产品特色

编辑推荐

《基于Theano的深度学习：构建未来与当前的人工大脑》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。

《基于Theano的深度学习：构建未来与当前的人工大脑》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。

《基于Theano的深度学习：构建未来与当前的人工大脑》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。

《基于Theano的深度学习：构建未来与当前的人工大脑》

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。

关注“科技电眼”微信号，回复“58878”可直接获取下载地址。

内容简介

《基于Theano的深度学习：构建未来与当前的人工大脑》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。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、基于剩余网络的图像分类、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，后介绍了Theano在深度学习中的扩展可能性。

作者简介

Christopher Bourez于2005年毕业于巴黎综合理工大学和卡尚高等师范学院，获得数学、机器学习和计算机视觉（MVA）的硕士学位。

7年来，他创立了一家计算机视觉公司，在 2007年推出了一种用于iPhone的视觉识别应用程序Pixee，与巴黎市的各大影院品牌和一些主要票务经销商合作：通过一张照片，用户可以获取有关活动、产品和购票方式等信息。

在应用Caffe、TensorFlow或 Torch来完成计算机视觉任务的过程中，通过计算机科学的博客，帮助其他开发人员成功实现。其中一篇博客文章 —“A tutorial on the Caffe deep learning technology”（基于 Caffe的深度学习技术教程），已成为继 Caffe官方网站之后在网络上受欢迎的教程。

在Packt出版社的积极倡导下，将其撰写Caffe教程的成功经验移植到关于 Theano技术的本书上。与此同时，还深入研究了有关深度学习的广泛问题，并在 Theano及其应用方面积累了更多的实践经验。

内页插图

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

1.8　符号计算中的循环运算 //22

1.9　配置、分析和调试 //26

1.10　小结 //29

第2 章　 基于前馈神经网络的手写体数字分类 //30

2.1　MNIST 数据集 // 30

2.2　训练程序架构 // 32

2.3　分类损失函数 // 33

2.4　单层线性模型 // 34

2.5　成本函数和误差 // 35

2.6　反向传播算法和随机梯度下降 // 36

2.7　多层模型 // 37

2.8　卷积层和最大池化层 // 43

2.9　训练 // 47

2.10　退出 // 52

2.11　推理 // 52

2.12　优化和其他更新规则 // 52

2.13　延伸阅读 // 56

2.14　小结 // 57

第3 章　单词的向量编码 //58

3.1　编码和嵌入 // 58

3.2　数据集 // 60

3.3　连续词袋模型 // 62

3.4　模型训练 // 66

3.5　可视化学习嵌入 // 68

3.6　嵌入评价—类比推理 // 70

3.7　嵌入评价—量化分析 // 72

3.8　单词嵌入应用 // 72

3.9　权重绑定 // 73

3.10　延伸阅读 // 73

3.11　小结 // 74

第4 章　 基于递归神经网络的文本生成 //75

4.1　RNN 所需 // 75

4.2　自然语言数据集 // 76

4.3　简单递归网络 // 79

4.3.1　LSTM 网络 // 81

4.3.2　门控递归网络 // 83

4.4　自然语言性能评测 // 84

4.5　训练损失比较 // 84

4.6　预测示例 // 86

4.7　RNN 的应用 // 87

4.8　延伸阅读 // 88

4.9　小结 // 89

第5 章　 基于双向LSTM 的情感分析 // 90

5.1　Keras 的安装和配置 // 90

5.1.1　Keras 编程 // 91

5.1.2　SemEval 2013 数据集 // 93

5.2　文本数据预处理 // 94

5.3　模型架构设计 // 96

5.3.1　单词的向量表征 // 96

5.3.2　基于双向LSTM 的语句表征 // 97

5.3.3　softmax 分类器的输出概率 // 98

5.4　模型编译与训练 // 99

5.5　模型评估 // 99

5.6　模型保存与加载 // 100

5.7　示例运行 // 100

5.8　延伸阅读 // 100

5.9　小结 // 101

第6 章　 基于空间变换网络的定位 // 102

6.1　 基于Lasagne 的MNIST CNN 模型// 102

6.2　定位网络 // 104

6.2.1　RNN 在图像中的应用 // 108

6.3　基于共定位的非监督式学习 // 112

6.4　基于区域的定位网络 // 112

6.5　延伸阅读 // 113

6.6　小结 // 114

第7 章　 基于残差网络的图像分类 // 115

7.1　自然图像数据集 // 115

7.1.1　批处理标准化 // 116

7.1.2　全局平均池化 // 117

7.2　残差连接 // 118

7.3　随机深度 // 123

7.4　密集连接 // 124

7.5　多GPU // 125

7.6　数据增强 // 126

7.7　延伸阅读 // 127

7.8　小结 // 127

第8 章　 基于编码—解码网络的翻译与解释 // 128

8.1　 序列—序列网络在自然语言处理中的应用 // 128

8.2　 序列—序列网络在语言翻译中的应用 // 133

8.3　 序列—序列网络在聊天机器人中的应用 // 134

8.4　序列—序列网络的效率提高 // 134

8.5　图像反卷积 // 136

8.6　多模态深度学习 // 140

8.7　延伸阅读 // 140

8.8　小结 // 142

第9 章　 基于注意力机制的相关输入或记忆选择 // 143

9.1　注意力可微机制 // 143

9.1.1　 基于注意力机制的最佳翻译 // 144

9.1.2　 基于注意力机制的最佳图像注释 // 145

9.2　 神经图灵机中的信息存储和检索 // 146

9.3　记忆网络 // 148

9.3.1　 基于动态记忆网络的情景记忆 // 149

9.4　延伸阅读 // 150

9.5　小结 // 151

第10 章　 基于先进递归神经网络的时间序列预测 // 152

10.1　RNN 的退出 // 152

10.2　RNN 的深度学习方法 // 153

10.3　层叠递归网络 // 154

10.4　深度转移递归网络 // 157

10.5　高速网络设计原理 // 157

10.6　递归高速网络 // 158

10.7　延伸阅读 // 159

10.8　小结 // 159

第11 章　强化环境学习 // 160

11.1　强化学习任务 // 160

11.2　仿真环境 // 161

11.3　Q 学习 // 164

11.4　深度Q 学习网络 // 166

11.5　训练稳定性 // 167

11.6　 基于REINFORCE 算法的策略梯度 // 169

11.7　延伸阅读 // 171

11.8　小结 // 172

第12 章　 基于非监督式网络的特征学习 // 173

12.1　生成模型 // 173

12.1.1　受限玻耳兹曼机 // 173

12.1.2　深度信念网络 // 177

12.1.3　生成性对抗网络 // 178

12.1.4　改进GAN // 182

12.2　半监督式学习 // 182

12.3　延伸阅读 // 183

12.4　小结 // 184

第13 章　 基于Theano 的深度学习扩展 // 185

13.1　 CPU 中Python 实现的Theano操作 // 185

13.2　 GPU 中Python 实现的Theano操作 // 188

13.3　 CPU 中C 实现的Theano 操作 //190

13.4　 GPU 中C 实现的Theano 操作 //193

13.5　 通过共享内存的合并转置，NVIDIA并行 // 196

13.5.1　模型转换 // 197

13.6　人工智能的未来发展 // 199

13.7　延伸阅读 // 201

13.8　小结 // 202

前言/序言

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）。

强化学习新范式为计算机和现实世界之间的算法设计和交互开辟了一条全新道路。

第 12章　基于非监督式网络的特征学习，非监督式学习主要是无需标记训练数据的新训练算法。这些算法试图从数据中推断出称为因素的隐藏标签，并由其中一些因素生成新的合成数据。

非监督式训练在许多情况下非常有用，其中包括无标签，或人工标注数据成本太高，或数据集太小而使得特征过拟合数据等情况。对于最后一种情况，对未标记数据进行更多训练以获得更好的特征是监督式学习的基础。

第 13章　基于 Theano的深度学习扩展，扩展了 Theano下深度学习的更多可能性。提出了为计算图创建新算子的方法，在 CPU或 GPU中，简化 Python程序，或减少 C语言中 Python的开销。另外，还介绍了 GPU并行编程的基本概念。最后，根据本书所介绍的第一项技术，开启通用人工智能领域，并逐步开发新技能，使得进一步提高完善。

为何选择 Theano？

Theano的研发时间和成本是非常可观的，要了解其中的原委，一个重要的原因是 Theano是目前最好的深度学习技术，远非仅是一个深度学习库。选择 Theano主要是以下 3个原因：

. 具有其他数值计算库或深度学习库的类似性能；

. 具有丰富的 Python系统；

. 根据给定模型，可由数据来评估任何函数约束，从而可以求解任何优化问题。

首先考虑技术本身的性能。在深度学习方面常用的库有 Theano（用于 Python）、 Torch（用于 Lua）、Tensorflow（用于 Python）和 Caffe（用于 C++和 Python封装）。目前已有很多基准可对深入学习技术进行比较。

2012年 Bastien等人提出（ Theano：new features and speed improvements，FrédéricBastien， Pascal Lamblin，Razvan Pascanu，James Bergstra，Ian Goodfellow，Arnaud Bergeron，Nicolas Bouchard，David Warde-Farley，Yoshua Bengio，Nov 2012），Theano在运行速度方面取得了重大进展，但这是在执行不同的任务下比较的，并不能明确表明在其他技术中具有明显的优势。 2016年 Bahrampour等人（ Comparative Study of Deep Learning Software Frameworks，Soheil Bahrampour，Naveen Ramakrishnan，Lukas Schott，Mohak Shah，mars 2016）研究得出了以下结论：

. 在基于 GPU的已训练完成卷积和完全连接网络的部署方面， Torch最适合，其次是 Theano；

. 在基于 GPU训练卷积网络和完全连接网络方面，对于小型网络 Theano是最快的，而对于较大网络 Torch是最快的；

. 在基于 GPU的递归网络（LSTM）训练和部署方面，Theano的性能最佳；

. 在基于 CPU的任何测试深度网络架构的训练 基于Theano的深度学习：构建未来与当前的人工大脑 [Deep Learning with Theano: Build the artificial br] 电子书 下载 mobi epub pdf txt