基於 Java 的深度學習 (Java Deep Learning Cookbook : Train neural networks for classification, NLP, and reinforcement learning using Deeplearning4j)

"本書首先展示如何在系統上安裝和配置Java和DL4J,
然後深入講解了深度學習基礎知識,並創建了一個深度神經網絡進行二元分類。
其次,本書介紹瞭如何在DL4J中構建卷積神經網絡(CNN),以及如何用文本構建數字向量,
還介紹了對非監督數據的異常檢測,以及如何有效地在分佈式系統中建立神經網絡。
除此之外,講解瞭如何從Keras導入模型以及如何在預訓練的DL4J模型中更改配置。
*後,介紹了DL4J中的基準測試並優化神經網絡以獲得*佳結果。

本書適合想要在Java中使用DL4J構建健壯的深度學習應用程序的讀者,
閱讀本書需要具備深度學習基礎知識和一定的編程基礎。

Rahul Raj

在軟件開發，業務分析，客戶溝通以及在多個領域的中/大型項目諮詢中擁有超過7年的IT行業經驗。
目前，他在軟件開發公司擔任首席軟件工程師。
在開發活動方面擁有豐富的經驗，包括需求分析，設計，編碼，
實現，代碼審查，測試，用戶培訓和增強。
他撰寫了許多有關Java中神經網絡的文章，並且在DL4J / Java官方頻道中也有介紹。
他還是由印度的政府認證機構Vskills認證的認證機器學習專家。

目錄
前言
第1章Java深度學習簡介1
11技術要求1
12初識深度學習2
121反向傳播2
122多層感知器3
123卷積神經網絡3
124遞歸神經網絡3
125為什麼DL4J對深度學習很重要? 4
13確定正確的網絡類型來解決深度學習問題4
131實現過程4
132工作原理4
133相關內容7
14確定正確的激活函數9
141實現過程9
142工作原理9
143相關內容10
15解決過度擬合問題10
151實現過程11
152工作原理11
153相關內容11
16確定正確的批次大小和學習速率12
161實現過程12
162工作原理12
163相關內容13
17為DL4J配置Maven 14
171準備工作14
172實現過程14
173工作原理15
18為DL4J配置GPU加速環境16
181準備工作16
182實現過程16
183工作原理17
184相關內容18
19安裝問題疑難解答18
191準備工作19
192實現過程19
193工作原理19
194相關內容20
第2章數據提取、轉換和加載23
21技術要求23
22讀取並迭代數據24
221準備工作24
222實現過程24
223工作原理28
224相關內容32
23執行模式轉換33
231實現過程33
232工作原理34
233相關內容34
24構建轉換過程35
241實現過程35
242工作原理36
243相關內容36
25序列化轉換37
251實現過程38
252工作原理38
26執行轉換過程39
261實現過程39
262工作原理39
263相關內容40
27規範化數據以提高網絡效率40
271實現過程40
272工作原理41
273相關內容42
第3章二元分類的深層神經網絡構建43
31技術要求43
32從CSV輸入中提取數據44
321實現過程44
322工作原理44
33從數據中刪除異常45
331實現過程45
332工作原理46
333相關內容48
34將轉換應用於數據49
341實現過程49
342工作原理50
35為神經網絡模型設計輸入層52
351準備工作52
352實現過程53
353工作原理53
36為神經網絡模型設計隱藏層54
361實現過程54
362工作原理54
37為神經網絡模型設計輸出層54
371實現過程54
372工作原理55
38訓練和評估CSV數據的神經網絡模型55
381實現過程55
382工作原理57
383相關內容62
39部署神經網絡模型並將其用作API 63
391準備工作63
392實現過程64
393工作原理68
第4章建立卷積神經網絡70
41技術要求70
42從磁盤提取圖像71
421實現過程71
422工作原理72
43為訓練數據創建圖像變體73
431實現過程73
432工作原理73
433相關內容75
44圖像預處理和輸入層設計75
441實現過程75
442工作原理76
45為CNN構造隱藏層77
451實現過程77
452工作原理78
46構建輸出層以進行輸出分類78
461實現過程78
462工作原理78
47訓練圖像並評估CNN輸出79
471實現過程79
472工作原理81
473相關內容81
48為圖像分類器創建API端點82
481實現過程82
482工作原理87
第5章實現自然語言處理88
51技術要求89
52數據要求89
53讀取和加載文本數據90
531準備工作90
532實現過程90
533工作原理92
534相關內容92
535參考資料92
54分析詞數據並訓練模型93
541實現過程93
542工作原理93
543相關內容94
55評估模型95
551實現過程95
552工作原理95
553相關內容96
56從模型中生成圖譜96
561準備工作96
562實現過程96
563工作原理97
57保存和重新加載模型98
571實現過程99
572工作原理99
58導入GoogleNews向量99
581實現過程99
582工作原理100
583相關內容100
59 Word2Vec模型的故障診斷和調整101
591實現過程101
592工作原理102
593參考資料103
510使用CNNs使用Word2Vec進行句子分類103
5101準備工作104
5102實現過程105
5103工作原理107
5104相關內容107
511使用Doc2Vec進行文檔分類109
5111實現過程109
5112工作原理111
第6章構建時間序列的LSTM神經網絡114
61技術要求114
62提取和讀取臨床數據115
621實現過程115
622工作原理116
63加載和轉換數據117
631準備工作117
632實現過程118
633工作原理118
64構建網絡輸入層119
641實現過程119
642工作原理120
65構建網絡輸出層121
651實現過程121
652工作原理121
66訓練時間序列數據122
661實現過程122
662工作原理123
67評估LSTM網絡的效率123
671實現過程123
672工作原理124
第7章構建LSTM神經網絡序列分類125
71技術要求125
72提取時間序列數據127
721實現過程127
722工作原理128
73加載訓練數據129
731實現過程130
732工作原理131
74規範化訓練數據132
741實現過程132
742工作原理132
75為網絡構建輸入層133
751實現過程133
752工作原理134
76為網絡構建輸出層134
761實現過程134
762工作原理135
77 LSTM網絡分類輸出的評估135
771實現過程135
772工作原理136
第8章對非監督數據執行異常檢測139
81技術要求139
82提取和準備MNIST數據140
821實現過程140
822工作原理141
83為輸入構造密集層142
831實現過程142
832工作原理142
84構造輸出層143
841實現過程143
842工作原理143
85 MNIST圖像訓練144
851實現過程144
852工作原理144
86根據異常得分評估和排序結果145
861實現過程145
862工作原理146
87保存結果模型148
871實現過程148
872工作原理148
873相關內容148
第9章使用RL4J進行強化學習149
91技術要求149
92設置Malmo環境和各自的依賴項152
921準備工作152
922實現過程152
923工作原理153
93設置數據要求153
931實現過程153
932工作原理157
933參考資料158
94配置和訓練DQN智能體158
941準備工作158
942實現過程158
943工作原理160
944相關內容162
95評估Malmo智能體162
951準備工作162
952實現過程163
953工作原理163
第10章在分佈式環境中開發應用程序165
101技術要求165
102設置DL4J和所需的依賴項166
1021準備工作166
1022實現過程167
1023工作原理173
103創建用於訓練的uber-JAR 174
1031實現過程174
1032工作原理175
104訓練用的CPU/GPU特定配置176
1041實現過程176
1042工作原理176
1043更多內容177
105 Spark的內存設置和垃圾回收177
1051實現過程177
1052工作原理178
1053更多內容179
106配置編碼閾值181
1061實現過程181
1062工作原理181
1063更多內容182
107執行分佈式測試集評估182
1071實現過程182
1072工作原理186
108保存和加載訓練過的神經網絡模型187
1081實現過程187
1082工作原理188
1083更多內容188
109執行分佈式推理188
1091實現過程188
1092工作原理189
第11章遷移學習在網絡模型中的應用190
111技術要求190
112修改當前的客戶保留模型190
1121實現過程191
1122工作原理192
1123更多內容195
113微調學習配置196
1131實現過程196
1132工作原理197
114凍結層的實現197
1141實現過程198
1142工作原理198
115導入和加載Keras模型和層198
1151準備工作198
1152實現過程199
1153工作原理199
第12章基準測試和神經網絡優化201
121技術要求201
122 DL4J/ND4J特定的配置203
1221準備工作230 '203
1222實現過程203
1223工作原理204
1224更多內容206
123設置堆空間和垃圾回收207
1231實現過程207
1232工作原理209
1233更多內容210
1234其他參閱210
124使用異步ETL 210
1241實現過程210
1242工作原理211
1243更多內容211
125利用仲裁器監測神經網絡行為212
1251實現過程212
1252工作原理213
126執行超參數調整213
1261實現過程214
1262工作原理217