 |
-- 會員 / 註冊 --
|
 |
|
|
|
JavaScript深度學習 ( 簡體 字) |
| 作者：蔡善清，[美]斯坦利·比列斯奇，[美]埃里克·D. 尼爾森，[美]弗朗索瓦·肖萊 | 類別：1. -> 程式設計 -> 網路編程 -> Javascript |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 54318
詢問書籍請說出此書號！【缺書】
NT售價： 650 元 |
| 出版日：4/1/2021 |
| 頁數：408 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787115561145 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
| 前言： |
內容簡介：本書教你使用TensorFlow.js構建強大的JavaScript深度學習應用程序。本書作者均是谷歌大腦團隊的資深工程師，也是TensorFlow.js的核心開發人員。你將了解JavaScript與深度學習結合的獨特優勢，掌握客戶端預測與分析、圖像識別、監督學習、遷移學習、強化學習等核心概念，并動手在瀏覽器中實現計算機視覺和音頻處理以及自然語言處理，構建并訓練神經網絡，利用客戶端數據優化機器學習模型，開發基于瀏覽器的交互式游戲，同時為深度學習探索新的應用空間。你還可以獲得深度學習模型構建過程中不同問題所涉及的策略和相關限制的實用知識，同時了解訓練和部署這些模型的具體步驟以及重要的注意事項。 |
目錄：第 一部分 動機和基本概念
第 1章 深度學習和JavaScript 2
1.1 人工智能、機器學習、神經網絡和深度學習 4
1.1.1 人工智能 4
1.1.2 機器學習：它和傳統編程有何不同 5
1.1.3 神經網絡和深度學習 9
1.1.4 進行深度學習的必要性 12
1.2 為何要結合JavaScript和機器學習 14
1.2.1 用Node.js進行深度學習 19
1.2.2 JavaScript生態系統 20
1.3 為何選用TensorFlow.js 21
1.3.1 TensorFlow、Keras和TensorFlow.js的前世今生 21
1.3.2 為何選用TensorFlow.js 24
1.3.3 TensorFlow.js在全球的應用情況 25
1.3.4 本書中的TensorFlow.js知識 26
1.4 練習 27
1.5 小結 27
第二部分 深入淺出TensorFlow.js
第 2章 TensorFlow.js入門：從簡單的線性回歸開始 30
2.1 示例1：用TensorFlow.js預測下載任務所需時間 30
2.1.1 項目概覽：預測下載任務所需時間 31
2.1.2 關于代碼清單和控制臺交互的注意事項 32
2.1.3 創建和格式化數據 32
2.1.4 定義簡單的模型 35
2.1.5 使模型擬合訓練集 37
2.1.6 用經過訓練的模型進行預測 39
2.1.7 示例1 小結 40
2.2 model.fit()內部原理剖析：示例1中的梯度下降算法 41
2.2.1 直觀理解梯度下降算法優化 41
2.2.2 探索梯度下降算法的內部原理：反向傳播算法 46
2.3 示例2：涉及多個輸入特征的線性回歸 50
2.3.1 波士頓房價數據集 50
2.3.2 從GitHub獲取并運行波士頓房價預測項目 51
2.3.3 讀取波士頓房價數據 53
2.3.4 準確定義波士頓房價問題 54
2.3.5 線性回歸前的準備工作：數據標準化 55
2.3.6 對波士頓房價數據集進行線性回歸 59
2.4 如何理解模型 62
2.4.1 解釋習得的權重 62
2.4.2 獲取模型內部權重 64
2.4.3 關于可解釋性的注意事項 65
2.5 練習 65
2.6 小結 65
第3章 添加非線性：升級加權和 67
3.1 非線性的定義及其優勢 67
3.1.1 直觀地理解神經網絡中的非線性 69
3.1.2 超參數與超參數優化 75
3.2 輸出端的非線性：分類任務的模型 77
3.2.1 二分類定義 78
3.2.2 度量二分類器的性能：準確率、精確率、召回率 81
3.2.3 ROC曲線：展示二分類問題中的取舍關系 83
3.2.4 二元交叉熵：二分類問題的損失函數 87
3.3 多分類問題 90
3.3.1 對分類數據進行one-hot編碼 90
3.3.2 歸一化指數函數：softmax函數 92
3.3.3 分類交叉熵：多分類問題的損失函數 94
3.3.4 混淆矩陣：更細粒度地分析多分類問題 95
3.4 練習 97
3.5 小結 98
第4章 用convnet 識別圖像和音頻 99
4.1 從向量到張量：圖像數據的表示方法 99
4.2 你的第 一個convnet 101
4.2.1 conv2d層 103
4.2.2 maxPooling2d層 107
4.2.3 重復出現的卷積層加池化層組合模式 108
4.2.4 扁平化密集層 109
4.2.5 訓練convnet 111
4.2.6 用convnet做預測 114
4.3 告別瀏覽器：用Node.js更快地訓練模型 117
4.3.1 安裝使用tfjs-node所需的依賴和模塊 117
4.3.2 在瀏覽器中加載Node.js中保存的模型 122
4.4 口語單詞識別：對音頻數據使用convnet 124
4.5 練習 130
4.6 小結 130
第5章 遷移學習：復用預訓練的神經網絡 132
5.1 遷移學習簡介：復用預訓練模型 132
5.1.1 基于兼容的輸出形狀進行遷移學習：固化層 134
5.1.2 對不兼容的輸出形狀進行遷移學習：用基模型的輸出創建新模型 139
5.1.3 用微調最大化遷移學習的收益：音頻示例 150
5.2 通過對convnet進行遷移學習實現目標檢測 159
5.2.1 基于合成場景的簡單目標識別問題 160
5.2.2 深入了解如何實現簡單的目標檢測 161
5.3 練習 168
5.4 小結 169
第三部分 TensorFlow.js高級深度學習
第6章 處理數據 172
6.1 用tf.data管理數據 173
6.1.1 tf.data.Dataset對象 173
6.1.2 創建tf.data.Dataset對象 174
6.1.3 讀取數據集對象中的數據 178
6.1.4 操作tfjs-data數據集 179
6.2 用model.fitDataset訓練模型 183
6.3 獲取數據的常見模式 188
6.3.1 處理CSV格式的數據 188
6.3.2 用tf.data.webcam()獲取視頻數據 193
6.3.3 用tf.data.microphone()獲取音頻數據 196
6.4 處理有缺陷的數據 198
6.4.1 數據理論 199
6.4.2 檢測并清洗數據中的缺陷 202
6.5 數據增強 208
6.6 練習 211
6.7 小結 211
第7章 可視化數據和模型 212
7.1 數據可視化 212
7.1.1 用tfjs-vis模塊可視化數據 213
7.1.2 綜合性案例研究：用tfjs-vis模塊可視化氣象數據 220
7.2 可視化訓練后的模型 225
7.2.1 可視化convnet內部激活函數的輸出 226
7.2.2 找到卷積層的敏感點：最大化激活函數輸出的輸入圖像 229
7.2.3 可視化和解讀convnet的分類結果 233
7.3 延展閱讀和補充資料 234
7.4 練習 235
7.5 小結 235
第8章 欠擬合、過擬合，以及機器學習的通用流程 236
8.1 定義氣溫預測問題 236
8.2 欠擬合、過擬合，以及應對措施 240
8.2.1 欠擬合 240
8.2.2 過擬合 242
8.2.3 用權重正則化應對過擬合并可視化其成效 244
8.3 機器學習的通用流程 248
8.4 練習 250
8.5 小結 251
第9章 針對序列和文本的深度學習 252
9.1 用RNN對氣溫預測問題進行第二次嘗試 253
9.1.1 為何密集層無法為序列中的順序信息建模 253
9.1.2 RNN層如何為序列中的順序建模 255
9.2 構建針對文本的深度學習模型 263
9.2.1 文本在機器學習中的表示方法：one-hot編碼和multi-hot編碼 264
9.2.2 對情感分析問題的第 一次嘗試 266
9.2.3 一種更高效的文本表示：詞嵌入 267
9.2.4 1D convnet 269
9.3 采用注意力機制的序列到序列任務 277
9.3.1 定義序列到序列任務 277
9.3.2 編碼器 解碼器架構和注意力機制 279
9.3.3 詳解基于注意力機制的編碼器 解碼器模型 282
9.4 延展閱讀 286
9.5 練習 286
9.6 小結 287
第 10章 生成式深度學習 289
10.1 用LSTM 生成文本 290
10.1.1 下個字符預測器：一種簡單的文本生成方法 290
10.1.2 基于LSTM的文本生成器示例 292
10.1.3 混沌值：調節生成文本的隨機程度的閥門 296
10.2 變分自編碼器：找到圖像的高效、結構化表示 299
10.2.1 經典自編碼器和變分自編碼器：基本概念 299
10.2.2 VAE的具體示例：Fashion-MNIST數據集示例 302
10.3 用GAN生成圖像 308
10.3.1 GAN背后的基本概念 309
10.3.2 ACGAN的基本組成部分 311
10.3.3 詳解ACGAN的訓練流程 315
10.3.4 見證針對MNIST數據集的ACGAN模型的訓練和圖像生成 317
10.4 延展閱讀 320
10.5 練習 320
10.6 小結 321
第 11章 深度強化學習的基本原理 322
11.1 定義強化學習問題 323
11.2 策略網絡和策略梯度：平衡倒立擺示例 326
11.2.1 用強化學習的框架定義平衡倒立擺問題 326
11.2.2 策略網絡 328
11.2.3 訓練策略網絡：REINFORCE算法 331
11.3 價值網絡和Q學習：《貪吃蛇》游戲示例 337
11.3.1 用強化學習的框架定義貪吃蛇問題 337
11.3.2 馬爾可夫決策過程和Q值 340
11.3.3 深度Q網絡 343
11.3.4 訓練深度Q網絡 346
11.4 延展閱讀 356
11.5 練習 356
11.6 小結 358
第四部分 總結與結語
第 12章 模型的測試、優化和部署 360
12.1 測試TensorFlow.js模型 360
12.1.1 傳統的單元測試 362
12.1.2 基于黃金值的測試 364
12.1.3 關于持續訓練的一些思考 366
12.2 模型優化 367
12.2.1 通過訓練后的權重量化優化模型體積 367
12.2.2 基于GraphModel轉換的推斷速度優化 373
12.3 部署TensorFlow.js模型到不同的平臺和環境 378
12.3.1 部署到Web環境時的一些額外考量 378
12.3.2 部署到云環境 379
12.3.3 部署到瀏覽器插件（例如Chrome插件）環境 380
12.3.4 部署到基于JavaScript的移動端應用程序 382
12.3.5 部署到基于JavaScript的跨平臺桌面端應用程序 383
12.3.6 部署到微信和其他基于JavaScript的移動端插件系統 385
12.3.7 部署到單片機 386
12.3.8 部署環境的總結 388
12.4 延展閱讀 388
12.5 練習 388
12.6 小結 389
第 13章 總結與展望 390
13.1 回顧關鍵概念 390
13.1.1 AI的各種策略 390
13.1.2 深度學習從各種機器學習策略中脫穎而出的原因 391
13.1.3 如何抽象地理解深度學習 392
13.1.4 深度學習成功的關鍵因素 392
13.1.5 JavaScript深度學習帶來的新應用和新機遇 393
13.2 回顧深度學習的流程和TensorFlow.js中的算法 394
13.2.1 監督式深度學習的通用流程 394
13.2.2 回顧TensorFlow.js中的模型類型和層類型 395
13.2.3 在TensorFlow.js中使用預訓練模型 400
13.2.4 可能性空間 402
13.2.5 深度學習的局限性 404
13.3 深度學習的發展趨勢 406
13.4 繼續探索的一些指引 407
13.4.1 在Kaggle上練習解決實際的機器學習問題 407
13.4.2 了解arXiv上的最新進展 408
13.4.3 探索TensorFlow.js生態 408
13.5 寄語 408
附錄A 安裝tfjs-node-gpu及其依賴（圖靈社區下載）
附錄B TensorFlow.js張量及運算的簡明教程（圖靈社區下載）
術語表（圖靈社區下載） |
| 序： |
|
