《深度学习实战手册 R语言版》求取 ⇩

第1章入门1

1.1介绍1

1.2安装R及其IDE2

1.2.1准备2

1.2.2怎么做2

1.3安装Jupyter Notebook应用3

1.3.1怎么做3

1.3.2更多内容5

1.4从R机器学习基础开始5

1.4.1怎么做6

1.4.2工作原理9

1.5在R中安装深度学习的工具/包11

1.6在R中安装MXNet11

1.6.1做好准备11

1.6.2怎么做12

1.7在R中安装TensorFlow13

1.7.1做好准备13

1.7.2怎么做14

1.7.3工作原理15

1.8在R中安装H2O15

1.8.1做好准备15

1.8.2怎么做16

1.8.3工作原理17

1.8.4更多内容20

1.9使用Docker一次安装3个包20

1.9.1做好准备20

1.9.2怎么做21

1.9.3更多内容22

第2章R深度学习23

2.1始于逻辑回归23

2.1.1做好准备23

2.1.2怎么做24

2.2介绍数据集25

2.2.1做好准备25

2.2.2怎么做25

2.3使用H2O执行逻辑回归26

2.3.1做好准备26

2.3.2怎么做27

2.3.3工作原理28

2.4使用TensorFlow执行逻辑回归30

2.4.1做好准备30

2.4.2怎么做30

2.4.3工作原理32

2.5可视化TensorFlow图33

2.5.1做好准备33

2.5.2怎么做34

2.5.3工作原理36

2.6从多层感知器开始37

2.6.1做好准备37

2.6.2怎么做38

2.6.3更多内容38

2.7使用H2O建立神经网络39

2.7.1做好准备39

2.7.2怎么做39

2.7.3工作原理41

2.8使用H2O中的网格搜索调整超参数42

2.8.1做好准备42

2.8.2怎么做42

2.8.3工作原理43

2.9使用MXNet建立神经网络44

2.9.1做好准备44

2.9.2怎么做44

2.9.3工作原理46

2.10使用TensorFlow建立神经网络46

2.10.1做好准备46

2.10.2怎么做46

2.10.3工作原理49

2.10.4更多内容50

第3章卷积神经网络52

3.1介绍52

3.2下载并配置图像数据集53

3.2.1做好准备54

3.2.2怎么做54

3.2.3工作原理57

3.3学习CNN分类器的架构58

3.3.1做好准备58

3.3.2怎么做58

3.3.3工作原理59

3.4使用函数初始化权重和偏差60

3.4.1做好准备61

3.4.2怎么做61

3.4.3工作原理61

3.5使用函数创建一个新的卷积层61

3.5.1做好准备61

3.5.2怎么做62

3.5.3工作原理64

3.6使用函数创建一个扁平化的卷积层65

3.6.1做好准备65

3.6.2怎么做65

3.6.3工作原理65

3.7使用函数扁平化密集连接层66

3.7.1做好准备66

3.7.2怎么做66

3.7.3工作原理67

3.8定义占位符变量67

3.8.1做好准备67

3.8.2怎么做67

3.8.3工作原理68

3.9创建第一个卷积层68

3.9.1做好准备69

3.9.2怎么做69

3.9.3工作原理70

3.10创建第二个卷积层70

3.10.1做好准备70

3.10.2怎么做71

3.10.3工作原理71

3.11扁平化第二个卷积层72

3.11.1做好准备72

3.11.2怎么做72

3.11.3工作原理72

3.12创建第一个完全连接的层73

3.12.1做好准备73

3.12.2怎么做73

3.12.3工作原理73

3.13将dropout应用于第一个完全连接的层73

3.13.1做好准备74

3.13.2怎么做74

3.13.3工作原理74

3.14创建第二个带有dropout的完全连接层74

3.14.1做好准备74

3.14.2怎么做75

3.14.3工作原理75

3.15应用Softmax激活以获得预测的类75

3.15.1做好准备75

3.15.2怎么做75

3.16定义用于优化的成本函数76

3.16.1做好准备76

3.16.2怎么做76

3.16.3工作原理76

3.17执行梯度下降成本优化77

3.17.1做好准备77

3.17.2怎么做77

3.18在TensorFlow会话中执行图77

3.18.1做好准备77

3.18.2怎么做78

3.18.3工作原理78

3.19评估测试数据的性能79

3.19.1做好准备79

3.19.2怎么做79

3.19.3工作原理81

第4章使用自动编码器的数据表示83

4.1介绍83

4.2构建自动编码器84

4.2.1做好准备85

4.2.2怎么做85

4.3数据归一化86

4.3.1做好准备86

4.3.2怎么做88

4.4构建正则自动编码器92

4.4.1做好准备92

4.4.2怎么做92

4.4.3工作原理92

4.5微调自动编码器的参数93

4.6构建栈式自动编码器94

4.6.1做好准备94

4.6.2怎么做95

4.7构建降噪自动编码器96

4.7.1做好准备96

4.7.2怎么做96

4.7.3工作原理101

4.8构建并比较随机编码器和解码器102

4.8.1做好准备103

4.8.2怎么做103

4.9从自动编码器学习流形109

4.10评估稀疏分解113

4.10.1做好准备114

4.10.2怎么做114

4.10.3工作原理115

第5章深度学习中的生成模型116

5.1比较主成分分析和受限玻尔兹曼机116

5.1.1做好准备117

5.1.2怎么做118

5.2为伯努利分布输入配置受限玻尔兹曼机121

5.2.1做好准备122

5.2.2怎么做122

5.3训练受限玻尔兹曼机122

5.3.1做好准备123

5.3.2怎么做123

5.4RBM的反向或重构阶段124

5.4.1做好准备124

5.4.2怎么做124

5.5了解重构的对比散度125

5.5.1做好准备125

5.5.2怎么做125

5.5.3工作原理126

5.6初始化并启动一个新的TensorFlow会话126

5.6.1做好准备126

5.6.2怎么做127

5.6.3工作原理128

5.7评估RBM的输出129

5.7.1做好准备130

5.7.2怎么做130

5.7.3工作原理131

5.8为协同过滤构建一个受限玻尔兹曼机132

5.8.1做好准备132

5.8.2怎么做132

5.9执行一个完整的RBM训练135

5.9.1做好准备137

5.9.2怎么做137

5.10构建深度信念网络139

5.10.1做好准备140

5.10.2怎么做141

5.10.3工作原理144

5.11实现前馈反向传播神经网络145

5.11.1做好准备145

5.11.2怎么做146

5.11.3工作原理150

5.12建立一个深度受限玻尔兹曼机150

5.12.1做好准备150

5.12.2怎么做151

5.12.3工作原理156

第6章循环神经网络157

6.1建立一个基本的循环神经网络157

6.1.1做好准备157

6.1.2怎么做158

6.1.3工作原理160

6.2建立一个双向RNN模型161

6.2.1做好准备162

6.2.2怎么做162

6.3建立一个深度RNN模型165

6.4建立一个基于长短期记忆的序列模型166

6.4.1怎么做167

6.4.2工作原理167

第7章强化学习170

7.1介绍170

7.2建立马尔可夫决策过程171

7.2.1做好准备171

7.2.2怎么做172

7.3执行基于模型的学习177

7.4进行无模型学习180

7.4.1做好准备180

7.4.2怎么做181

第8章深度学习在文本挖掘中的应用185

8.1对文本数据进行预处理并提取情感185

8.1.1怎么做185

8.1.2工作原理191

8.2使用tf-idf分析文档192

8.2.1怎么做192

8.2.2工作原理194

8.3使用LSTM网络执行情感预测194

8.3.1怎么做194

8.3.2工作原理198

8.4使用text2vec示例的应用程序198

8.4.1怎么做198

8.4.2工作原理201

第9章深度学习在信号处理中的应用202

9.1介绍并预处理音乐MIDI文件202

9.1.1做好准备202

9.1.2怎么做203

9.2建立RBM模型204

9.2.1做好准备204

9.2.2怎么做204

9.3生成新的音符206

第10章迁移学习208

10.1介绍208

10.2举例说明预训练模型的使用209

10.2.1做好准备210

10.2.2怎么做210

10.3构建迁移学习模型213

10.3.1做好准备213

10.3.2怎么做213

10.4构建图像分类模型216

10.4.1做好准备216

10.4.2怎么做216

10.5在GPU上训练深度学习模型219

10.5.1做好准备219

10.5.2怎么做220

10.6比较使用CPU和GPU的性能221

10.6.1做好准备221

10.6.2怎么做222

10.6.3更多内容224

10.6.4另请参阅224