深度學習實戰(zhàn)手冊（R語言版）

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 應用 3
1．3．1 怎么做 3
1．3．2 更多內(nèi)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(nèi)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(nèi)容 22
第 2章 R深度學習 23
2．1 始于邏輯回歸 23
2．1．1 做好準備 23
2．1．2 怎么做 24
2．2 介紹數(shù)據(jù)集 25
2．2．1 做好準備 25
2．2．2 怎么做 25
2．3 使用 H2O 執(zhí)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(zhí)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 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(nèi)容 38
2．7 使用 H2O 建立神經(jīng)網(wǎng)絡 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 中的網(wǎng)格搜索調(diào)整超參數(shù) 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(jīng)網(wǎng)絡 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(jīng)網(wǎng)絡 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(nèi)容 50
第3章 卷積神經(jīng)網(wǎng)絡 52
3．1 介紹 52
3．2 下載并配置圖像數(shù)據(jù)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 使用函數(shù)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 使用函數(shù)創(chuàng)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 使用函數(shù)創(chuàng)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 使用函數(shù)扁平化密集連接層 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 定義占位符變量 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(chuàng)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(chuàng)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(chuàng)建第 一個完全連接的層 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 應用于第 一個完全連接的層 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(chuàng)建第二個帶有 dropout 的完全連接層 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 應用 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 定義用于優(yōu)化的成本函數(shù) 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(zhí)行梯度下降成本優(yōu)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(zhí)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(shù)據(jù)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(shù)據(jù)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(shù)據(jù)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(diào)自動編碼器的參數(shù) 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 構建并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 初始化并啟動一個新的 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(xié)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(zhí)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(wǎng)絡 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(xiàn)前饋反向傳播神經(jīng)網(wǎng)絡 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(huán)神經(jīng)網(wǎng)絡 157
6．1 建立一個基本的循環(huán)神經(jīng)網(wǎng)絡 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 建立一個基于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(zhí)行基于模型的學習 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應用 185
8．1 對文本數(shù)據(jù)進行預處理并提取情感 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(wǎng)絡執(zhí)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 示例的應用程序 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應用 202
9．1 介紹并預處理音樂 MIDI 文件 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(nèi)容 224
10．6．4 另請參閱 224