基本信息
- 作者： （法）克里斯托弗·布雷斯
- 译者： 连晓峰
- 出版社：机械工业出版社*
- ISBN：9787111588788
- 上架时间：2018-4-10
- 出版日期：2018 年4月
- 开本：16开
- 页码：202
- 版次：1-1
- 所属分类：计算机 > 人工智能 > 人机交互
机械工业出版社分类专区 > 机工电工电子分社 > 相关图书
编辑推荐
本书特色
本书对基于Theano的深度学习进行了完整叙述，Theano是一个能够在CPU或GPU上便于优化数值表示和深度学习模型的Python库。
本书提供了一些实用代码示例，有助于初学者易于理解如何构建复杂神经网络，而对于有经验的数据分析师会更关注书中的相关内容，解决图像识别、自然语言处理和博弈决策领域的监督式学习和非监督式学习、生成模型和强化学习。
本书还讨论了从简单数字识别、图像分类、目标定位、图像分割到图像字幕的图像识别任务，自然语言处理示例包括文本生成、聊天机器人、机器翻译和机器问答系统。其中，后一个示例是处理貌似真实的随机数据生成并解决如Open-AI生态的博弈问题。
后，本书总结了针对每项任务的佳性能网络。早期的研究成果主要是基于神经层的深度堆栈，尤其是卷积层，而本书给出了提高这些架构效率的原理，以帮助读者构建新的个性化神经网络。
关于本书
阅读本书将会学到的内容：
·熟悉Theano和深度学习的概念；
·给出监督式、非监督式、生成或强化学习的示例；
·揭示设计高效深度学习网络的主要原则：卷积、残差连接和递归连接；
·Theano在实际计算机视觉数据集中的应用，如数字分类和图像分类；
·将Theano扩展到自然语言处理任务，如聊天机器人或机器翻译；
·人工智能驱动策略以使得机器人能够解决博弈问题或从环境中学习；
·基于生成模型生成真实的合成数据；
·熟悉应用于Theano上层的两个框架：Lasagne和Keras。
内容简介
作译者
译者简介：
连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。
连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。
目录
译者序
原书前言
本书作者
原书致谢
第1 章 Theano 基础 1
1.1 张量所需 1
1.2 安装和加载Theano 2
1.2.1 Conda 软件包和环境管理器 2
1.2.2 在CPU 上安装和运行Theano 2
1.2.3 GPU 驱动和相关库 3
1.2.4 在GPU 上安装和运行Theano 4
1.3 张量 5
1.4 计算图和符号计算 8
1.5 张量操作 11
1.5.1 维度操作算子 13
1.5.2 元素操作算子 14
1.5.3 约简操作算子 16
1.5.4 线性代数算子 16
1.6 内存和变量 18
1.7 函数和自动微分 20
原书前言
本书作者
原书致谢
第1 章 Theano 基础 1
1.1 张量所需 1
1.2 安装和加载Theano 2
1.2.1 Conda 软件包和环境管理器 2
1.2.2 在CPU 上安装和运行Theano 2
1.2.3 GPU 驱动和相关库 3
1.2.4 在GPU 上安装和运行Theano 4
1.3 张量 5
1.4 计算图和符号计算 8
1.5 张量操作 11
1.5.1 维度操作算子 13
1.5.2 元素操作算子 14
1.5.3 约简操作算子 16
1.5.4 线性代数算子 16
1.6 内存和变量 18
1.7 函数和自动微分 20
译者序
机器学习是一门专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能的学科。深度学习是目前机器学习领域的研究热点之一。深度学习的概念源于人工神经网络的研究，是通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。
自从 Hinton等人于 2006年首次提出深度学习概念以来，目前已提出多种深度学习框架和算法。深度学习实质上是机器学习中一种基于对数据进行表征学习的方法，目的是建立并模拟人脑进行分析学习的神经网络来解释数据，例如图像、声音和文本。可利用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
本书主要介绍了深度学习的基本概念和常用网络以及 Theano在深度学习中的应用。全书共 13章，首先介绍了 Theano的基础知识，包括张量、计算图、符号计算、张量算子、自动微分等概念，然后分别介绍了基于前馈神经网络的手写体数字分类、单词的向量编码、基于递归神经网络的文本生成、基于双向 LSTM的情感分析、基于空间变换网络的定位、基于残差网络的图像分类、基于编码—解码网络的翻译与解释、基于注意力机制的相关输入或记忆选择、基于先进递归神经网络的时间序列预测、强化环境学习和基于非监督式网络的特征学习等内容，最后介绍了 Theano在深度学习中的扩展可能性。全书内容丰富，并结合实际案例进行分析与实践，深入浅出，重点突出。
作者长期从事深度学习相关研究工作，并长期撰写与深度学习相关的教程，在 Theano及其应用方面积累了丰富的实践经验。
本书主要由连晓峰翻译，韩忠明校正统稿，其中，贾涵、潘兵、叶璐、王炎、申震云、郭朝晖、于健、曲东阳、韩孝军、马慧茹、贾琦、李东红、彭森等人也参与了部分内容的翻译和整理。
需说明的是，书中向量、矢量、张量、矩阵为与原书形式一致，并未改为标准的黑斜体，请读者注意。
由于译者的水平有限，书中不当或错误之处恳请各位业内专家学者和广大读者不吝赐教。
译者
自从 Hinton等人于 2006年首次提出深度学习概念以来，目前已提出多种深度学习框架和算法。深度学习实质上是机器学习中一种基于对数据进行表征学习的方法，目的是建立并模拟人脑进行分析学习的神经网络来解释数据，例如图像、声音和文本。可利用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
本书主要介绍了深度学习的基本概念和常用网络以及 Theano在深度学习中的应用。全书共 13章，首先介绍了 Theano的基础知识，包括张量、计算图、符号计算、张量算子、自动微分等概念，然后分别介绍了基于前馈神经网络的手写体数字分类、单词的向量编码、基于递归神经网络的文本生成、基于双向 LSTM的情感分析、基于空间变换网络的定位、基于残差网络的图像分类、基于编码—解码网络的翻译与解释、基于注意力机制的相关输入或记忆选择、基于先进递归神经网络的时间序列预测、强化环境学习和基于非监督式网络的特征学习等内容，最后介绍了 Theano在深度学习中的扩展可能性。全书内容丰富，并结合实际案例进行分析与实践，深入浅出，重点突出。
作者长期从事深度学习相关研究工作，并长期撰写与深度学习相关的教程，在 Theano及其应用方面积累了丰富的实践经验。
本书主要由连晓峰翻译，韩忠明校正统稿，其中，贾涵、潘兵、叶璐、王炎、申震云、郭朝晖、于健、曲东阳、韩孝军、马慧茹、贾琦、李东红、彭森等人也参与了部分内容的翻译和整理。
需说明的是，书中向量、矢量、张量、矩阵为与原书形式一致，并未改为标准的黑斜体，请读者注意。
由于译者的水平有限，书中不当或错误之处恳请各位业内专家学者和广大读者不吝赐教。
译者
前言
通过神经网络架构设计的见解和实践可解决人工智能问题，理解深度学习中最先进网络的相关概念。利用 Python实现的 Theano技术能够很容易地计算导数并最小化所选择的目标函数。
本书主要内容
第 1章Theano基础，帮助读者学习了解 Theano的主要概念，编写可在不同硬件架构上编译的代码，并自动优化复杂的数学目标函数。
第 2章基于前馈神经网络的手写体数字分类，主要介绍一个已证明深度学习算法优越性的简单常见示例。最初问题是识别手写体数字。
第 3章单词的向量编码，神经网络的主要难点之一是将真实世界的数据连接到神经网络的输入端，特别是分类和离散数据。本章将介绍一个如何利用 Theano通过训练来构建嵌入空间的示例。
这种嵌入方式在机器翻译、机器人、图像字幕等方面非常有用，因为可以将真实世界的数据转换成可由神经网络处理的向量数组。
第 4章基于递归神经网络的文本生成，通过一个简单的示例实践介绍了神经网络的递归，以生成文本。
递归神经网络（ RNN）是深度学习中的一个研究热点，能够实现序列预测、序列生成、机器翻译和对象关联等任务。自然语言处理（ NLP）是推动机器学习新技术发展的第二个热门研究领域。
第 5章基于双向 LSTM 的情感分析，将嵌入技术和递归层应用于自然语言处理的一个新课题，即情感分析。本章实际上是对前几章内容的一种验证。
以此同时，还介绍了基于 Theano构建神经网络的另一种方法，即采用一种更高级的库— Keras。
第 6章基于空间变换网络的定位，将递归技术应用于图像，从而一次读取图像页面上的多个数字。在此，利用用于 Theano深度学习的内置模块库—Lasagne来重新构建手写体数字图像的分类网络及其递归模型。
Lasagne库有助于设计神经网络进行更快实验。在此情况下，将通过空间变换模块来提高分类质量，从而解决计算机视觉中的一个常见难题—对象定位问题。
第 7章基于残差网络的图像分类，以最佳精度对任何类型的图像进行分类。同时，为了更容易地构建更复杂网络，本章将通过一个已具有许多实现组件的基于 Theano框架的 Lasagne库来更快地实现 Theano下的神经网络。
第 8章基于编码—解码网络的翻译与解释，介绍了应用于文本处理的编码—解码技术，这些技术已大量应用于机器翻译和简单聊天机器人系统中。同时还可应用于图像处理，
原书前言
主要是实现场景分割和对象定位。最后，图像字幕技术是一种图像编码和文本解码相结合的混合技术。
本章进一步应用了非常流行的高级库 Keras，由此极大简化了 Theano下神经网络的开发。
第 9章基于注意力机制的相关输入或记忆选择，为解决更复杂的任务，机器学习界研究人员一直在寻找一种受自然启发的更高层次智能：推理、注意力和记忆。在本章，读者主要学习基于人工智能的记忆网络在 NLP中的应用：语言理解。
第 10章基于先进递归神经网络的时间序列预测，时间序列是机器学习中广泛应用的一个重要领域。本章将利用 RNN的先进技术，来获得最新成果。
第 11章强化环境学习，强化学习是机器学习的一个重要研究领域，主要是训练一个智能体在环境下的行为（如视频游戏），通过在环境中执行某些动作（按下控制器上的按键）和观察所发生的变化来得到一个最优量（最大化游戏得分）。
本书主要内容
第 1章Theano基础，帮助读者学习了解 Theano的主要概念，编写可在不同硬件架构上编译的代码，并自动优化复杂的数学目标函数。
第 2章基于前馈神经网络的手写体数字分类，主要介绍一个已证明深度学习算法优越性的简单常见示例。最初问题是识别手写体数字。
第 3章单词的向量编码，神经网络的主要难点之一是将真实世界的数据连接到神经网络的输入端，特别是分类和离散数据。本章将介绍一个如何利用 Theano通过训练来构建嵌入空间的示例。
这种嵌入方式在机器翻译、机器人、图像字幕等方面非常有用，因为可以将真实世界的数据转换成可由神经网络处理的向量数组。
第 4章基于递归神经网络的文本生成，通过一个简单的示例实践介绍了神经网络的递归，以生成文本。
递归神经网络（ RNN）是深度学习中的一个研究热点，能够实现序列预测、序列生成、机器翻译和对象关联等任务。自然语言处理（ NLP）是推动机器学习新技术发展的第二个热门研究领域。
第 5章基于双向 LSTM 的情感分析，将嵌入技术和递归层应用于自然语言处理的一个新课题，即情感分析。本章实际上是对前几章内容的一种验证。
以此同时，还介绍了基于 Theano构建神经网络的另一种方法，即采用一种更高级的库— Keras。
第 6章基于空间变换网络的定位，将递归技术应用于图像，从而一次读取图像页面上的多个数字。在此，利用用于 Theano深度学习的内置模块库—Lasagne来重新构建手写体数字图像的分类网络及其递归模型。
Lasagne库有助于设计神经网络进行更快实验。在此情况下，将通过空间变换模块来提高分类质量，从而解决计算机视觉中的一个常见难题—对象定位问题。
第 7章基于残差网络的图像分类，以最佳精度对任何类型的图像进行分类。同时，为了更容易地构建更复杂网络，本章将通过一个已具有许多实现组件的基于 Theano框架的 Lasagne库来更快地实现 Theano下的神经网络。
第 8章基于编码—解码网络的翻译与解释，介绍了应用于文本处理的编码—解码技术，这些技术已大量应用于机器翻译和简单聊天机器人系统中。同时还可应用于图像处理，
原书前言
主要是实现场景分割和对象定位。最后，图像字幕技术是一种图像编码和文本解码相结合的混合技术。
本章进一步应用了非常流行的高级库 Keras，由此极大简化了 Theano下神经网络的开发。
第 9章基于注意力机制的相关输入或记忆选择，为解决更复杂的任务，机器学习界研究人员一直在寻找一种受自然启发的更高层次智能：推理、注意力和记忆。在本章，读者主要学习基于人工智能的记忆网络在 NLP中的应用：语言理解。
第 10章基于先进递归神经网络的时间序列预测，时间序列是机器学习中广泛应用的一个重要领域。本章将利用 RNN的先进技术，来获得最新成果。
第 11章强化环境学习，强化学习是机器学习的一个重要研究领域，主要是训练一个智能体在环境下的行为（如视频游戏），通过在环境中执行某些动作（按下控制器上的按键）和观察所发生的变化来得到一个最优量（最大化游戏得分）。
