基於Theano的深度學習:構建未來與當前的人工大腦 基于Theano的深度学习:构建未来与当前的人工大脑

Christopher Bourez於2005年畢業於巴黎綜合理工大學和卡尚高等師範學院，獲得數學、機器學習和計算機視覺（MVA）的碩士學位。
7年來，他創立了一家計算機視覺公司，在2007年推出了一種用於iPhone的視覺識別應用程序Pixee，與巴黎市的各大影院品牌和一些主要票務經銷商協作：通過一張照片，用戶可以獲取有關活動、產品和購票方式等信息。

在應用Caffe、TensorFlow或Torch來完成計算機視覺任務的過程中，通過計算機科學的博客，幫助其他開發人員成功實現。其中一篇博客文章—“A tutorial on the Caffe deep learning technology”（基於Caffe的深度學習技術教程），已成為繼Caffe官方網站之後在網絡上受歡迎的教程。
在Packt出版社的積極倡導下，將其撰寫Caffe教程的成功經驗移植到關於Theano技術的本書上。與此同時，還深入研究了有關深度學習的廣泛問題，並在Theano及其應用方面積累了更多的實踐經驗。

譯者序
原書前言
本書作者
原書致謝
第1章Theano基礎//1 
1.1張量所需//1 
1.2安裝和加載Theano //2 
1.2.1 Conda軟件包和環境管理器// 2 
1.2 .2在CPU上安裝和運行Theano // 2 
1.2.3 GPU驅動和相關庫// 3 
1.2.4在GPU上安裝和運行Theano // 4 
1.3張量//5 
1.4計算圖和符號計算// 8 
1.5張量操作//11 
1.5.1維度操作算子// 13 
1.5.2元素操作算子// 14 
1.5.3約簡操作算子// 16 
1.5.4線性代數算子// 16 
1.6內存和變量//18 
1.7函數和自動微分//20 
1.8符號計算中的循環運算//22 
1.9配置、分析和調試//26 
1.10小結//29 

第2章基於前饋神經網絡的手寫體數
字分類//30 
2.1 MNIST數據集// 30 
2.2訓練程序架構// 32 
2.3分類損失函數// 33
2.4單層線性模型// 34 
2.5成本函數和誤差// 35 
2.6反向傳播算法和隨機梯度下降// 36 
2.7多層模型// 37 
2.8卷積層和最大池化層// 43 
2.9訓練/ / 47 
2.10退出// 52 
2.11推理// 52 
2.12優化和其他更新規則// 52 
2.13延伸閱讀// 56 
2.14小結// 57 

第3章單詞的向量編碼//58 
3.1編碼和嵌入// 58 
3.2數據集// 60 
3.3連續詞袋模型// 62 
3.4模型訓練// 66 
3.5可視化學習嵌入// 68 
3.6嵌入評價—類比推理// 70 
3.7嵌入評價—量化分析// 72 
3.8單詞嵌入應用// 72 
3.9權重綁定// 73 
基於Theano的深度學習：
構建未來與當前的人工大腦
XIV 
3.10延伸閱讀// 73 
3.11小結// 74 

第4章基於遞歸神經網絡的文本
生成//75 
4.1 RNN所需// 75
4.2自然語言數據集// 76 
4.3簡單遞歸網絡// 79 
4.3.1 LSTM網絡// 81 
4.3.2門控遞歸網絡// 83 
4.4自然語言性能評測// 84 
4.5訓練損失比較// 84 
4.6預測示例// 86 
4.7 RNN的應用// 87 
4.8延伸閱讀// 88 
4.9小結// 89 

第5章基於雙向LSTM的情感
分析// 90 
5.1 Keras的安裝和配置// 90 
5.1.1 Keras編程// 91 
5.1.2 SemEval 2013數據集// 93 
5.2文本數據預處理// 94 
5.3模型架構設計// 96 
5.3.1單詞的向量表徵// 96 
5.3.2基於雙向LSTM的語句表徵// 97 
5.3. 3 softmax分類器的輸出概率// 98 
5.4模型編譯與訓練// 99 
5.5模型評估// 99 
5.6模型保存與加載// 100 
5.7示例運行// 100 
5.8延伸閱讀// 100 
5.9小結// 101 

第6章基於空間變換網絡的
定位// 102 
6.1基於Lasagne的MNIST CNN模型
// 102 
6.2定位網絡// 104 
6.2.1 RNN在圖像中的應用// 108 
6.3基於共定位的非監督式學習// 112 
6.4基於區域的定位網絡// 112 
6.5延伸閱讀// 113 
6.6小結// 114 

第7章基於殘差網絡的圖像
分類// 115 
7.1自然圖像數據集// 115 
7.1.1批處理標準化// 116 
7.1.2全局平均池化// 117 
7.2殘差連接// 118 
7.3隨機深度// 123 
7.4密集連接// 124 
7.5多GPU // 125 
7.6數據增強// 126 
7.7延伸閱讀// 127 
7.8小結// 127 

第8章基於編碼—解碼網絡的翻譯
與解釋// 128 
8.1序列—序列網絡在自然語言處理
中的應用// 128 
8.2序列—序列網絡在語言翻譯中的
應用// 133 
8.3序列—序列網絡在聊天機器人中的
應用// 134
8.4序列—序列網絡的效率提高// 134 
8.5圖像反捲積// 136 
目錄
XV 
8.6多模態深度學習// 140 
8.7延伸閱讀// 140 
8.8小結// 142 

第9章基於注意力機制的相關輸入
或記憶選擇// 143 
9.1注意力可微機制// 143 
9.1.1基於注意力機制的最佳
翻譯// 144 
9.1.2基於注意力機制的最佳圖像
註釋// 145 
9.2神經圖靈機中的信息存儲和
檢索// 146 
9.3記憶網絡// 148 
9.3.1基於動態記憶網絡的情景
記憶// 149 
9.4延伸閱讀// 150 
9.5小結// 151 

第10章基於先進遞歸神經網絡的時
間序列預測// 152 
10.1 RNN的退出// 152 
10.2 RNN的深度學習方法// 153 
10.3層疊遞歸網絡// 154 
10.4深度轉移遞歸網絡// 157 
10.5高速網絡設計原理// 157 
10.6遞歸高速網絡// 158
10.7延伸閱讀// 159 
10.8小結// 159 

第11章強化環境學習// 160 
11.1強化學習任務// 160 
11.2仿真環境// 161 
11.3 Q學習// 164 
11.4深度Q學習網絡// 166 
11.5訓練穩定性// 167 
11.6基於REINFORCE算法的策略
梯度// 169 
11.7延伸閱讀// 171 
11.8小結// 172 

第12章基於非監督式網絡的特徵
學習// 173 
12.1生成模型// 173 
12.1.1受限玻耳茲曼機// 173 
12.1.2深度信念網絡// 177 
12.1.3生成性對抗網絡// 178 
12.1.4改進GAN // 182 
12.2半監督式學習// 182 
12.3延伸閱讀// 183 
12.4小結// 184 

第13章基於Theano的深度學習
擴展// 185 
13.1 CPU中Python實現的Theano 
操作// 185
13.2 GPU 中Python