基于Java的深度學(xué)習(xí)

目錄
前言
第1章 Java深度學(xué)習(xí)簡(jiǎn)介 1
1.1 技術(shù)要求 1
1.2 初識(shí)深度學(xué)習(xí) 2
1.2.1 反向傳播 2
1.2.2 多層感知器 3
1.2.3 卷積神經(jīng)網(wǎng)絡(luò) 3
1.2.4 遞歸神經(jīng)網(wǎng)絡(luò) 3
1.2.5 為什么DL4J對(duì)深度學(xué)習(xí)很重要? 4
1.3 確定正確的網(wǎng)絡(luò)類型來(lái)解決深度學(xué)習(xí)問(wèn)題 4
1.3.1 實(shí)現(xiàn)過(guò)程 4
1.3.2 工作原理 4
1.3.3 相關(guān)內(nèi)容 7
1.4 確定正確的激活函數(shù) 9
1.4.1 實(shí)現(xiàn)過(guò)程 9
1.4.2 工作原理 9
1.4.3 相關(guān)內(nèi)容 10
1.5 解決過(guò)度擬合問(wèn)題 10
1.5.1 實(shí)現(xiàn)過(guò)程 11
1.5.2 工作原理 11
1.5.3 相關(guān)內(nèi)容 11
1.6 確定正確的批次大小和學(xué)習(xí)速率 12
1.6.1 實(shí)現(xiàn)過(guò)程 12
1.6.2 工作原理 12
1.6.3 相關(guān)內(nèi)容 13
1.7 為DL4J配置 Maven 14
1.7.1 準(zhǔn)備工作 14
1.7.2 實(shí)現(xiàn)過(guò)程 14
1.7.3 工作原理 15
1.8 為DL4J配置GPU加速環(huán)境 16
1.8.1 準(zhǔn)備工作 16
1.8.2 實(shí)現(xiàn)過(guò)程 16
1.8.3 工作原理 17
1.8.4 相關(guān)內(nèi)容 18
1.9 安裝問(wèn)題疑難解答 18
1.9.1 準(zhǔn)備工作 19
1.9.2 實(shí)現(xiàn)過(guò)程 19
1.9.3 工作原理 19
1.9.4 相關(guān)內(nèi)容 20
第2章 數(shù)據(jù)提取、轉(zhuǎn)換和加載 23
2.1 技術(shù)要求 23
2.2 讀取并迭代數(shù)據(jù) 24
2.2.1 準(zhǔn)備工作 24
2.2.2 實(shí)現(xiàn)過(guò)程 24
2.2.3 工作原理 28
2.2.4 相關(guān)內(nèi)容 32
2.3 執(zhí)行模式轉(zhuǎn)換 33
2.3.1 實(shí)現(xiàn)過(guò)程 33
2.3.2 工作原理 34
2.3.3 相關(guān)內(nèi)容 34
2.4 構(gòu)建轉(zhuǎn)換過(guò)程 35
2.4.1 實(shí)現(xiàn)過(guò)程 35
2.4.2 工作原理 36
2.4.3 相關(guān)內(nèi)容 36
2.5 序列化轉(zhuǎn)換 37
2.5.1 實(shí)現(xiàn)過(guò)程 38
2.5.2 工作原理 38
2.6 執(zhí)行轉(zhuǎn)換過(guò)程 39
2.6.1 實(shí)現(xiàn)過(guò)程 39
2.6.2 工作原理 39
2.6.3 相關(guān)內(nèi)容 40
2.7 規(guī)范化數(shù)據(jù)以提高網(wǎng)絡(luò)效率 40
2.7.1 實(shí)現(xiàn)過(guò)程 40
2.7.2 工作原理 41
2.7.3 相關(guān)內(nèi)容 42
第3章 二元分類的深層神經(jīng)網(wǎng)絡(luò)構(gòu)建 43
3.1 技術(shù)要求 43
3.2 從CSV輸入中提取數(shù)據(jù) 44
3.2.1 實(shí)現(xiàn)過(guò)程 44
3.2.2 工作原理 44
3.3 從數(shù)據(jù)中刪除異常 45
3.3.1 實(shí)現(xiàn)過(guò)程 45
3.3.2 工作原理 46
3.3.3 相關(guān)內(nèi)容 48
3.4 將轉(zhuǎn)換應(yīng)用于數(shù)據(jù) 49
3.4.1 實(shí)現(xiàn)過(guò)程 49
3.4.2 工作原理 50
3.5 為神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)輸入層 52
3.5.1 準(zhǔn)備工作 52
3.5.2 實(shí)現(xiàn)過(guò)程 53
3.5.3 工作原理 53
3.6 為神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)隱藏層 54
3.6.1 實(shí)現(xiàn)過(guò)程 54
3.6.2 工作原理 54
3.7 為神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)輸出層 54
3.7.1 實(shí)現(xiàn)過(guò)程 54
3.7.2 工作原理 55
3.8 訓(xùn)練和評(píng)估CSV數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)模型 55
3.8.1 實(shí)現(xiàn)過(guò)程 55
3.8.2 工作原理 57
3.8.3 相關(guān)內(nèi)容 62
3.9 部署神經(jīng)網(wǎng)絡(luò)模型并將其用作API 63
3.9.1 準(zhǔn)備工作 63
3.9.2 實(shí)現(xiàn)過(guò)程 64
3.9.3 工作原理 68
第4章 建立卷積神經(jīng)網(wǎng)絡(luò) 70
4.1 技術(shù)要求 70
4.2 從磁盤(pán)提取圖像 71
4.2.1 實(shí)現(xiàn)過(guò)程 71
4.2.2 工作原理 72
4.3 為訓(xùn)練數(shù)據(jù)創(chuàng)建圖像變體 73
4.3.1 實(shí)現(xiàn)過(guò)程 73
4.3.2 工作原理 73
4.3.3 相關(guān)內(nèi)容 75
4.4 圖像預(yù)處理和輸入層設(shè)計(jì) 75
4.4.1 實(shí)現(xiàn)過(guò)程 75
4.4.2 工作原理 76
4.5 為CNN構(gòu)造隱藏層 77
4.5.1 實(shí)現(xiàn)過(guò)程 77
4.5.2 工作原理 78
4.6 構(gòu)建輸出層以進(jìn)行輸出分類 78
4.6.1 實(shí)現(xiàn)過(guò)程 78
4.6.2 工作原理 78
4.7 訓(xùn)練圖像并評(píng)估CNN輸出 79
4.7.1 實(shí)現(xiàn)過(guò)程 79
4.7.2 工作原理 81
4.7.3 相關(guān)內(nèi)容 81
4.8 為圖像分類器創(chuàng)建API端點(diǎn) 82
4.8.1 實(shí)現(xiàn)過(guò)程 82
4.8.2 工作原理 87
第5章 實(shí)現(xiàn)自然語(yǔ)言處理 88
5.1 技術(shù)要求 89
5.2 數(shù)據(jù)要求 89
5.3 讀取和加載文本數(shù)據(jù) 90
5.3.1 準(zhǔn)備工作 90
5.3.2 實(shí)現(xiàn)過(guò)程 90
5.3.3 工作原理 92
5.3.4 相關(guān)內(nèi)容 92
5.3.5 參考資料 92
5.4 分析詞數(shù)據(jù)并訓(xùn)練模型 93
5.4.1 實(shí)現(xiàn)過(guò)程 93
5.4.2 工作原理 93
5.4.3 相關(guān)內(nèi)容 94
5.5 評(píng)估模型 95
5.5.1 實(shí)現(xiàn)過(guò)程 95
5.5.2 工作原理 95
5.5.3 相關(guān)內(nèi)容 96
5.6 從模型中生成圖譜 96
5.6.1 準(zhǔn)備工作 96
5.6.2 實(shí)現(xiàn)過(guò)程 96
5.6.3 工作原理 97
5.7 保存和重新加載模型 98
5.7.1 實(shí)現(xiàn)過(guò)程 99
5.7.2 工作原理 99
5.8 導(dǎo)入GoogleNews向量 99
5.8.1 實(shí)現(xiàn)過(guò)程 99
5.8.2 工作原理 100
5.8.3 相關(guān)內(nèi)容 100
5.9 Word2Vec模型的故障診斷和調(diào)整 101
5.9.1 實(shí)現(xiàn)過(guò)程 101
5.9.2 工作原理 102
5.9.3 參考資料 103
5.10 使用CNNs使用 Word2Vec進(jìn)行句子分類 103
5.10.1 準(zhǔn)備工作 104
5.10.2 實(shí)現(xiàn)過(guò)程 105
5.10.3 工作原理 107
5.10.4 相關(guān)內(nèi)容 107
5.11 使用Doc2Vec進(jìn)行文檔分類 109
5.11.1 實(shí)現(xiàn)過(guò)程 109
5.11.2 工作原理 111
第6章 構(gòu)建時(shí)間序列的LSTM神經(jīng)網(wǎng)絡(luò) 114
6.1 技術(shù)要求 114
6.2 提取和讀取臨床數(shù)據(jù) 115
6.2.1 實(shí)現(xiàn)過(guò)程 115
6.2.2 工作原理 116
6.3 加載和轉(zhuǎn)換數(shù)據(jù) 117
6.3.1 準(zhǔn)備工作 117
6.3.2 實(shí)現(xiàn)過(guò)程 118
6.3.3 工作原理 118
6.4 構(gòu)建網(wǎng)絡(luò)輸入層 119
6.4.1 實(shí)現(xiàn)過(guò)程 119
6.4.2 工作原理 120
6.5 構(gòu)建網(wǎng)絡(luò)輸出層 121
6.5.1 實(shí)現(xiàn)過(guò)程 121
6.5.2 工作原理 121
6.6 訓(xùn)練時(shí)間序列數(shù)據(jù) 122
6.6.1 實(shí)現(xiàn)過(guò)程 122
6.6.2 工作原理 123
6.7 評(píng)估LSTM網(wǎng)絡(luò)的效率 123
6.7.1 實(shí)現(xiàn)過(guò)程 123
6.7.2 工作原理 124
第7章 構(gòu)建LSTM神經(jīng)網(wǎng)絡(luò)序列分類 125
7.1 技術(shù)要求 125
7.2 提取時(shí)間序列數(shù)據(jù) 127
7.2.1 實(shí)現(xiàn)過(guò)程 127
7.2.2 工作原理 128
7.3 加載訓(xùn)練數(shù)據(jù) 129
7.3.1 實(shí)現(xiàn)過(guò)程 130
7.3.2 工作原理 131
7.4 規(guī)范化訓(xùn)練數(shù)據(jù) 132
7.4.1 實(shí)現(xiàn)過(guò)程 132
7.4.2 工作原理 132
7.5 為網(wǎng)絡(luò)構(gòu)建輸入層 133
7.5.1 實(shí)現(xiàn)過(guò)程 133
7.5.2 工作原理 134
7.6 為網(wǎng)絡(luò)構(gòu)建輸出層 134
7.6.1 實(shí)現(xiàn)過(guò)程 134
7.6.2 工作原理 135
7.7 LSTM網(wǎng)絡(luò)分類輸出的評(píng)估 135
7.7.1 實(shí)現(xiàn)過(guò)程 135
7.7.2 工作原理 136
第8章 對(duì)非監(jiān)督數(shù)據(jù)執(zhí)行異常檢測(cè) 139
8.1 技術(shù)要求 139
8.2 提取和準(zhǔn)備 MNIST數(shù)據(jù) 140
8.2.1 實(shí)現(xiàn)過(guò)程 140
8.2.2 工作原理 141
8.3 為輸入構(gòu)造密集層 142
8.3.1 實(shí)現(xiàn)過(guò)程 142
8.3.2 工作原理 142
8.4 構(gòu)造輸出層 143
8.4.1 實(shí)現(xiàn)過(guò)程 143
8.4.2 工作原理 143
8.5 MNIST圖像訓(xùn)練 144
8.5.1 實(shí)現(xiàn)過(guò)程 144
8.5.2 工作原理 144
8.6 根據(jù)異常得分評(píng)估和排序結(jié)果 145
8.6.1 實(shí)現(xiàn)過(guò)程 145
8.6.2 工作原理 146
8.7 保存結(jié)果模型 148
8.7.1 實(shí)現(xiàn)過(guò)程 148
8.7.2 工作原理 148
8.7.3 相關(guān)內(nèi)容 148
第9章 使用RL4J進(jìn)行強(qiáng)化學(xué)習(xí) 149
9.1 技術(shù)要求 149
9.2 設(shè)置 Malmo環(huán)境和各自的依賴項(xiàng) 152
9.2.1 準(zhǔn)備工作 152
9.2.2 實(shí)現(xiàn)過(guò)程 152
9.2.3 工作原理 153
9.3 設(shè)置數(shù)據(jù)要求 153
9.3.1 實(shí)現(xiàn)過(guò)程 153
9.3.2 工作原理 157
9.3.3 參考資料 158
9.4 配置和訓(xùn)練DQN智能體 158
9.4.1 準(zhǔn)備工作 158
9.4.2 實(shí)現(xiàn)過(guò)程 158
9.4.3 工作原理 160
9.4.4 相關(guān)內(nèi)容 162
9.5 評(píng)估 Malmo智能體 162
9.5.1 準(zhǔn)備工作 162
9.5.2 實(shí)現(xiàn)過(guò)程 163
9.5.3 工作原理 163
第10章 在分布式環(huán)境中開(kāi)發(fā)應(yīng)用程序 165
10.1 技術(shù)要求 165
10.2 設(shè)置DL4J和所需的依賴項(xiàng) 166
10.2.1 準(zhǔn)備工作 166
10.2.2 實(shí)現(xiàn)過(guò)程 167
10.2.3 工作原理 173
10.3 創(chuàng)建用于訓(xùn)練的uber-JAR 174
10.3.1 實(shí)現(xiàn)過(guò)程 174
10.3.2 工作原理 175
10.4 訓(xùn)練用的CPU/GPU特定配置 176
10.4.1 實(shí)現(xiàn)過(guò)程 176
10.4.2 工作原理 176
10.4.3 更多內(nèi)容 177
10.5 Spark的內(nèi)存設(shè)置和垃圾回收 177
10.5.1 實(shí)現(xiàn)過(guò)程 177
10.5.2 工作原理 178
10.5.3 更多內(nèi)容 179
10.6 配置編碼閾值 181
10.6.1 實(shí)現(xiàn)過(guò)程 181
10.6.2 工作原理 181
10.6.3 更多內(nèi)容 182
10.7 執(zhí)行分布式測(cè)試集評(píng)估 182
10.7.1 實(shí)現(xiàn)過(guò)程 182
10.7.2 工作原理 186
10.8 保存和加載訓(xùn)練過(guò)的神經(jīng)網(wǎng)絡(luò)模型 187
10.8.1 實(shí)現(xiàn)過(guò)程 187
10.8.2 工作原理 188
10.8.3 更多內(nèi)容 188
10.9 執(zhí)行分布式推理 188
10.9.1 實(shí)現(xiàn)過(guò)程 188
10.9.2 工作原理 189
第11章 遷移學(xué)習(xí)在網(wǎng)絡(luò)模型中的應(yīng)用 190
11.1 技術(shù)要求 190
11.2 修改當(dāng)前的客戶保留模型 190
11.2.1 實(shí)現(xiàn)過(guò)程 191
11.2.2 工作原理 192
11.2.3 更多內(nèi)容 195
11.3 微調(diào)學(xué)習(xí)配置 196
11.3.1 實(shí)現(xiàn)過(guò)程 196
11.3.2 工作原理 197
11.4 凍結(jié)層的實(shí)現(xiàn) 197
11.4.1 實(shí)現(xiàn)過(guò)程 198
11.4.2 工作原理 198
11.5 導(dǎo)入和加載Keras模型和層 198
11.5.1 準(zhǔn)備工作 198
11.5.2 實(shí)現(xiàn)過(guò)程 199
11.5.3 工作原理 199
第12章 基準(zhǔn)測(cè)試和神經(jīng)網(wǎng)絡(luò)優(yōu)化 201
12.1 技術(shù)要求 201
12.2 DL4J/ND4J特定的配置 203
12.2.1 準(zhǔn)備工作 230 '203
12.2.2 實(shí)現(xiàn)過(guò)程 203
12.2.3 工作原理 204
12.2.4 更多內(nèi)容 206
12.3 設(shè)置堆空間和垃圾回收 207
12.3.1 實(shí)現(xiàn)過(guò)程 207
12.3.2 工作原理 209
12.3.3 更多內(nèi)容 210
12.3.4 其他參閱 210
12.4 使用異步ETL 210
12.4.1 實(shí)現(xiàn)過(guò)程 210
12.4.2 工作原理 211
12.4.3 更多內(nèi)容 211
12.5 利用仲裁器監(jiān)測(cè)神經(jīng)網(wǎng)絡(luò)行為 212
12.5.1 實(shí)現(xiàn)過(guò)程 212
12.5.2 工作原理 213
12.6 執(zhí)行超參數(shù)調(diào)整 213
12.6.1 實(shí)現(xiàn)過(guò)程 214
12.6.2 工作原理 217