Solve different problems in modelling deep neural networks using Python, Tensorflow, and Keras with this practical guide About This Book Practical recipes on training different neural network models and tuning them for optimal performance Use Python frameworks like TensorFlow, Caffe, Keras, Theano for Natural Language Processing, Computer Vision, and more A hands-on guide covering the common as well as the not so common problems in deep learning using Python Who This Book Is For This book is intended for machine learning professionals who are looking to use deep learning algorithms to create real-world applications using Python. Thorough understanding of the machine learning concepts and Python libraries such as NumPy, SciPy and scikit-learn is expected. Additionally, basic knowledge in linear algebra and calculus is desired. What You Will Learn Implement different neural network models in Python Select the best Python framework for deep learning such as PyTorch, Tensorflow, MXNet and Keras Apply tips and tricks related to neural networks internals, to boost learning performances Consolidate machine learning principles and apply them in the deep learning field Reuse and adapt Python code snippets to everyday problems Evaluate the cost/benefits and performance implication of each discussed solution In Detail Deep Learning is revolutionizing a wide range of industries. For many applications, deep learning has proven to outperform humans by making faster and more accurate predictions. This book provides a top-down and bottom-up approach to demonstrate deep learning solutions to real-world problems in different areas. These applications include Computer Vision, Natural Language Processing, Time Series, and Robotics. The Python Deep Learning Cookbook presents technical solutions to the issues presented, along with a detailed explanation of the solutions. Furthermore, a discussion on corresponding pros and cons of implementing the proposed solution using one of the popular frameworks like TensorFlow, PyTorch, Keras and CNTK is provided. The book includes recipes that are related to the basic concepts of neural networks. All techniques s, as well as classical networks topologies. The main purpose of this book is to provide Python programmers a detailed list of recipes to apply deep learning to common and not-so-common scenarios. Style and approach Unique blend of independent recipes arranged in the most logical manner Downloading the example code for ..

upload/cmpedu/AC18-人工智能/Python_深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案.pdf

upload/shukui_net_cdl/109_2/37444004.pdf

nexusstc/Python 深度学习实战 ： 75 个有关神经网络建模、强化学习与迁移学习的解决方案/57443d9359093a7128291ef9e24ba0c0.pdf

lgli/Python_深度学习实战：75个有关神经网络建模、强化学习与迁移 (Python_深度学习实战：75个有关神经网络建模、强化学习与迁移) (z-lib.org).pdf

lgrsnf/Python_深度学习实战：75个有关神经网络建模、强化学习与迁移 (Python_深度学习实战：75个有关神经网络建模、强化学习与迁移) (z-lib.org).pdf

zlib/Computers/Programming/Python_深度学习实战：75个有关神经网络建模、强化学习与迁移/Python_深度学习实战：75个有关神经网络建模、强化学习与迁移_15474094.pdf

Python Deep Learning Cookbook : Solve Different Problems in Modelling Deep Neural Networks Using Python, Tensorflow, and Keras with This Practical Guide

Python deep learning cookbook : over 75 practical recipes on neural network modeling, reinforcement learning, and transfer learning using Python

Python深度学习实战 : 75个有关神经网络建模,强化学习与迁移学习的解决方案 = Python deep learning cookbook

Python_深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案

Python_深度学习实战:75个有关神经网络建模、强化学习与迁移

Adobe InDesign CS6 (Windows)

巴克 (Bakker, Indra Den)

Packt Publishing Limited

Stationery Office Books

The Stationery Office

China Machine Press

United Kingdom and Ireland, United Kingdom

Packt Publishing, Birmingham, UK, 2017

China, People's Republic, China

Oct 27, 2017

producers:
Adobe PDF Library 10.0.1

{"isbns":["178712519X","7111598725","9781787125193","9787111598725"],"publisher":"机械工业出版社"}

Bookmarks: p1 (p1): 第1章 编程环境、GPU计算、云解决方案和深度学习框架
p1-1 (p1): 1.1 简介
p1-2 (p2): 1.2 搭建一个深度学习环境
p1-3 (p2): 1.3 在AWS上启动实例
p1-4 (p3): 1.4 在GCP上启动实例
p1-5 (p4): 1.5 安装CUDA和cuDNN
p1-6 (p6): 1.6 安装Anaconda和库文件
p1-7 (p7): 1.7 连接服务器上的Jupyter Notebooks
p1-8 (p8): 1.8 用TensorFlow构建最先进的即用模型
p1-9 (p10): 1.9 直观地用Keras建立网络
p1-10 (p12): 1.10 使用PyTorch的RNN动态计算图
p1-11 (p14): 1.11 用CNTK实现高性能模型
p1-12 (p15): 1.12 使用MXNet构建高效的模型
p1-13 (p17): 1.13 使用简单、高效的Gluon编码定义网络
p2 (p19): 第2章 前馈神经网络
p2-1 (p19): 2.1 简介
p2-2 (p19): 2.2 理解感知器
p2-3 (p23): 2.3 实现一个单层神经网络
p2-4 (p27): 2.4 构建一个多层神经网络
p2-5 (p30): 2.5 开始使用激活函数
p2-6 (p35): 2.6 关于隐层和隐层神经元的实验
p2-7 (p38): 2.7 实现一个自动编码器
p2-8 (p41): 2.8 调整损失函数
p2-9 (p44): 2.9 测试不同的优化器
p2-10 (p47): 2.10 使用正则化技术提高泛化能力
p2-11 (p51): 2.11 添加Dropout以防止过拟合
p3 (p56): 第3章 卷积神经网络
p3-1 (p56): 3.1 简介
p3-2 (p56): 3.2 开始使用滤波器和参数共享
p3-3 (p60): 3.3 应用层合并技术
p3-4 (p62): 3.4 使用批量标准化进行优化
p3-5 (p66): 3.5 理解填充和步长
p3-6 (p72): 3.6 试验不同类型的初始化
p3-7 (p76): 3.7 实现卷积自动编码器
p3-8 (p79): 3.8 将一维CNN应用于文本
p4 (p81): 第4章 递归神经网络
p4-1 (p81): 4.1 简介
p4-2 (p82): 4.2 实现一个简单的RNN
p4-3 (p84): 4.3 添加LSTM
p4-4 (p86): 4.4 使用GRU
p4-5 (p89): 4.5 实现双向RNN
p4-6 (p91): 4.6 字符级文本生成
p5 (p95): 第5章 强化学习
p5-1 (p95): 5.1 简介
p5-2 (p95): 5.2 实现策略梯度
p5-3 (p102): 5.3 实现深度Q学习算法
p6 (p109): 第6章 生成对抗网络
p6-1 (p109): 6.1 简介
p6-2 (p109): 6.2 了解GAN
p6-3 (p112): 6.3 实现DCGAN
p6-4 (p117): 6.4 使用SRGAN来提高图像分辨率
p7 (p125): 第7章 计算机视觉
p7-1 (p125): 7.1 简介
p7-2 (p125): 7.2 利用计算机视觉技术增广图像
p7-3 (p130): 7.3 图像中的目标分类
p7-4 (p134): 7.4 目标在图像中的本地化
p7-5 (p139): 7.5 实时检测框架
p7-6 (p139): 7.6 用U-net将图像分类
p7-7 (p143): 7.7 语义分割与场景理解
p7-8 (p147): 7.8 寻找人脸面部关键点
p7-9 (p151): 7.9 人脸识别
p7-10 (p157): 7.10 将样式转换为图像
p8 (p162): 第8章 自然语言处理
p8-1 (p162): 8.1 简介
p8-2 (p162): 8.2 情绪分析
p8-3 (p165): 8.3 句子翻译
p8-4 (p169): 8.4 文本摘要
p9 (p174): 第9章 语音识别和视频分析
p9-1 (p174): 9.1 简介
p9-2 (p174): 9.2 从零开始实现语音识别流程
p9-3 (p177): 9.3 使用语音识别技术辨别讲话人
p9-4 (p181): 9.4 使用深度学习理解视频
p10 (p185): 第10章 时间序列和结构化数据
p10-1 (p185): 10.1 简介
p10-2 (p185): 10.2 使用神经网络预测股票价格
p10-3 (p189): 10.3 预测共享单车需求
p10-4 (p192): 10.4 使用浅层神经网络进行二元分类
p11 (p194): 第11章 游戏智能体和机器人
p11-1 (p194): 11.1 简介
p11-2 (p194): 11.2 通过端到端学习来驾驶汽车
p11-3 (p199): 11.3 通过深度强化学习来玩游戏
p11-4 (p205): 11.4 用GA优化超参数
p12 (p211): 第12章 超参数选择、调优和神经网络学习
p12-1 (p211): 12.1 简介
p12-2 (p211): 12.2 用TensorBoard和Keras可视化训练过程
p12-3 (p215): 12.3 使用批量和小批量工作
p12-4 (p219): 12.4 使用网格搜索调整参数
p12-5 (p221): 12.5 学习率和学习率调度
p12-6 (p224): 12.6 比较优化器
p12-7 (p227): 12.7 确定网络的深度
p12-8 (p227): 12.8 添加Dropout以防止过拟合
p12-9 (p232): 12.9 通过数据增广使模型更加鲁棒
p12-10 (p234): 12.10 利用TTA来提高精度
p13 (p235): 第13章 网络内部构造
p13-1 (p235): 13.1 简介
p13-2 (p235): 13.2 用TensorBoard可视化训练过程
p13-3 (p239): 13.3 用TensorBoard可视化网络结构
p13-4 (p239): 13.4 分析网络权重等
p13-5 (p244): 13.5 冻结层
p13-6 (p246): 13.6 存储网络结构并训练权重
p14 (p250): 第14章 预训练模型
p14-1 (p250): 14.1 简介
p14-2 (p250): 14.2 使用GoogLeNet/Inception进行大规模视觉识别
p14-3 (p252): 14.3 用ResNet提取瓶颈特征
p14-4 (p253): 14.4 对新类别使用预训练的VGG模型
p14-5 (p256): 14.5 用Xception细调

Python深度学习实战:75个有关神经网络建模、强化学习与迁移学习的解决方案 1
作者简介 2
前折页 2
书名页 3
版权页 4
译者序 5
原书前言 6
目录 11
第1章 编程环境、GPU计算、云解决方案和深度学习框架 13
1.1 简介 13
1.2 搭建一个深度学习环境 14
1.3 在AWS上启动实例 14
1.4 在GCP上启动实例 15
1.5 安装CUDA和cuDNN 16
1.6 安装Anaconda和库文件 18
1.7 连接服务器上的Jupyter Notebooks 19
1.8 用TensorFlow构建最先进的即用模型 20
1.9 直观地用Keras建立网络 22
1.10 使用PyTorch的RNN动态计算图 24
1.11 用CNTK实现高性能模型 26
1.12 使用MXNet构建高效的模型 27
1.13 使用简单、高效的Gluon编码定义网络 29
第2章 前馈神经网络 31
2.1 简介 31
2.2 理解感知器 31
2.3 实现一个单层神经网络 35
2.4 构建一个多层神经网络 39
2.5 开始使用激活函数 42
2.6 关于隐层和隐层神经元的实验 47
2.7 实现一个自动编码器 50
2.8 调整损失函数 53
2.9 测试不同的优化器 56
2.10 使用正则化技术提高泛化能力 59
2.11 添加Dropout以防止过拟合 63
第3章 卷积神经网络 68
3.1 简介 68
3.2 开始使用滤波器和参数共享 68
3.3 应用层合并技术 72
3.4 使用批量标准化进行优化 74
3.5 理解填充和步长 78
3.6 试验不同类型的初始化 84
3.7 实现卷积自动编码器 88
3.8 将一维CNN应用于文本 91
第4章 递归神经网络 93
4.1 简介 93
4.2 实现一个简单的RNN 94
4.3 添加LSTM 96
4.4 使用GRU 98
4.5 实现双向RNN 101
4.6 字符级文本生成 103
第5章 强化学习 107
5.1 简介 107
5.2 实现策略梯度 107
5.3 实现深度Q学习算法 114
第6章 生成对抗网络 121
6.1 简介 121
6.2 了解GAN 121
6.3 实现DCGAN 124
6.4 使用SRGAN来提高图像分辨率 129
第7章 计算机视觉 137
7.1 简介 137
7.2 利用计算机视觉技术增广图像 137
7.3 图像中的目标分类 142
7.4 目标在图像中的本地化 146
7.5 实时检测框架 151
7.6 用U-net将图像分类 151
7.7 语义分割与场景理解 155
7.8 寻找人脸面部关键点 159
7.9 人脸识别 163
7.10 将样式转换为图像 169
第8章 自然语言处理 174
8.1 简介 174
8.2 情绪分析 174
8.3 句子翻译 177
8.4 文本摘要 181
第9章 语音识别和视频分析 186
9.1 简介 186
9.2 从零开始实现语音识别流程 186
9.3 使用语音识别技术辨别讲话人 189
9.4 使用深度学习理解视频 193
第10章 时间序列和结构化数据 197
10.1 简介 197
10.2 使用神经网络预测股票价格 197
10.3 预测共享单车需求 201
10.4 使用浅层神经网络进行二元分类 204
第11章 游戏智能体和机器人 206
11.1 简介 206
11.2 通过端到端学习来驾驶汽车 206
11.3 通过深度强化学习来玩游戏 211
11.4 用GA优化超参数 217
第12章 超参数选择、调优和神经网络学习 223
12.1 简介 223
12.2 用TensorBoard和Keras可视化训练过程 223
12.3 使用批量和小批量工作 227
12.4 使用网格搜索调整参数 231
12.5 学习率和学习率调度 233
12.6 比较优化器 236
12.7 确定网络的深度 239
12.8 添加Dropout以防止过拟合 239
12.9 通过数据增广使模型更加鲁棒 244
12.10 利用TTA来提高精度 246
第13章 网络内部构造 247
13.1 简介 247
13.2 用TensorBoard可视化训练过程 247
13.3 用TensorBoard可视化网络结构 251
13.4 分析网络权重等 251
13.5 冻结层 256
13.6 存储网络结构并训练权重 258
第14章 预训练模型 262
14.1 简介 262
14.2 使用GoogLeNet/Inception进行大规模视觉识别 262
14.3 用ResNet提取瓶颈特征 264
14.4 对新类别使用预训练的VGG模型 265
14.5 用Xception细调 268
后折页 271

Ben shu nei rong bao kuo:yong yu shen du xue xi de bian cheng huan jing,GPU ji suan he yun duan jie jue fang an;Qian kui shen jing wang luo yu juan ji shen jing wang luo;Xun huan yu di gui shen jing wang luo;Qiang hua xue xi yu sheng cheng dui kang wang luo;Shen du xue xi yong yu ji suan ji shi jue,Zi ran yu yan chu li,Yu yin shi bie,Shi pin fen xi,Shi jian xu lie yu ce,Jie gou hua shu ju fen xi yi ji you xi zhi neng ti(Agents)He ji qi ren cao kong deng.Zui hou tao lun le shen du xue xi de chao can shu xuan ze he shen jing wang luo de nei zai jie gou yi ji yu xun lian mo xing de shi yong ji qiao deng

本书内容包括:用于深度学习的编程环境,GPU计算和云端解决方案;前馈神经网络与卷积神经网络;循环与递归神经网络;强化学习与生成对抗网络;深度学习用于计算机视觉,自然语言处理,语音识别,视频分析,时间序列预测,结构化数据分析以及游戏智能体(Agents)和机器人操控等.最后讨论了深度学习的超参数选择和神经网络的内在结构以及预训练模型的使用技巧等

2021-06-01