中字幕一区二区三区乱码,中文字幕中文无码

內(nèi)容介紹
這是一本理論與實(shí)踐兼顧的深度學(xué)習(xí)著作，它通過(guò)精心的內(nèi)容組織和豐富的案例講解，能讓讀者零基礎(chǔ)入門，并迅速晉級(jí)為有一定理論基礎(chǔ)和項(xiàng)目實(shí)戰(zhàn)能力的高手。
基礎(chǔ)方面，不僅介紹了Keras等各種深度學(xué)習(xí)框架的使用和開(kāi)發(fā)環(huán)境的搭建，還對(duì)深度學(xué)習(xí)的基礎(chǔ)知識(shí)做了全面講解；
理論方面，詳細(xì)講解了全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器和生成式對(duì)抗網(wǎng)絡(luò)等核心神經(jīng)網(wǎng)絡(luò)的原理和應(yīng)用；
應(yīng)用層面，不僅講解了如何用Keras開(kāi)發(fā)各種深度學(xué)習(xí)模型，而且還講解了深度學(xué)習(xí)在圖像處理和文本處理兩大核心場(chǎng)景的應(yīng)用；
實(shí)戰(zhàn)方面，每個(gè)深度學(xué)習(xí)模型原理的背后都有精心設(shè)計(jì)的Keras實(shí)現(xiàn)代碼，每章都有多個(gè)綜合性案例，讀者可以在調(diào)試和執(zhí)行代碼的過(guò)程中掌握深度學(xué)習(xí)模型設(shè)計(jì)與開(kāi)發(fā)的各種方法和技巧。
本書(shū)內(nèi)容結(jié)構(gòu)合理，重點(diǎn)突出；寫(xiě)作方式循序漸進(jìn)，易于讀者理解；行文風(fēng)格幽默風(fēng)趣，讀起來(lái)不枯燥。

為什么要寫(xiě)這本書(shū)
人工智能引領(lǐng)了一個(gè)新的研究和發(fā)展方向，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)均屬于人工智能范疇�，F(xiàn)在各個(gè)領(lǐng)域都處于運(yùn)用深度學(xué)習(xí)技術(shù)進(jìn)行業(yè)務(wù)創(chuàng)新和技術(shù)創(chuàng)新的階段。Keras是一個(gè)對(duì)零基礎(chǔ)用戶非常友好且簡(jiǎn)單的深度學(xué)習(xí)框架，它是TensorFlow高級(jí)集成API，特點(diǎn)是能夠快速實(shí)現(xiàn)模型的搭建。模型快速搭建是高效進(jìn)行科學(xué)研究的關(guān)鍵。
本書(shū)涵蓋了全連接神經(jīng)網(wǎng)絡(luò)（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、自編碼器（AE）、生成式對(duì)抗網(wǎng)絡(luò)（GAN）等模型原理及Keras實(shí)踐，重點(diǎn)講解了如何對(duì)圖像數(shù)據(jù)和中文文本數(shù)據(jù)進(jìn)行分析處理，以幫助讀者學(xué)會(huì)訓(xùn)練這些模型并實(shí)現(xiàn)真實(shí)的圖像處理和語(yǔ)言處理任務(wù)。
本書(shū)由淺入深、循序漸進(jìn)，盡可能用通俗易懂的語(yǔ)言講解深度學(xué)習(xí)各種模型的基本原理，在講解Keras實(shí)現(xiàn)深度學(xué)習(xí)的知識(shí)點(diǎn)時(shí)更注重方法和經(jīng)驗(yàn)的傳遞，力求做到授之以漁，讓讀者能將本書(shū)所學(xué)應(yīng)用到日常學(xué)習(xí)或工作中。
本書(shū)特色
本書(shū)采用大量的實(shí)例，覆蓋了使用Keras進(jìn)行深度學(xué)習(xí)建模的常用知識(shí)，同時(shí)對(duì)所用實(shí)例中的Keras代碼和模型效果均進(jìn)行了深入解讀，以幫助讀者更好地將所學(xué)知識(shí)移植到各自的實(shí)際工作中。
深度學(xué)習(xí)在實(shí)際工作中常用于圖像數(shù)據(jù)和文本數(shù)據(jù)的深度挖掘，本書(shū)也詳細(xì)闡述了如何對(duì)圖像數(shù)據(jù)和中文文本數(shù)據(jù)進(jìn)行數(shù)據(jù)處理及轉(zhuǎn)換，以幫助初學(xué)者了解如何將原始數(shù)據(jù)處理成深度學(xué)習(xí)模型可以識(shí)別的數(shù)據(jù)。
本書(shū)適用對(duì)象
本書(shū)適合以下人員閱讀：
高等院校相關(guān)專業(yè)師生；
培訓(xùn)機(jī)構(gòu)的師生；
數(shù)據(jù)分析、數(shù)據(jù)挖掘人員；
人工智能、深度學(xué)習(xí)入門讀者；
數(shù)據(jù)科學(xué)家；
進(jìn)行深度學(xué)習(xí)應(yīng)用研究的科研人員。
如何閱讀本書(shū)
全書(shū)一共14章，涵蓋了主流深度學(xué)習(xí)框架介紹、TensorFlow和Keras深度學(xué)習(xí)環(huán)境搭建，以及如何利用Keras開(kāi)發(fā)深度學(xué)習(xí)模型。本書(shū)的重點(diǎn)是深度學(xué)習(xí)在圖像和文本方面的數(shù)據(jù)處理及應(yīng)用，各種深度學(xué)習(xí)網(wǎng)絡(luò)均有相應(yīng)的實(shí)例，目的是讓讀者既能通過(guò)本書(shū)學(xué)到深度學(xué)習(xí)理論，又能通過(guò)實(shí)例學(xué)習(xí)提升動(dòng)手能力，將所學(xué)知識(shí)遷移到實(shí)際工作中。
第1章首先介紹了機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的區(qū)別及聯(lián)系，以及目前主流的深度學(xué)習(xí)框架。然后詳細(xì)介紹了如何安裝Python的科學(xué)計(jì)算環(huán)境Anaconda、R語(yǔ)言的IDE工具RStudio，以及如何在Anaconda和RStudio中安裝TensorFlow和Keras。后以深度學(xué)習(xí)中的入門數(shù)據(jù)集MNIST為例，介紹如何利用Keras構(gòu)建深度學(xué)習(xí)模型。
第2章介紹了深度學(xué)習(xí)的基礎(chǔ)知識(shí)。首先介紹神經(jīng)網(wǎng)絡(luò)常用激活函數(shù)、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)及損失函數(shù)，然后介紹網(wǎng)絡(luò)優(yōu)化的方法及如何防止模型過(guò)擬合，后通過(guò)一個(gè)綜合實(shí)例介紹如何使用技巧優(yōu)化深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，提升模型的預(yù)測(cè)能力。
第3章詳細(xì)介紹了如何用Keras開(kāi)發(fā)深度學(xué)習(xí)模型。內(nèi)容包括Keras模型的生命周期、Keras的兩種模型、模型可視化、Keras中的回調(diào)函數(shù)與模型的保存及序列化等。
第4章介紹了深度學(xué)習(xí)的圖像數(shù)據(jù)預(yù)處理技術(shù)。首先重點(diǎn)介紹了圖像處理EBImage包的使用，包含圖像的讀取和保存、圖像處理等技術(shù)，然后介紹了利用Keras如何進(jìn)行圖像預(yù)處理，后通過(guò)一個(gè)綜合實(shí)例介紹了如何對(duì)小數(shù)據(jù)集的彩色花圖像進(jìn)行批量讀取及處理，并建立多種深度學(xué)習(xí)模型來(lái)對(duì)比效果，及通過(guò)數(shù)據(jù)增強(qiáng)技術(shù)提升模型的預(yù)測(cè)能力。
第5章～第9章分別詳細(xì)介紹了深度學(xué)習(xí)常用的神經(jīng)網(wǎng)絡(luò)模型：全連接神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自編碼器和生成式對(duì)抗網(wǎng)絡(luò)。
第5章通過(guò)多個(gè)實(shí)例引導(dǎo)讀者如何用全連接神經(jīng)網(wǎng)絡(luò)解決各種經(jīng)典的預(yù)測(cè)問(wèn)題，包含波士頓房?jī)r(jià)預(yù)測(cè)的回歸問(wèn)題、鳶尾花分類和彩色手寫(xiě)數(shù)字圖像識(shí)別的多分類問(wèn)題、印第安人糖尿病診斷和泰坦尼克號(hào)旅客生存預(yù)測(cè)的二分類問(wèn)題。
第6章首先介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本原理及Keras實(shí)現(xiàn)，并通過(guò)多個(gè)實(shí)例幫助讀者掌握卷積神經(jīng)網(wǎng)絡(luò)的使用，包含小數(shù)據(jù)集的圖像識(shí)別、彩色手寫(xiě)數(shù)字圖像識(shí)別以及經(jīng)典的CIFAR-10圖像識(shí)別的多分類實(shí)例。
第7章首先介紹了簡(jiǎn)單循環(huán)網(wǎng)絡(luò)（SimpleRNN）的基本原理及Keras實(shí)現(xiàn)，并利用SimpleRNN實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別及預(yù)測(cè)紐約出生人口數(shù)量。然后介紹了長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）的基本原理及Keras實(shí)現(xiàn)，并利用LSTM實(shí)現(xiàn)股價(jià)預(yù)測(cè)。后介紹了門控循環(huán)單元網(wǎng)絡(luò)（GRU）的基本原理及Keras實(shí)現(xiàn)，并基于GRU網(wǎng)絡(luò)對(duì)溫度進(jìn)行預(yù)測(cè)。
第8章介紹了自編碼器的基本結(jié)構(gòu)以及常用自編碼器（稀疏自編碼器、降噪自編碼器以及棧式自編碼器）的基本原理及Keras實(shí)現(xiàn)，并利用兩個(gè)實(shí)例引導(dǎo)讀者將自編碼器應(yīng)用在不同的實(shí)際場(chǎng)景中。
第9章首先介紹了生成式對(duì)抗網(wǎng)絡(luò)（GAN）的基本原理，然后給出了兩個(gè)實(shí)例：使用GAN生成手寫(xiě)數(shù)字，深度卷積生成式對(duì)抗網(wǎng)絡(luò)。
第10章～第13章詳細(xì)介紹了利用深度學(xué)習(xí)對(duì)文本數(shù)據(jù)進(jìn)行預(yù)處理及建模的技術(shù)，并重點(diǎn)介紹了對(duì)中文文本的處理及建模。
第10章介紹了R語(yǔ)言用于文本挖掘的常用擴(kuò)展包，包括tm包、tmcn包、Rwordseg包、jiebaR包以及tidytext包。
第11章介紹了如何使用Keras處理文本數(shù)據(jù)，包括文本分詞、獨(dú)熱編碼、分詞器和填充文本序列，還介紹了詞嵌入。
第12章首先介紹IMDB影評(píng)數(shù)據(jù)集，接著利用機(jī)器學(xué)習(xí)進(jìn)行情感

前言
第1章　準(zhǔn)備深度學(xué)習(xí)的環(huán)境1
1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)1
1.2　主流深度學(xué)習(xí)框架介紹4
1.2.1　TensorFlow4
1.2.2　Keras5
1.2.3　Caffe5
1.2.4　PyTorch6
1.2.5　Theano6
1.2.6　CNTK6
1.2.7　MXNet7
1.2.8　ONNX7
1.3　配置深度學(xué)習(xí)的軟件環(huán)境8
1.3.1　安裝Anaconda8
1.3.2　在Anaconda中安裝TensorFlow8
1.3.3　在Anaconda中安裝Keras10
1.3.4　安裝R和RStudio10
1.3.5　在RStudio中安裝TensorFlow12
1.3.6　在RStudio中安裝Keras12
1.4　Keras構(gòu)建深度學(xué)習(xí)模型13
1.4.1　MNIST數(shù)據(jù)集13
1.4.2　數(shù)據(jù)預(yù)處理14
1.4.3　模型建立及訓(xùn)練16
1.4.4　模型評(píng)估及預(yù)測(cè)18
1.5　本章小結(jié)22
第2章　深度學(xué)習(xí)簡(jiǎn)介23
2.1　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)23
2.1.1　神經(jīng)元23
2.1.2　激活函數(shù)24
2.1.3　神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)30
2.1.4　神經(jīng)網(wǎng)絡(luò)的主要類型31
2.1.5　損失函數(shù)32
2.2　優(yōu)化網(wǎng)絡(luò)的方法33
2.2.1　梯度下降算法33
2.2.2　自適應(yīng)學(xué)習(xí)率算法37
2.3　防止模型過(guò)擬合42
2.3.1　過(guò)擬合與欠擬合42
2.3.2　正則化的方法43
2.3.3　數(shù)據(jù)拆分44
2.3.4　Dropout45
2.4　綜合實(shí)例：電信流失用戶預(yù)測(cè)46
2.4.1　數(shù)據(jù)預(yù)處理46
2.4.2　選擇優(yōu)化器47
2.4.3　增加內(nèi)部隱藏層神經(jīng)元數(shù)量48
2.4.4　采用正則化避免過(guò)擬合49
2.5　本章小結(jié)52
第3章　如何用Keras開(kāi)發(fā)深度學(xué)習(xí)模型53
3.1　Keras模型的生命周期53
3.1.1　數(shù)據(jù)預(yù)處理53
3.1.2　定義網(wǎng)絡(luò)56
3.1.3　編譯網(wǎng)絡(luò)58
3.1.4　訓(xùn)練網(wǎng)絡(luò)58
3.1.5　評(píng)估網(wǎng)絡(luò)60
3.1.6　做出預(yù)測(cè)61
3.2　Keras模型61
3.2.1　序貫?zāi)Ｐ?1
3.2.2　使用函數(shù)式API創(chuàng)建的模型63
3.3　模型可視化66
3.3.1　網(wǎng)絡(luò)拓?fù)淇梢暬?6
3.3.2　模型訓(xùn)練可視化67
3.3.3　TensorBoard可視化70
3.4　Keras中的回調(diào)函數(shù)77
3.4.1　回調(diào)函數(shù)介紹77
3.3.2　使用回調(diào)函數(shù)尋找模型80
3.5　模型保存及序列化82
3.5.1　使用HDF5格式保存模型83
3.5.2　使用JSON格式保存模型87
3.5.3　使用YAML格式保存模型88
3.6　本章小結(jié)88
第4章　深度學(xué)習(xí)的圖像數(shù)據(jù)預(yù)處理89
4.1　圖像處理EBImage包89
4.1.1　圖像讀取與保存89
4.1.2　圖像對(duì)象和矩陣91
4.1.3　色彩管理94
4.1.4　圖像處理97
4.1.5　空間變換99
4.1.6　圖像濾波102
4.1.7　形態(tài)運(yùn)算105
4.1.8　圖像分割106
4.2　利用Keras進(jìn)行圖像預(yù)處理107
4.2.1　圖像讀取與保存107
4.2.2　圖像生成器image_data_generator110
4.2.3　image_data_generator實(shí)例115
4.3　綜合實(shí)例：對(duì)彩色花圖像進(jìn)行分類118
4.3.1　圖像數(shù)據(jù)讀取及探索118
4.3.2　MLP模型建立及預(yù)測(cè)122
4.3.3　CNN模型建立與預(yù)測(cè)124
4.3.4　利用數(shù)據(jù)增強(qiáng)改善CNN模型126
4.4　本章小結(jié)128
第5章　全連接神經(jīng)網(wǎng)絡(luò)的經(jīng)典實(shí)例129
5.1　回歸問(wèn)題實(shí)例：波士頓房?jī)r(jià)預(yù)測(cè)129
5.1.1　波士頓房?jī)r(jià)數(shù)據(jù)描述129
5.1.2　波士頓房?jī)r(jià)數(shù)據(jù)預(yù)處理131
5.1.3　波士頓房?jī)r(jià)預(yù)測(cè)131
5.2　多分類實(shí)例：鳶尾花分類134
5.2.1　鳶尾花數(shù)據(jù)描述134
5.2.2　鳶尾花數(shù)據(jù)預(yù)處理136
5.2.3　鳶尾花分類建模137
5.3　二分類實(shí)例：印第安人糖尿病診斷139
5.3.1　印第安人糖尿病數(shù)據(jù)描述139
5.3.2　印第安人糖尿病數(shù)據(jù)預(yù)處理141
5.3.3　印第安人糖尿病診斷建模142
5.4　二分類實(shí)例：泰坦尼克號(hào)上旅客生存預(yù)測(cè)144
5.4.1　泰坦尼克號(hào)的旅客數(shù)據(jù)描述145
5.4.2　泰坦尼克號(hào)的旅客數(shù)據(jù)預(yù)處理146
5.4.3　生存預(yù)測(cè)建模149
5.5　多分類實(shí)例：彩色手寫(xiě)數(shù)字圖像識(shí)別151
5.5.1　彩色手寫(xiě)數(shù)字圖像數(shù)據(jù)描述151
5.5.2　彩色手寫(xiě)數(shù)字圖像數(shù)據(jù)預(yù)處理152
5.5.3　彩色手寫(xiě)數(shù)字圖像數(shù)據(jù)建模155
5.6　本章小結(jié)158
第6章　卷積神經(jīng)網(wǎng)絡(luò)及圖像分類159
6.1　卷積神經(jīng)網(wǎng)絡(luò)原理159
6.1.1　卷積層161
6.1.2　卷積層的Keras實(shí)現(xiàn)163
6.1.3　池化層167
6.1.4　池化層的Keras實(shí)現(xiàn)168
6.1.5　全連接層171
6.2　多分類實(shí)例：小數(shù)據(jù)集的圖像識(shí)別171
6.2.1　導(dǎo)入本地圖像數(shù)據(jù)171
6.2.2　圖像數(shù)據(jù)預(yù)處理173
6.2.3　建立全連接神經(jīng)網(wǎng)絡(luò)模型識(shí)別小數(shù)據(jù)集圖像175
6.2.4　建立簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)識(shí)別小數(shù)據(jù)集圖像177
6.2.5　建立復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)識(shí)別小數(shù)據(jù)集圖像180
6.3　多分類實(shí)例：彩色手寫(xiě)數(shù)字圖像識(shí)別183
6.3.1　導(dǎo)入及處理本地手寫(xiě)數(shù)字圖像183
6.3.2　MNIST數(shù)據(jù)預(yù)處理185
6.3.3　構(gòu)建簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)識(shí)別彩色手寫(xiě)數(shù)字186
6.3.4　構(gòu)建復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)識(shí)別彩色手寫(xiě)數(shù)字189
6.4　多分類實(shí)例：CIFAR-10圖像識(shí)別192
6.4.1　CIFAR-10數(shù)據(jù)描述192
6.4.2　加載CIFAR-10數(shù)據(jù)192
6.4.3　CIFAR-10數(shù)據(jù)預(yù)處理194
6.4.4　構(gòu)建簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)識(shí)別CIFAR-10圖像195
6.4.5　構(gòu)建復(fù)雜卷積神經(jīng)網(wǎng)絡(luò)識(shí)別CIFAR-10圖像199
6.5　本章小結(jié)204
第7章　循環(huán)神經(jīng)網(wǎng)絡(luò)205
7.1　簡(jiǎn)單循環(huán)網(wǎng)絡(luò)205
7.1.1　簡(jiǎn)單循環(huán)網(wǎng)絡(luò)基本原理206
7.1.2　簡(jiǎn)單循環(huán)網(wǎng)絡(luò)的Keras實(shí)現(xiàn)207
7.1.3　多分類實(shí)例：SimpleRNN實(shí)現(xiàn)手寫(xiě)數(shù)字識(shí)別208
7.1.4　回歸問(wèn)題實(shí)例：SimpleRNN預(yù)測(cè)紐約出生人口數(shù)量211
7.2　長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）216
7.2.1　LSTM基本原理216
7.2.2　LSTM的Keras實(shí)現(xiàn)218
7.2.3　回歸問(wèn)題實(shí)例：LSTM預(yù)測(cè)股價(jià)221
7.3　門控循環(huán)單元（GRU）228
7.3.1　GRU基本原理228
7.3.2　GRU的Keras實(shí)現(xiàn)229
7.3.3　回歸問(wèn)題實(shí)例：基于GRU網(wǎng)絡(luò)的溫度預(yù)測(cè)230
7.4　本章小結(jié)235
第8章　自編碼器236
8.1　自編碼器介紹236
8.1.1　自編碼器的基本結(jié)構(gòu)237
8.1.2　使用Keras建立簡(jiǎn)單自編碼器238
8.1.3　稀疏自編碼器242
8.1.4　降噪自編碼器245
8.1.5　棧式自編碼器248
8.2　實(shí)例：使用自編碼器預(yù)測(cè)信用風(fēng)險(xiǎn)252
8.2.1　數(shù)據(jù)理解252
8.2.2　數(shù)據(jù)預(yù)處理254
8.2.3　構(gòu)建自編碼器254
8.2.4　模型訓(xùn)練255
8.2.5　模型預(yù)測(cè)255
8.3　實(shí)例：使用自編碼器建立推薦系統(tǒng)258
8.3.1　數(shù)據(jù)理解259
8.3.2　數(shù)據(jù)預(yù)處理260
8.3.3　構(gòu)建自編碼器261
8.3.4　模型訓(xùn)練263
8.3.5　模型預(yù)測(cè)263
8.4　本章小結(jié)264
第9章　生成式對(duì)抗網(wǎng)絡(luò)265
9.1　生成式對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介265
9.2　實(shí)例：使用GAN生成手寫(xiě)數(shù)字268
9.2.1　數(shù)據(jù)準(zhǔn)備268
9.2.2　構(gòu)建生成器269
9.2.3　構(gòu)建判別器271
9.2.4　生成GAN模型271
9.2.5　訓(xùn)練GAN模型273
9.3　實(shí)例：深度卷積生成式對(duì)抗網(wǎng)絡(luò)277
9.3.1　構(gòu)建生成器279
9.3.2　構(gòu)建判別器280
9.3.3　編譯模型281
9.3.4　訓(xùn)練DCGAN模型282
9.4　本章小結(jié)285
第10章　使用R語(yǔ)言進(jìn)行文本挖掘286
10.1　文本挖掘流程286
10.2　相關(guān)R包簡(jiǎn)介及安裝287
10.2.1　tm包簡(jiǎn)介及安裝287
10.2.2　tmcn包簡(jiǎn)介及安裝287
10.2.3　Rwordseg包簡(jiǎn)介及安裝289
10.2.4　jiebaR包簡(jiǎn)介及安裝290
10.2.5　tidytext包簡(jiǎn)介及安裝290
10.3　tm包快速上手290
10.3.1　數(shù)據(jù)讀寫(xiě)290
10.3.2　語(yǔ)料庫(kù)轉(zhuǎn)換292
10.3.3　語(yǔ)料庫(kù)過(guò)濾293
10.3.4　元數(shù)據(jù)管理294
10.3.5　詞條-文檔關(guān)系矩陣296
10.4　tmcn包快速上手298
10.4.1　中文語(yǔ)料資源298
10.4.2　中文編碼轉(zhuǎn)換300
10.4.3　字符操作301
10.5　Rwordseg包快速上手302
10.5.1　中文分詞302
10.5.2　添加和卸載自定義詞典303
10.6　jiebaR包快速上手305
10.6.1　分詞引擎305
10.6.2　自定義詞典308
10.6.3　停止詞過(guò)濾312
10.6.4　關(guān)鍵詞提取313
10.7　tidytext包快速上手315
10.7.1　整潔文本格式315
10.7.2　使用tidy處理中國(guó)四大名著320
10.7.3　對(duì)中國(guó)四大名著進(jìn)行詞頻統(tǒng)計(jì)322
10.7.4　非整潔格式轉(zhuǎn)換325
10.8　本章小結(jié)327
第11章　如何使用Keras處理文本數(shù)據(jù)328
11.1　使用text_to_word_sequence分詞328
11.2　使用獨(dú)熱編碼329
11.3　分詞器Tokenizer331
11.4　使用pad_sequences填充文本序列335
11.5　詞嵌入337
11.5.1　學(xué)習(xí)詞嵌入337
11.5.2　實(shí)例：學(xué)習(xí)詞嵌入338
11.5.3　預(yù)訓(xùn)練詞嵌入342
11.5.4　實(shí)例：預(yù)訓(xùn)練GloVe嵌入343
11.6　本章小結(jié)348
第12章　情感分析實(shí)例：IMDB影評(píng)情感分析349
12.1　IMDB數(shù)據(jù)集349
12.1.1　加載IMDB數(shù)據(jù)集349
12.1.2　查看IMDB數(shù)據(jù)集350
12.2　利用機(jī)器學(xué)習(xí)進(jìn)行情感分析352
12.2.1　數(shù)據(jù)預(yù)處理352
12.2.2　機(jī)器學(xué)習(xí)預(yù)測(cè)情感353
12.3　利用深度學(xué)習(xí)進(jìn)行情感分析356
12.3.1　數(shù)據(jù)預(yù)處理356
12.3.2　多層感知器模型357
12.3.3　卷積神經(jīng)網(wǎng)絡(luò)模型359
12.3.4　RNN模型361
12.3.5　LSTM模型363
12.3.6　GRU模型365
12.4　本章小結(jié)367
第13章　中文文本分類實(shí)例：新浪新聞分類實(shí)例368
13.1　SPORT數(shù)據(jù)集368
13.2　利用機(jī)器學(xué)習(xí)進(jìn)行文本分類374
13.2.1　數(shù)據(jù)預(yù)處理374
13.2.2　數(shù)據(jù)分區(qū)376
13.2.3　機(jī)器學(xué)習(xí)建模376
13.3　利用深度學(xué)習(xí)進(jìn)行文本分類378
13.3.1　數(shù)據(jù)預(yù)處理378
13.3.2　多層感知器模型379
13.3.3　一維卷積神經(jīng)網(wǎng)絡(luò)模型381
13.3.4　RNN模型383
13.3.5　LSTM模型385
13.3.6　GRU模型386
13.3.7　雙向LSTM模型388
13.3.8　比較深度學(xué)習(xí)模型的預(yù)測(cè)效果389
13.4　本章小結(jié)390
第14章　通過(guò)預(yù)訓(xùn)練模型實(shí)現(xiàn)遷移學(xué)習(xí)391
14.1　遷移學(xué)習(xí)概述391
14.2　Keras預(yù)訓(xùn)練模型概述393
14.3　VGGNet卷積網(wǎng)絡(luò)模型393
14.3.1　VGGNet概述394
14.3.2　加載預(yù)訓(xùn)練VGG16網(wǎng)絡(luò)395
14.3.3　預(yù)測(cè)單張圖像內(nèi)容397
14.3.4　預(yù)測(cè)多張圖像內(nèi)容400
14.3.5　提取預(yù)訓(xùn)練網(wǎng)絡(luò)輸出特征實(shí)現(xiàn)花卉圖像分類器402
14.4　ResNet卷積網(wǎng)絡(luò)模型410
14.4.1　ResNet概述410
14.4.2　ResNet50的Keras實(shí)現(xiàn)411
14.5　本章小結(jié)413

你還可能感興趣

我要評(píng)論