| 作者 |
| 伊戈尔·利夫申 邱锡鹏 |
| 丛书名 |
| 智能系统与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782102031052 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------Java人工神经网络构建--------------------------- 本书涵盖了开发神经网络应用程序的许多方面。从头开始解释神经网络是如何工作的，然后以训练一个小神经网络为例，手动进行所有的计算。本书涵盖了前向和后向传播的内部内容，有助于理解神经网络处理的主要原理。它使你很快熟悉了前向和后向传播技术的所有基本原理。这本书还教你如何准备用于神经网络开发的数据，并为许多非传统的神经网络处理任务提出各种数据准备方法。 ---------------------------神经网络与深度学习--------------------------- 本书主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、自然语言处理等领域的应用。 |
| 目录 |
---------------------------Java人工神经网络构建--------------------------- 前言 第1章 关于神经网络的学习 1 1.1 生物神经元与人工神经元 1 1.2 激活函数 2 1.3 本章小结 4 第2章 神经网络处理的内在机理 5 2.1 逼近函数 5 2.2 网络架构 6 2.3 前向传递计算 7 2.4 输入记录1 8 2.5 输入记录2 8 2.6 输入记录3 9 2.7 输入记录4 9 2.8 反向传播过程计算 10 2.9 函数导数与函数发散 11 2.10 最常用的函数导数 12 2.11 本章小结 13 第3章 人工神经网络处理 14 3.1 示例1：单点函数的手动逼近 14 3.2 构建神经网络 15 3.3 前向传递计算 16 3.3.1 隐藏层 16 3.3.2 输出层 17 3.4 反向传递计算 18 3.4.1 计算输出层神经元的权值调整 18 3.4.2 计算隐藏层神经元的权值调整 20 3.5 更新网络偏差 24 3.6 回到前向传递 25 3.6.1 隐藏层 25 3.6.2 输出层 26 3.7 网络计算的矩阵形式 28 3.8 深入调查 28 3.9 小批次与随机梯度 30 3.10 本章小结 30 第4章 配置开发环境 31 4.1 在Windows计算机上安装 Java 11环境 31 4.2 安装NetBeans IDE 33 4.3 安装Encog Java框架 34 4.4 安装XChart包 34 4.5 本章小结 35 第5章 使用Java Encog框架开发神经网络 36 5.1 示例2：使用Java环境进行函数逼近 36 5.2 网络架构 37 5.3 规范化输入数据集 38 5.4 构建规范化两个数据集的Java程序 38 5.5 构建神经网络处理程序 45 5.6 程序代码 50 5.7 调试和执行程序 66 5.8 训练方法的处理结果 66 5.9 测试网络 67 5.10 测试结果 70 5.11 深入调查 71 5.12 本章小结 72 第6章 训练范围外的神经网络预测 73 6.1 示例3a：逼近训练范围以外的周期函数 73 6.1.1 示例3a的网络架构 76 6.1.2 示例3a的程序代码 76 6.1.3 测试网络 89 6.2 示例3b：逼近训练范围以外的周期函数的正确方法 90 6.2.1 准备训练数据 90 6.2.2 示例3b的网络架构 92 6.2.3 示例3b的程序代码 93 6.2.4 示例3b的训练结果 109 6.2.5 示例3b的测试结果 110 6.3 本章小结 110 第7章 复杂周期函数的处理 112 7.1 示例4：复杂周期函数的逼近 112 7.2 数据准备 114 7.3 反映数据中的函数拓扑 115 7.4 程序代码 120 7.5 训练网络 137 7.6 测试网络 138 7.7 深入调查 140 7.8 本章小结 141 第8章 非连续函数的处理 142 8.1 示例5：非连续函数的逼近 142 8.2 程序代码 145 8.3 训练效果不理想 157 8.4 用微批次方法逼近非连续函数 159 8.5 微批次处理程序代码 160 8.5.1 getChart()方法的程序代码 176 8.5.2 训练方法的代码片段1 179 8.5.3 训练方法的代码片段2 180 8.6 微批次方法的训练结果 184 8.7 测试处理逻辑 188 8.8 微批次方法的测试结果 191 8.9 深入调查 192 8.10 本章小结 196 第9章 具有复杂拓扑的连续函数的处理 197 9.1 示例5a：使用传统的网络过程逼近具有复杂拓扑的连续函数 197 9.1.1 示例5a的网络架构 198 9.1.2 示例5a的程序代码 199 9.1.3 示例5a的训练处理结果 208 9.2 用微批次方法逼近具有复杂拓扑的连续函数 211 9.3 示例5b：螺旋函数的逼近 232 9.3.1 示例5b的网络架构 234 9.3.2 示例5b的程序代码 235 9.4 用微批次方法逼近同一函数 246 9.5 本章小结 267 第10章 用神经网络对对象进行分类 268 10.1 示例6：记录分类 268 10.2 训练数据集 269 10.3 网络架构 271 10.4 测试数据集 272 10.5 数据规范化程序代码 273 10.6 分类程序代码 277 10.7 训练结果 297 10.8 测试结果 304 10.9 本章小结 305 第11章 选择正确模型的重要性 306 11.1 示例7：预测下个月的股市价格 306 11.2 在数据集中包含函数拓扑 311 11.3 生成微批次文件 312 11.4 网络架构 316 11.5 程序代码 317 11.6 训练过程 341 11.7 训练结果 342 11.8 测试数据集 347 11.9 测试逻辑 351 11.10 测试结果 358 11.11 分析测试结果 360 11.12 本章小结 361 第12章 三维空间中的函数逼近处理 362 12.1 示例8：三维空间中函数的逼近 362 12.1.1 数据准备 363 12.1.2 网络架构 364 12.2 程序代码 365 12.3 本章小结 380 ---------------------------神经网络与深度学习--------------------------- 序 前言 常用符号表 第一部分 机器学习基础 第1章 绪论3 1.1人工智能...............................4 1.1.1人工智能的发展历史....................5 1.1.2人工智能的流派.......................7 1.2机器学习...............................7 1.3表示学习...............................8 1.3.1局部表示和分布式表示...................9 1.3.2表示学习...........................11 1.4深度学习...............................11 1.4.1端到端学习..........................12 1.5神经网络...............................13 1.5.1人脑神经网络........................13 1.5.2人工神经网络........................14 1.5.3神经网络的发展历史....................15 1.6本书的知识体系...........................17 1.7常用的深度学习框架.........................18 1.8总结和深入阅读...........................20 第2章 机器学习概述23 2.1基本概念...............................24 2.2机器学习的三个基本要素......................26 2.2.1模型..............................26 2.2.2学习准则...........................27 2.2.3优化算法...........................30 2.3机器学习的简单示例——线性回归.................33 2.3.1参数学习...........................34 2.4偏差-方差分解............................38 2.5机器学习算法的类型.........................41 2.6数据的特征表示...........................43 2.6.1传统的特征学习.......................44 2.6.2深度学习方法........................46 2.7评价指标...............................46 2.8理论和定理..............................49 2.8.1PAC学习理论........................49 2.8.2没有免费午餐定理......................50 2.8.3奥卡姆剃刀原理.......................50 2.8.4丑小鸭定理..........................51 2.8.5归纳偏置...........................51 2.9总结和深入阅读...........................51 第3章 线性模型 3.1线性判别函数和决策边界......................56 3.1.1二分类............................56 3.1.2多分类............................58 3.2Logistic回归.............................59 3.2.1参数学习...........................60 3.3Softmax回归.............................61 3.3.1参数学习...........................62 3.4感知器.................................64 3.4.1参数学习...........................64 3.4.2感知器的收敛性.......................66 3.4.3参数平均感知器.......................67 3.4.4扩展到多分类........................69 3.5支持向量机..............................71 3.5.1参数学习...........................73 3.5.2核函数............................74 3.5.3软间隔............................74 3.6损失函数对比.............................75 3.7总结和深入阅读...........................76 第二部分 基础模型 第4章 前馈神经网络81 4.1神经元.................................82 4.1.1Sigmoid型函数.......................83 4.1.2ReLU函数..........................86 4.1.3Swish函数..........................88 4.1.4GELU函数..........................89 4.1.5Maxout单元.........................89 4.2网络结构...............................90 4.2.1前馈网络...........................90 4.2.2记忆网络...........................90 4.2.3图网络............................90 4.3前馈神经网络.............................91 4.3.1通用近似定理........................93 4.3.2应用到机器学习.......................94 4.3.3参数学习...........................95 4.4反向传播算法.............................95 4.5自动梯度计算.............................98 4.5.1数值微分...........................99 4.5.2符号微分...........................99 4.5.3自动微分...........................100 4.6优化问题...............................103 4.6.1非凸优化问题........................103 4.6.2梯度消失问题........................104 4.7总结和深入阅读...........................104 第5章 卷积神经网络109 5.1卷积..................................110 5.1.1卷积的定义..........................110 5.1.2互相关............................112 5.1.3卷积的变种..........................113 5.1.4卷积的数学性质.......................114 5.2卷积神经网络.............................115 5.2.1用卷积来代替全连接....................115 5.2.2卷积层............................116 5.2.3汇聚层............................118 5.2.4卷积网络的整体结构....................119 5.3参数学习...............................120 5.3.1卷积神经网络的反向传播算法...............120 5.4几种典型的卷积神经网络......................121 5.4.1LeNet-5............................122 5.4.2AlexNet...........................123 5.4.3Inception网络........................125 5.4.4残差网络...........................126 5.5其他卷积方式.............................127 5.5.1转置卷积...........................127 5.5.2空洞卷积...........................129 5.6总结和深入阅读...........................130 第6章 循环神经网络133 6.1给网络增加记忆能力.........................134 6.1.1延时神经网络........................134 6.1.2有外部输入的非线性自回归模型..............134 6.1.3循环神经网络........................135 6.2简单循环网络.............................135 6.2.1循环神经网络的计算能力..................136 6.3应用到机器学习...........................138 6.3.1序列到类别模式.......................138 6.3.2同步的序列到序列模式...................139 6.3.3异步的序列到序列模式...................139 6.4参数学习...............................140 6.4.1随时间反向传播算法....................141 6.4.2实时循环学习算法......................142 6.5长程依赖问题.............................143 6.5.1改进方案...........................144 6.6基于门控的循环神经网络......................145 6.6.1长短期记忆网络.......................145 6.6.2LSTM网络的各种变体...................147 6.6.3门控循环单元网络......................148 6.7深层循环神经网络..........................149 6.7.1堆叠循环神经网络......................150 6.7.2双向循环神经网络......................150 6.8扩展到图结构.............................151 6.8.1递归神经网络........................151 6.8.2图神经网络..........................152 6.9总结和深入阅读...........................153 第7章 网络优化与正则化157 7.1网络优化...............................157 7.1.1网络结构多样性.......................158 7.1.2高维变量的非凸优化....................158 7.1.3神经网络优化的改善方法..................160 7.2优化算法...............................160 7.2.1小批量梯度下降.......................160 7.2.2批量大小选择........................161 7.2.3学习率调整..........................162 7.2.4梯度估计修正........................167 7.2.5优化算法小结........................170 7.3参数初始化..............................171 7.3.1基于固定方差的参数初始化.................172 7.3.2基于方差缩放的参数初始化.................173 7.3.3正交初始化..........................175 7.4数据预处理..............................176 7.5逐层归一化..............................178 7.5.1批量归一化..........................179 7.5.2层归一化...........................181 7.5.3权重归一化..........................182 7.5.4局部响应归一化.......................182 7.6超参数优化..............................183 7.6.1网格搜索...........................183 7.6.2随机搜索...........................184 7.6.3贝叶斯优化..........................184 7.6.4动态资源分配........................185 7.6.5神经架构搜索........................186 7.7网络正则化..............................186 7.7.11和2正则化........................187 7.7.2权重衰减...........................188 7.7.3提前停止...........................188 7.7.4丢弃法............................189 7.7.5数据增强...........................191 7.7.6标签平滑...........................191 7.8总结和深入阅读...........................192 第8章 注意力机制与外部记忆197 8.1认知神经学中的注意力.......................198 8.2注意力机制..............................199 8.2.1注意力机制的变体......................201 8.3自注意力模型.............................203 8.4人脑中的记忆.............................205 8.5记忆增强神经网络..........................207 8.5.1端到端记忆网络.......................208 8.5.2神经图灵机..........................210 8.6基于神经动力学的联想记忆.....................211 8.6.1Hopfiel网络........................212 8.6.2使用联想记忆增加网络容量.................215 8.7总结和深入阅读...........................215 第9章 无监督学习219 9.1无监督特征学习...........................220 9.1.1主成分分析..........................220 9.1.2稀疏编码...........................222 9.1.3自编码器...........................224 9.1.4稀疏自编码器........................225 9.1.5堆叠自编码器........................226 9.1.6降噪自编码器........................226 9.2概率密度估计.............................227 9.2.1参数密度估计........................227 9.2.2非参数密度估计.......................229 9.3总结和深入阅读...........................232 第10章 模型独立的学习方式235 10.1集成学习...............................235 10.1.1AdaBoost算法........................237 10.2自训练和协同训练..........................240 10.2.1自训练............................240 10.2.2协同训练...........................240 10.3多任务学习..............................242 10.4迁移学习...............................245 10.4.1归纳迁移学习........................246 10.4.2转导迁移学习........................247 10.5终身学习...............................249 10.6元学习.................................252 10.6.1基于优化器的元学习....................253 10.6.2模型无关的元学习......................254 10.7总结和深入阅读...........................255 第三部分 进阶模型 第11章 概率图模型261 11.1模型表示...............................262 11.1.1有向图模型..........................263 11.1.2常见的有向图模型......................264 11.1.3无向图模型..........................267 11.1.4无向图模型的概率分解...................267 11.1.5常见的无向图模型......................269 11.1.6有向图和无向图之间的转换.................270 11.2学习..................................271 11.2.1不含隐变量的参数估计...................271 11.2.2含隐变量的参数估计....................273 11.3推断..................................279 11.3.1精确推断...........................279 11.3.2近似推断...........................282 11.4变分推断...............................283 11.5基于采样法的近似推断.......................285 11.5.1采样法............................285 11.5.2拒绝采样...........................287 11.5.3重要性采样..........................288 11.5.4马尔可夫链蒙特卡罗方法..................289 11.6总结和深入阅读...........................292 第12章 深度信念网络297 12.1玻尔兹曼机..............................297 12.1.1生成模型...........................299 12.1.2能量最小化与模拟退火...................301 12.1.3参数学习...........................302 12.2受限玻尔兹曼机...........................304 12.2.1生成模型...........................305 12.2.2参数学习...........................307 12.2.3受限玻尔兹曼机的类型...................308 12.3深度信念网络.............................309 12.3.1生成模型...........................310 12.3.2参数学习...........................310 12.4总结和深入阅读...........................313 第13章 深度生成模型317 13.1概率生成模型.............................318 13.1.1密度估计...........................318 13.1.2生成样本...........................319 13.1.3应用于监督学习.......................319 13.2变分自编码器.............................319 13.2.1含隐变量的生成模型....................319 13.2.2推断网络...........................321 13.2.3生成网络...........................323 13.2.4模型汇总...........................323 13.2.5再参数化...........................325 13.2.6训练..............................325 13.3生成对抗网络.............................327 13.3.1显式密度模型和隐式密度模型...............327 13.3.2网络分解...........................327 13.3.3训练..............................329 13.3.4一个生成对抗网络的具体实现：DCGAN..........330 13.3.5模型分析...........................330 13.3.6改进模型...........................333 13.4总结和深入阅读...........................336 第14章 深度强化学习339 14.1强化学习问题.............................340 14.1.1典型例子...........................340 14.1.2强化学习定义........................340 14.1.3马尔可夫决策过程......................341 14.1.4强化学习的目标函数....................343 14.1.5值函数............................344 14.1.6深度强化学习........................345 14.2基于值函数的学习方法.......................346 14.2.1动态规划算法........................346 14.2.2蒙特卡罗方法........................349 14.2.3时序差分学习方法......................350 14.2.4深度Q网络..........................353 14.3基于策略函数的学习方法......................354 14.3.1REINFORCE算法......................356 14.3.2带基准线的REINFORCE算法...............356 14.4演员-评论员算法...........................358 14.5总结和深入阅读...........................360 第15章 序列生成模型365 15.1序列概率模型.............................366 15.1.1序列生成...........................367 15.2N元统计模型.............................368 15.3深度序列模型.............................370 15.3.1模型结构...........................370 15.3.2参数学习...........................373 15.4评价方法...............................373 15.4.1困惑度............................373 15.4.2BLEU算法..........................374 15.4.3ROUGE算法.........................375 15.5序列生成模型中的学习问题.....................375 15.5.1曝光偏差问题........................376 15.5.2训练目标不一致问题....................377 15.5.3计算效率问题........................377 15.6序列到序列模型...........................385 15.6.1基于循环神经网络的序列到序列模型...........386 15.6.2基于注意力的序列到序列模型...............387 15.6.3基于自注意力的序列到序列模型..............388 15.7总结和深入阅读...........................390 附录数学基础 393 附录A 线性代数 394 附录B 微积分 404 附录C 数学优化 413 附录D 概率论 420 附录E 信息论 433 索引 439 |