深度學習實戰(zhàn)

目錄
前言1
第1章　工具與技術9
1.1 神經(jīng)網(wǎng)絡的類型9
1.2 數(shù)據(jù)獲取19
1.3 數(shù)據(jù)預處理27
第2章　擺脫困境34
2.1 確定我們遇到的問題34
2.2 解決運行過程中的錯誤36
2.3 檢查中間結果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)絡結構、批尺寸和學習率42
第3章　使用詞嵌入計算文本相似性44
3.1 使用預訓練的詞嵌入發(fā)現(xiàn)詞的相似性45
3.2 Word2vec數(shù)學特性47
3.3 可視化詞嵌入49
3.4 在詞嵌入中發(fā)現(xiàn)實體類51
3.5 計算類內(nèi)部的語義距離55
3.6 在地圖上可視化國家數(shù)據(jù)57
第4章　基于維基百科外部鏈接構建推薦系統(tǒng)58
4.1 收集數(shù)據(jù)58
4.2 訓練電影嵌入62
4.3 構建電影推薦系統(tǒng)66
4.4 預測簡單的電影屬性67
第5章　按照示例文本的風格生成文本69
5.1 獲取公開領域書籍文本69
5.2 生成類似莎士比亞的文本70
5.3 使用RNN編寫代碼74
5.4 控制輸出溫度76
5.5 可視化循環(huán)神經(jīng)網(wǎng)絡的活躍程度78
第6章　問題匹配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對文本進行特征化83
6.4 構建問答模型84
6.5 用Pandas訓練模型86
6.6 檢查相似性88
第7章　推薦表情符號90
7.1 構建一個簡單的情感分類器90
7.2 檢驗一個簡單的分類器93
7.3 使用卷積網(wǎng)絡進行情感分析95
7.4 收集Twitter數(shù)據(jù)97
7.5 一個簡單的表情符號預測器99
7.6 Dropout和多層窗口100
7.7 構建單詞級模型102
7.8 構建你自己的嵌入104
7.9 使用循環(huán)神經(jīng)網(wǎng)絡進行分類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 訓練一個簡單的Sequence-to-Sequence模型113
8.2 從文本中提取對話115
8.3 處理開放詞匯表117
8.4 訓練seq2seq 聊天機器人119
第9章　復用預訓練的圖像識別網(wǎng)絡123
9.1 加載預訓練網(wǎng)絡124
9.2 圖像預處理124
9.3 推測圖像內(nèi)容126
9.4 使用Flickr API收集一組帶標簽的圖像128
9.5 構建一個分辨貓狗的分類器129
9.6 改進搜索結果131
9.7 復訓圖像識別網(wǎng)絡133
第10章　構建反向圖像搜索服務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　檢測多幅圖像145
11.1 使用預訓練的分類器檢測多個圖像145
11.2 使用Faster RCNN進行目標檢測149
11.3 在自己的圖像上運行Faster RCNN152
第12章　圖像風格155
12.1 可視化卷積神經(jīng)網(wǎng)絡激活值156
12.2 尺度和縮放159
12.3 可視化神經(jīng)網(wǎng)絡所見161
12.4 捕捉圖像風格164
12.5 改進損失函數(shù)以提升圖像相干性168
12.6 將風格遷移至不同圖像169
12.7 風格內(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)絡生成圖標189
14.1 獲得訓練用的圖標190
14.2 將圖標轉(zhuǎn)換為張量表示193
14.3 使用變分自編碼器生成圖標194
14.4 使用數(shù)據(jù)擴充提升自編碼器的性能196
14.5 構建生成式對抗網(wǎng)絡198
14.6 訓練生成式對抗網(wǎng)絡200
14.7 顯示GAN生成的圖標202
14.8 將圖標編碼成繪圖指令204
14.9 訓練RNN繪制圖標205
14.10 使用RNN生成圖標207
第15章　音樂與深度學習210
15.1 為音樂分類器創(chuàng)建訓練數(shù)據(jù)集211
15.2 訓練音樂風格檢測器213
15.3 對混淆情況進行可視化215
15.4 為已有的音樂編制索引217
15.5 設置Spotify API219
15.6 從Spotify中收集播放列表和歌曲221
15.7 訓練音樂推薦系統(tǒng)224
15.8 使用Word2vec模型推薦歌曲225
第16章　生產(chǎn)化部署機器學習系統(tǒng)228
16.1 使用scikit-learn最近鄰計算嵌入229
16.2 使用Postgres存儲嵌入230
16.3 填充和查詢Postgres存儲的嵌入231
16.4 在Postgres中存儲高維模型233
16.5 使用Python編寫微服務234
16.6 使用微服務部署Keras模型236
16.7 從Web框架中調(diào)用微服務237
16.8 Tensorflow seq2seq模型238
16.9 在瀏覽器中執(zhí)行深度學習模型240
16.10 使用TensorFlow服務執(zhí)行Keras模型243
16.11 在iOS中使用Keras模型245