoid 神经元　92

The　Tanh Neuron / Tanh 神经元　94

ReLU:　Rectified Linear Units / ReLU 神经元　94

Choosing　a Neuron / 选择神经元　96

Summary　/ 小结　96

Key　Concepts / 核心概念　97

7　神经网络　99

The　Input Layer / 输入层　99

Dense　Layers / 全连接层　99

A　Hot Dog-Detecting Dense Network / 热狗感知全连接网络　101

Forward　Propagation Through the First Hidden Layer /

第　一个隐藏层的正向传播　102

Forward　Propagation Through Subsequent Layers /

其他层的正向传播　103

The　Softmax Layer of a Fast Food-Classifying Network /

快餐分类网络的Softmax层　106

Revisiting　Our Shallow Network / 回归浅层网络　108

Summary　/ 小结　109

Key　Concepts / 核心概念　110

8　Training Deep Networks / 深度网络训练　110

Cost　Functions / 损失函数　111

Quadratic　Cost / 二次方损失函数　112

Saturated　Neurons / 神经元饱和　112

Cross-Entropy　Cost / 交叉熵损失函数　113

Optimization:　Learning to Minimize Cost / 优化：学习最小化损失　115

Gradient　Descent / 梯度下降　115

Learning　Rate / 学习率　117

Batch　Size and Stochastic Gradient Descent /

批量大小和随机梯度下降　119

Escaping　the Local Minimum / 解决局部最小问题　122

Backpropagation　/ 反向传播　124

Tuning　Hidden-Layer Count and Neuron Count /

调整隐藏层层数和神经元数量　125

An　Intermediate Net in Keras / Keras构建中等深度的神经网络　127

Summary　/ 小结　129

Key　Concepts / 核心概念　130

9　Improving Deep Networks / 深度网络改进　131

Weight　Initialization / 权重初始化　131

Xavier　Glorot Distributions / Xavier Glorot 分布　135

Unstable　Gradients / 不稳定梯度　137

Vanishing　Gradients / 梯度消失　137

Exploding　Gradients / 梯度爆炸　138

Batch　Normalization / 批量归一化　138

Model　Generalization (Avoiding Overfitting) /

模型泛化（避免过拟合）140

L1　and L2 Regularization / L1 和 L2 正则化　141

Dropout　/ Dropout　142

Data　Augmentation / 数据增强　145

Fancy　Optimizers / 优化器　145

Momentum　/ 动量　145

Nesterov　Momentum / Nesterov 动量　146

AdaGrad　/ AdaGrad　146

AdaDelta　and RMSProp / AdaDelta 和 RMSProp　146

Adam　/ Adam　147

A　Deep Neural Network in Keras /

Keras构建深度神经网络　147

Regression　/ 回归　149

TensorBoard　/ TensorBoard　152

Summary　/ 小结　154

Key　Concepts / 核心概念　155

III　Interactive Applications of Deep

Learning　/ 深度学习的交互应用　157

10　Machine Vision / 机器视觉　159

Convolutional　Neural Networks / 卷积神经网络　159

The　Two-Dimensional Structure of Visual Imagery /

视觉图像二维结构　159

Computational　Complexity / 计算复杂度　160

Convolutional　Layers / 卷积层　160

Multiple　Filters / 多个卷积核　162

A　Convolutional Example / 卷积示例　163

Convolutional　Filter Hyperparameters /卷积核的超参数　168

Pooling　Layers / 池化层　169

LeNet-5　in Keras / Keras实现LeNet-5　171

AlexNet　and VGGNet in Keras /

Keras实现AlexNet和VGGNet　176

Residual　Networks / 残差网络　179

Vanishing　Gradients: The Bête Noire of Deep CNNs /

梯度消失：深度　CNNs 最大的缺点　179

Residual　Connections / 残差连接　180

ResNet　/ 残差网络　182

Applications　of Machine Vision / 机器视角的应用　182

Object　Detection / 目标检测　183

Image　Segmentation / 图像分割　186

Transfer　Learning / 迁移学习　188

Capsule　Networks / 胶囊网络　192

Summary　/ 小结　193

Key　Concepts / 核心概念　193

11　Natural Language Processing /

自然语言处理　195

Preprocessing　Natural Language Data /

自然语言数据预处理　195

Tokenization　/ 标记化　197

Converting　All Characters to Lowercase /

字符小写转换　199

Removing　Stop Words and Punctuation /

停用词和符号的删除　200

Stemming　/ 词干提取　201

Handling　n-grams / 处理 n-grams　202

Preprocessing　the Full Corpus / 完整语料库预处理　203

Creating　Word Embeddings with word2vec /

word2vec实现词嵌入　206

The　Essential Theory Behind word2vec /

word2vec　背后的基本理论　206

Evaluating　Word Vectors / 词向量评估　209

Running　word2vec / word2vec 的运行　209

Plotting　Word Vectors / 词向量的绘制　213

The　Area under the ROC Curve / ROC曲线下的面积　217

The　Confusion Matrix / 混淆矩阵　218

Calculating　the ROC AUC Metric / 计算 ROC AUC　219

Natural　Language Classification with Familiar Networks /

常见网络实现自然语言分类　222

Loading　the IMDb Film Reviews /加载 IMDb 电影评论　222

Examining　the IMDb Data / 检查 IMDb 数据　226

Standardizing　the Length of the Reviews /评论长度标准化　228

Dense　Network / 全连接网络　229

Convolutional　Networks / 卷积网络　235

Networks　Designed for Sequential Data / 序列数据的网络设计　240

Recurrent　Neural Networks / 循环神经网络　240

Long　Short-Term Memory Units /

长短期记忆网络架构　244

Bidirectional　LSTMs / 双向 LSTM　247

Stacked　Recurrent Models / 堆叠循环神经网络　248

Seq2seq　and Attention /

Seq2seq　模型和注意力机制　250

Transfer　Learning in NLP / 自然语言处理迁移学习　251

11.6　Non-sequential Architectures: The Keras Functional

API　/ 非序列架构——Keras功能性API　251

11.7　Summary / 小结　256

11.8　Key Concepts / 核心概念　257

12　Generative Adversarial Networks /

生成式对抗网络　259

Essential　GAN Theory / 生成式对抗网络基本理论　259

The　Quick, Draw! Dataset /

涂鸦小游戏The　Quick, Draw!数据集　263

The　Discriminator Network / 判别器网络　266

The　Generator Network / 生成器网络　269

The　Adversarial Network / 对抗网络　272

GAN　Training / 生成式对抗网络训练　275

Summary　/ 小结　281

Key　Concepts / 核心概念　282

13　Deep Reinforcement Learning /深度强化学习　283

Essential　Theory of Reinforcement Learning /

强化学习基本理论　283

The　Cart-Pole Game / Cart-Pole 游戏　284

Markov　Decision Processes / 马尔可夫决策过程　286

The　Optimal Policy / 最优策略　288

Essential　Theory of Deep Q-Learning Networks /

深度Q学习网络基本理论　290

Value　Functions / 值函数　291

Q-Value　Functions / Q 值函数　291

Estimating　an Optimal Q-Value / 估计最优 Q 值　291

Defining　a DQN Agent / 定义DQN智能体　293

Initialization　Parameters / 初始化参数　295

Building　the Agent’s Neural Network Model /

构建智能体的神经网络模型　297

Remembering　Gameplay / 记忆游戏　298

Training　via Memory Replay / 记忆重播训练　298

Selecting　an Action to Take / 选择要采取的行动　299

Saving　and Loading Model Parameters /

保存和加载模型参数　300

Interacting　with an OpenAI Gym Environment /

OpenAI　Gym环境交互　300

Hyperparameter　Optimization with SLM Lab /

SLM　Lab超参数优化　303

Agents　Beyond DQN / DQN以外智能体　306

Policy　Gradients and the REINFORCE Algorithm /

策略梯度和强化算法　307

The　Actor-Critic Algorithm / Actor-Critic 算法　307

Summary　/ 小结　308

Key　Concepts / 核心概念　309

IV　You and AI / 你与人工智能　311

14　Moving Forward with Your Own Deep Learning

Projects　创建和推进专属于你的深度学习项目　313

Ideas　for Deep Learning Projects / 深度学习项目思想　313

Machine　Vision and GANs /

机器视觉和生成式对抗网络　313

Natural　Language Processing / 自然语言处理　315

Deep　Reinforcement Learning / 深度强化学习　316

Converting　an Existing Machine Learning Project /

转换现有的机器学习项目　316

Resources　for Further Projects / 项目源　317

Socially　Beneficial Projects / 社会公益项目　318

The　Modeling Process, Including Hyperparameter Tuning /

建模和超参数调优　318

Automation　of Hyperparameter Search /

超参数的自动搜索　321

Deep　Learning Libraries / 深度学习库　321

Keras　and TensorFlow / Keras 和 TensorFlow　321

PyTorch　/ PyTorch　323

MXNet,　CNTK, Caffe, and So On /

MXNet、CNTK、Caffe　等　324

Software　2.0 / 软件2.0　324

Approaching　Artificial General Intelligence /

走进广义人工智能　326

Summary　/ 小结　328

V　Appendices / 附录　331

A　Formal Neural Network Notation /

神经网络符号　333

B　Backpropagation / 反向传播　335

C　PyTorch / PyTorch　339

PyTorch　Features / Pytorch特征　339

Autograd　System / AutoGrade 机制　339

Define-by-Run　Framework / 运行定义框架　339

PyTorch　Versus TensorFlow /

PyTorch　与 TensorFlow 对比　340

PyTorch　in Practice / PyTorch的实践　341

PyTorch　Installation / PyTorch 的安装　341

The　Fundamental Units Within PyTorch /

PyTorch　的基本单位　341

Building　a Deep Neural Network in PyTorch /

PyTorch　实现一个深度神经网络　343