深度学习：Java语言实现

人工智能以及深度学习正在改变着人们对软件的理解，正使得计算机更加智能。深度学习算法应用非常广泛，远远超出数据科学的范畴。本书首先介绍了一些机器学习算法的基础，随后就带领你进入一个引人入胜的机器智能的世界。你将领略到各种神经网络的魅力及挑战。我们将使用基于DL4J的Java库，一起攻克图像处理、语音识别和自然语言处理等各种问题。同时，你也会接触到当今重要的其他开发平台，如Theano、TensorFlow和Caffe。通过本书的学习，你将具备用Java攻克深度学习问题的能力，并为这个领域贡献自己的力量。

目前，人工智能技术举世瞩目，深度学习也引起人们广泛关注。在实践上，深度学习推动了人工智能革命性进步，其相关算法已经应用到众多领域。然而，这种“革命性”的技术，常被认为非常复杂，让人敬而远之。而实际上，深度学习的理论和概念并不晦涩难懂。本书将一步步地介绍相关理论和公式，并引导读者从零开始完成编码实现。
本书内容第1章：介绍深度学习的演化过程。
第2章：介绍与深度学习相关的机器学习算法。
第3章：介绍深度信念网络与栈式去噪自编码器。
第4章：集中介绍dropout和CNN的相关算法。
第5章：重点介绍深度学习库DL4J及实践经验。
第6章：面向实战，实践深度学习算法和相关Java库的工程开发。
第7章：广泛介绍Teano、TensorFlow和Caffe 等深度学习框架。
第8章：介绍深度学习的最新动态及相关资源。
本书的使用要求Java 8或以上（支持lambda 表达式），DeepLearning4J 04或以上版本的Java库。
目标读者本书是为那些想了解深度学习算法并期望应用到实践中的Ｊava程序员而设计的。内容涵盖机器学习和深度学习的核心概念和方法，但并不要求读者具有机器学习经验；同时，本书用极简的代码实现深度学习算法，这对一般Java程序员在语言技能和深度学习实现上有很大帮助。
下载示例代码读者可使用在注册的账户下载本书的示例代码。如果你不是在官网购买的此书，可以访问注册，代码文件会直接通过电子邮件发送给你。
你可根据以下步骤下载代码文件：
（1）使用你的电子邮箱和密码登录或注册我们的网站。
（2）将鼠标悬停在上方的SUPPORT（支持）标签处。
（3）点击 Code Downloads & Errata。
.（4）在Search（搜索）栏输入书籍名称。
（5）选择你要下载代码文件的书籍。
（6）从下拉菜单中选择你自何处购买此书。
（7）点击Code Download。
也可以通过点击Packt官网该书页面上的Code Files按钮来下载代码文件。在Search栏输入书籍名称就可以访问书籍页面。但这需要先登录你的Packt账户。
下载文件后，请用以下软件的最新版本解压文件：
WinRAR/7Zip（对于Windows）。
Zipeg/iZip/UnRarX（对于Mac）。
7Zip/PeaZip（对于Linux）。

译者序
前言
第1章深度学习概述
1.1人工智能的变迁
1.1.1人工智能的定义
1.1.2人工智能曾经的辉煌
1.1.3机器学习的演化
1.1.4机器学习的局限性
1.2人与机器的区分因素
1.3人工智能与深度学习
1.4小结
第2章机器学习算法——为深度学习做准备
2.1入门
2.2机器学习中的训练需求
2.3监督学习和无监督学习
2.3.1支持向量机
2.3.2隐马尔可夫模型
2.3.3神经网络
2.3.4逻辑回归
2.3.5增强学习
2.4机器学习应用流程
2.5神经网络的理论和算法
2.5.1单层感知器
2.5.2逻辑回归
2.5.3多类逻辑回归
2.5.4多层感知器
2.6小结
第3章深度信念网络与栈式去
噪自编码器
3.1神经网络的没落
3.2神经网络的复兴
3.2.1深度学习的进化——突破是什么
3.2.2预训练的深度学习
3.3深度学习算法
3.3.1限制玻尔兹曼机
3.3.2深度信念网络
3.3.3去噪自编码器
3.3.4栈式去噪自编码器
3.4小结
第4章dropout和卷积神经网络
4.1没有预训练的深度学习算法
4.2dropout
4.3卷积神经网络
4.3.1卷积
4.3.2池化
4.3.3公式和实现
4.4小结
第5章探索Java深度学习库——DL4J、ND4J以及其他
5.1从零实现与使用库/框架
5.2DL4J和 ND4J 的介绍
5.3使用 ND4J 实现
5.4使用DL4J实现
5.4.1设置
5.4.2构建
5.4.3CNNMnistExample.java/LenetMnistExample.java
5.4.4学习速率的优化
5.5小结
第6章实践应用——递归神经网络等
6.1深度学习热点
6.1.1图像识别
6.1.2自然语言处理
6.2深度学习的挑战
6.3最大化深度学习概率和能力的方法
6.3.1面向领域的方法
6.3.2面向分解的方法
6.3.3面向输出的方法
6.4小结
第7章其他重要的深度
学习库
7.1Theano
7.2TensorFlow
7.3Caffe
7.4小结
第8章未来展望
8.1深度学习的爆炸新闻
8.2下一步的展望
8.3对深度学习有用的新闻资源
8.4小结

深度学习