深度学习实战

给大家带来的一篇关于深度学习相关的电子书资源，介绍了关于深度学习、实战方面的内容，本书是由机械工业出版社出版，格式为PDF，资源大小122 MB，杜威·奥辛格（DouweO编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：7.4。

内容介绍

这本书是针对实际应用深度学习的开发指南。笔者是一位前Google软件工程师，在深度学习的研究和实践方面积累了丰富的经验。该书记载了作者从实际工作中总结出的许多开发技巧，不仅涵盖了与深度神经网络调试有关的一般技巧，包括错误查找、结果检查、激活函数的选择、正则化和Dropout等技巧，还通过实例介绍了深度学习在文本处理、图像处理、音乐处理等方面的技巧，并从实际应用的角度阐述了如何将机器学习应用应用到生产系统中，非常适合开发实际应用的深度学习工程师进行阅读和参考。

深度学习没那么可怕。这一机器学习方法要过好几年才能掌握，但在像Keras和TensorFlow这样的框架出现之前，没有机器学习背景的软件工程师也可以迅速进入这一领域。从这本书中，你可以学到深度学习如何制作和分类文本、图片和音乐。

这本书每一章都包含了一些完成独立项目所需的技巧，比如训练音乐推荐系统。当你遇到困难时，作者在第二章中还提供了六个帮助你的技巧。这本书中的示例使用Python语言编写，代码以Pythonnotebooks的方式在GitHub上提供。

目录

• 第1章　工具与技术9
• 1.1 神经网络的类型9
• 1.2 数据获取19
• 1.3 数据预处理27
• 第2章　摆脱困境34
• 2.1 确定我们遇到的问题34
• 2.2 解决运行过程中的错误36
• 2.3 检查中间结果38
• 2.4 为最后一层选择正确的激活函数39
• 2.5 正则化和Dropout40
• 2.6 网络结构、批尺寸和学习率42
• 第3章　使用词嵌入计算文本相似性44
• 3.1 使用预训练的词嵌入发现词的相似性45
• 3.2 Word2vec数学特性47
• 3.3 可视化词嵌入49
• 3.4 在词嵌入中发现实体类51
• 3.5 计算类内部的语义距离55
• 3.6 在地图上可视化国家数据57
• 第4章　基于维基百科外部链接构建推荐系统58
• 4.1 收集数据58
• 4.2 训练电影嵌入62
• 4.3 构建电影推荐系统66
• 4.4 预测简单的电影属性67
• 第5章　按照示例文本的风格生成文本69
• 5.1 获取公开领域书籍文本69
• 5.2 生成类似莎士比亚的文本70
• 5.3 使用RNN编写代码74
• 5.4 控制输出温度76
• 5.5 可视化循环神经网络的活跃程度78
• 第6章　问题匹配80
• 6.1 从Stack Exchange网站获取数据80
• 6.2 使用Pandas探索数据82
• 6.3 使用Keras对文本进行特征化83
• 6.4 构建问答模型84
• 6.5 用Pandas训练模型86
• 6.6 检查相似性88
• 第7章　推荐表情符号90
• 7.1 构建一个简单的情感分类器90
• 7.2 检验一个简单的分类器93
• 7.3 使用卷积网络进行情感分析95
• 7.4 收集Twitter数据97
• 7.5 一个简单的表情符号预测器99
• 7.6 Dropout和多层窗口100
• 7.7 构建单词级模型102
• 7.8 构建你自己的嵌入104
• 7.9 使用循环神经网络进行分类106
• 7.10 可视化一致性/不一致性108
• 7.11 组合模型111
• 第8章　Sequence-to-Sequence映射113
• 8.1 训练一个简单的Sequence-to-Sequence模型113
• 8.2 从文本中提取对话115
• 8.3 处理开放词汇表117
• 8.4 训练seq2seq 聊天机器人119
• 第9章　复用预训练的图像识别网络123
• 9.1 加载预训练网络124
• 9.2 图像预处理124
• 9.3 推测图像内容126
• 9.4 使用Flickr API收集一组带标签的图像128
• 9.5 构建一个分辨猫狗的分类器129
• 9.6 改进搜索结果131
• 9.7 复训图像识别网络133
• 第10章　构建反向图像搜索服务137
• 10.1 从维基百科中获取图像137
• 10.2 向N维空间投影图像140
• 10.3 在高维空间中寻找最近邻141
• 10.4 探索嵌入中的局部邻域143
• 第11章　检测多幅图像145
• 11.1 使用预训练的分类器检测多个图像145
• 11.2 使用Faster RCNN进行目标检测149
• 11.3 在自己的图像上运行Faster RCNN152
• 第12章　图像风格155
• 12.1 可视化卷积神经网络激活值156
• 12.2 尺度和缩放159
• 12.3 可视化神经网络所见161
• 12.4 捕捉图像风格164
• 12.5 改进损失函数以提升图像相干性168
• 12.6 将风格迁移至不同图像169
• 12.7 风格内插171
• 第13章　用自编码器生成图像173
• 13.1 从Google Quick Draw中导入绘图174
• 13.2 为图像创建自编码器176
• 13.3 可视化自编码器结果178
• 13.4 从正确的分布中采样图像180
• 13.5 可视化变分自编码器空间183
• 13.6 条件变分编码器185
• 第14章　使用深度网络生成图标189
• 14.1 获得训练用的图标190
• 14.2 将图标转换为张量表示193
• 14.3 使用变分自编码器生成图标194
• 14.4 使用数据扩充提升自编码器的性能196
• 14.5 构建生成式对抗网络198
• 14.6 训练生成式对抗网络200
• 14.7 显示GAN生成的图标202
• 14.8 将图标编码成绘图指令204
• 14.9 训练RNN绘制图标205
• 14.10 使用RNN生成图标207
• 第15章　音乐与深度学习210
• 15.1 为音乐分类器创建训练数据集211
• 15.2 训练音乐风格检测器213
• 15.3 对混淆情况进行可视化215
• 15.4 为已有的音乐编制索引217
• 15.5 设置Spotify API219
• 15.6 从Spotify中收集播放列表和歌曲221
• 15.7 训练音乐推荐系统224
• 15.8 使用Word2vec模型推荐歌曲225
• 第16章　生产化部署机器学习系统228
• 16.1 使用scikit-learn最近邻计算嵌入229
• 16.2 使用Postgres存储嵌入230
• 16.3 填充和查询Postgres存储的嵌入231
• 16.4 在Postgres中存储高维模型233
• 16.5 使用Python编写微服务234
• 16.6 使用微服务部署Keras模型236
• 16.7 从Web框架中调用微服务237
• 16.8 Tensorflow seq2seq模型238
• 16.9 在浏览器中执行深度学习模型240
• 16.10 使用TensorFlow服务执行Keras模型243
• 16.11 在iOS中使用Keras模型245

学习笔记

Python编程深度学习计算库之numpy

NumPy是python下的计算库，被非常广泛地应用，尤其是近来的深度学习的推广。在这篇文章中，将会介绍使用numpy进行一些最为基础的计算。 NumPy vs SciPy NumPy和SciPy都可以进行运算，主要区别如下 最近比较热门的深度学习，比如在神经网络的算法，多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念，你会非常清晰numpy的作用。所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识。 安装 liumiaocn:tmp liumiao$ pip install numpyCollecting numpy Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_……

深度学习TensorFlow Session会话控制和Variable变量

这篇文章主要讲TensorFlow中的Session的用法以及Variable。 Session会话控制 Session是TensorFlow为了控制和输出文件的执行语句，运行session.run()就能获得运算结果或者部分运算结果。我们在这里使用一个简单的矩阵相乘的例子来解释Session的两个用法。 首先我们要加载TensorFlow并建立两个矩阵以及两个矩阵所做的运算。这里我们建立一个一行两列的matrix1和一个两行一列的matrix2,让它们做矩阵的乘法。tf.matmul相当于numpy中的dot方法，都是做矩阵的product。 import tensorflow as tfmatrix1 = tf.constant([[2, 2]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1, matrix2) 接下来我们使用第一种会话控制Session来激活product并得到计算结果： s……

以上就是本次介绍的深度学习电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：接口自动化测试：持续集成Postman+Newman+Git+Jenkins+钉钉

下一篇：运营本源