Hadoop深度學(xué)習(xí)

定　價(jià)：￥39.00

作　者：	迪帕延·德夫（Dipayan Dev）著，范東來(lái)，趙運(yùn)楓，封強(qiáng) 譯
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787115482181	出版時(shí)間：	2018-05-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	125	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)主要目標(biāo)是處理很多深度學(xué)習(xí)應(yīng)用的熱點(diǎn)問(wèn)題并向讀者披露解決方案的細(xì)節(jié)。主要內(nèi)容分為7章：第1章介紹深度學(xué)習(xí)基礎(chǔ)知識(shí)，第2章介紹大規(guī)模數(shù)據(jù)的分布式深度學(xué)習(xí)，第3章介紹卷積神經(jīng)網(wǎng)絡(luò)，第4章介紹循環(huán)神經(jīng)網(wǎng)絡(luò)，第5章介紹受限玻爾茲曼機(jī)，第6章介紹自動(dòng)編碼器，第7章介紹如何用Hadoop玩轉(zhuǎn)深度學(xué)習(xí)。

作者簡(jiǎn)介

　　Dipayan Dev多年大數(shù)據(jù)開(kāi)發(fā)經(jīng)驗(yàn)，擅長(zhǎng)非關(guān)系型數(shù)據(jù)庫(kù)技術(shù)和Hadoop框架，曾在IEEE和Springer的期刊上多次發(fā)表相關(guān)研究論文?，F(xiàn)任印度PromptCloud公司軟件工程師。

圖書(shū)目錄

第 1 章深度學(xué)習(xí)介紹 1
1．1　開(kāi)始深度學(xué)習(xí)之旅　5
1．1．1　深度前饋網(wǎng)絡(luò)　6
1．1．2　各種學(xué)習(xí)算法　6
1．2　深度學(xué)習(xí)的相關(guān)術(shù)語(yǔ)　10
1．3　深度學(xué)習(xí)——一場(chǎng)人工智能革命　12
1．4　深度學(xué)習(xí)網(wǎng)絡(luò)的分類(lèi)　18
1．4．1　深度生成或無(wú)監(jiān)督模型　19
1．4．2　深度判別模型　20
1．5　小結(jié)　22
第　2 章大規(guī)模數(shù)據(jù)的分布式深度學(xué)習(xí)　23
2．1　海量數(shù)據(jù)的深度學(xué)習(xí)　24
2．2　大數(shù)據(jù)深度學(xué)習(xí)面臨的挑戰(zhàn)　27
2．2．1　海量數(shù)據(jù)帶來(lái)的挑戰(zhàn)（第一個(gè)V）　28
2．2．2　數(shù)據(jù)多樣性帶來(lái)的挑戰(zhàn)（第二個(gè)V）　28
2．2．3　數(shù)據(jù)快速處理帶來(lái)的挑戰(zhàn)（第三個(gè)V）　29
2．2．4　數(shù)據(jù)真實(shí)性帶來(lái)的挑戰(zhàn)（第四個(gè)V）　29
2．3　分布式深度學(xué)習(xí)和Hadoop　29
2．3．1　Map-Reduce　31
2．3．2　迭代Map-Reduce　31
2．3．3　YARN　32
2．3．4　分布式深度學(xué)習(xí)設(shè)計(jì)的重要特征　32
2．4　深度學(xué)習(xí)的開(kāi)源分布式框架Deeplearning4j　34
2．4．1　Deeplearning4j 的主要特性　34
2．4．2　Deeplearning4j 功能總結(jié)　35
2．5　在Hadoop YARN 上配置Deeplearning4j　35
2．5．1　熟悉Deeplearning4j　36
2．5．2　為進(jìn)行分布式深度學(xué)習(xí)集成Hadoop YARN 和Spark　40
2．5．3　Spark 在Hadoop YARN 上的內(nèi)存分配規(guī)則　40
2．6　小結(jié)　44
第3　章卷積神經(jīng)網(wǎng)絡(luò)　45
3．1　卷積是什么　46
3．2　卷積神經(jīng)網(wǎng)絡(luò)的背景　47
3．3　卷積神經(jīng)網(wǎng)絡(luò)的基本層　48
3．3．1　卷積神經(jīng)網(wǎng)絡(luò)深度的重要性　49
3．3．2　卷積層　49
3．3．3　為卷積層選擇超參數(shù)　52
3．3．4　ReLU 層　56
3．3．5　池化層　57
3．3．6　全連接層　58
3．4　分布式深度卷積神經(jīng)網(wǎng)絡(luò)　58
3．4．1　最受歡迎的深度神經(jīng)網(wǎng)絡(luò)及其配置　58
3．4．2　訓(xùn)練時(shí)間——深度神經(jīng)網(wǎng)絡(luò)面臨的主要挑戰(zhàn)　59
3．4．3　將Hadoop 應(yīng)用于深度卷積神經(jīng)網(wǎng)絡(luò)　59
3．5　使用Deeplearning4j 構(gòu)建卷積層　61
3．5．1　加載數(shù)據(jù)　61
3．5．2　模型配置　62
3．5．3　訓(xùn)練與評(píng)估　63
3．6　小結(jié)　64
第4　章循環(huán)神經(jīng)網(wǎng)絡(luò)　65
4．1　循環(huán)網(wǎng)絡(luò)與眾不同的原因　66
4．2　循環(huán)神經(jīng)網(wǎng)絡(luò)　67
4．2．1　展開(kāi)循環(huán)計(jì)算　68
4．2．2　循環(huán)神經(jīng)網(wǎng)絡(luò)的記憶　69
4．2．3　架構(gòu)　70
4．3　隨時(shí)間反向傳播　71
4．4　長(zhǎng)短期記憶　73
4．4．1　隨時(shí)間深度反向傳播的問(wèn)題　73
4．4．2　長(zhǎng)短期記憶　73
4．5　雙向循環(huán)神經(jīng)網(wǎng)絡(luò)　75
4．5．1　循環(huán)神經(jīng)網(wǎng)絡(luò)的不足　75
4．5．2　解決方案　76
4．6　分布式深度循環(huán)神經(jīng)網(wǎng)絡(luò)　77
4．7　用Deeplearning4j 訓(xùn)練循環(huán)神經(jīng)網(wǎng)絡(luò)　77
4．8　小結(jié)　80
第5　章受限玻爾茲曼機(jī)　81
5．1　基于能量的模型　82
5．2　玻爾茲曼機(jī)　83
5．2．1　玻爾茲曼機(jī)如何學(xué)習(xí)　84
5．2．2　玻爾茲曼機(jī)的不足　85
5．3　受限玻爾茲曼機(jī)　85
5．3．1　基礎(chǔ)架構(gòu)　85
5．3．2　受限玻爾茲曼機(jī)的工作原理　86
5．4　卷積受限玻爾茲曼機(jī)　88
5．5　深度信念網(wǎng)絡(luò)　90
5．6　分布式深度信念網(wǎng)絡(luò)　91
5．6．1　受限玻爾茲曼機(jī)的分布式訓(xùn)練　91
5．6．2　深度信念網(wǎng)絡(luò)的分布式訓(xùn)練　92
5．7　用Deeplearning4j 實(shí)現(xiàn)受限玻爾茲曼機(jī)和深度信念網(wǎng)絡(luò)　94
5．7．1　受限玻爾茲曼機(jī)　94
5．7．2　深度信念網(wǎng)絡(luò)　95
5．8　小結(jié)　97
第6　章自動(dòng)編碼器　98
6．1　自動(dòng)編碼器　98
6．2　稀疏自動(dòng)編碼器　101
6．2．1　稀疏編碼　101
6．2．2　稀疏自動(dòng)編碼器　102
6．3　深度自動(dòng)編碼器　104
6．3．1　訓(xùn)練深度自動(dòng)編碼器　104
6．3．2　使用Deeplearning4j 實(shí)現(xiàn)深度自動(dòng)編碼器　107
6．4　降噪自動(dòng)編碼器　108
6．4．1　降噪自動(dòng)編碼器的架構(gòu)　109
6．4．2　堆疊式降噪自動(dòng)編碼器　109
6．4．3　使用Deeplearning4j 實(shí)現(xiàn)堆疊式降噪自動(dòng)編碼器　110
6．5　自動(dòng)編碼器的應(yīng)用　112
6．6　小結(jié)　112
第7　章用Hadoop 玩轉(zhuǎn)深度學(xué)習(xí)　113
7．1　Hadoop 中的分布式視頻解碼　114
7．2　使用Hadoop 進(jìn)行大規(guī)模圖像處理　116
7．3　使用Hadoop 進(jìn)行自然語(yǔ)言處理　117
7．3．1　Web 爬蟲(chóng)　118
7．3．2　自然語(yǔ)言處理的關(guān)鍵詞提取和模塊　118
7．3．3　從頁(yè)面評(píng)估相關(guān)關(guān)鍵詞　118
7．4　小結(jié)　119
參考文獻(xiàn)　120