JavaScript深度學習

第 一部分 動機和基本概念
第　1章 深度學習和JavaScript　2
1．1　人工智能、機器學習、神經(jīng)網(wǎng)絡(luò)和深度學習　4
1．1．1　人工智能　4
1．1．2　機器學習：它和傳統(tǒng)編程有何不同　5
1．1．3　神經(jīng)網(wǎng)絡(luò)和深度學習　9
1．1．4　進行深度學習的必要性　12
1．2　為何要結(jié)合JavaScript和機器學習　14
1．2．1　用Node．js進行深度學習　19
1．2．2　JavaScript生態(tài)系統(tǒng)　20
1．3　為何選用TensorFlow．js　21
1．3．1　TensorFlow、Keras和TensorFlow．js的前世今生　21
1．3．2　為何選用TensorFlow．js　24
1．3．3　TensorFlow．js在全球的應(yīng)用情況　25
1．3．4　本書中的TensorFlow．js知識　26
1．4　練習　27
1．5　小結(jié)　27
第二部分　深入淺出TensorFlow．js
第　2章 TensorFlow．js入門：從簡單的線性回歸開始　30
2．1　示例1：用TensorFlow．js預測下載任務(wù)所需時間　30
2．1．1　項目概覽：預測下載任務(wù)所需時間　31
2．1．2　關(guān)于代碼清單和控制臺交互的注意事項　32
2．1．3　創(chuàng)建和格式化數(shù)據(jù)　32
2．1．4　定義簡單的模型　35
2．1．5　使模型擬合訓練集　37
2．1．6　用經(jīng)過訓練的模型進行預測　39
2．1．7　示例1 小結(jié)　40
2．2　model．fit()內(nèi)部原理剖析：示例1中的梯度下降算法　41
2．2．1　直觀理解梯度下降算法優(yōu)化　41
2．2．2　探索梯度下降算法的內(nèi)部原理：反向傳播算法　46
2．3　示例2：涉及多個輸入特征的線性回歸　50
2．3．1　波士頓房價數(shù)據(jù)集　50
2．3．2　從GitHub獲取并運行波士頓房價預測項目　51
2．3．3　讀取波士頓房價數(shù)據(jù)　53
2．3．4　準確定義波士頓房價問題　54
2．3．5　線性回歸前的準備工作：數(shù)據(jù)標準化　55
2．3．6　對波士頓房價數(shù)據(jù)集進行線性回歸　59
2．4　如何理解模型　62
2．4．1　解釋習得的權(quán)重　62
2．4．2　獲取模型內(nèi)部權(quán)重　64
2．4．3　關(guān)于可解釋性的注意事項　65
2．5　練習　65
2．6　小結(jié)　65
第3章　添加非線性：升級加權(quán)和　67
3．1　非線性的定義及其優(yōu)勢　67
3．1．1　直觀地理解神經(jīng)網(wǎng)絡(luò)中的非線性　69
3．1．2　超參數(shù)與超參數(shù)優(yōu)化　75
3．2　輸出端的非線性：分類任務(wù)的模型　77
3．2．1　二分類定義　78
3．2．2　度量二分類器的性能：準確率、精確率、召回率　81
3．2．3　ROC曲線：展示二分類問題中的取舍關(guān)系　83
3．2．4　二元交叉熵：二分類問題的損失函數(shù)　87
3．3　多分類問題　90
3．3．1　對分類數(shù)據(jù)進行one-hot編碼　90
3．3．2　歸一化指數(shù)函數(shù)：softmax函數(shù)　92
3．3．3　分類交叉熵：多分類問題的損失函數(shù)　94
3．3．4　混淆矩陣：更細粒度地分析多分類問題　95
3．4　練習　97
3．5　小結(jié)　98
第4章　用convnet 識別圖像和音頻　99
4．1　從向量到張量：圖像數(shù)據(jù)的表示方法　99
4．2　你的第 一個convnet　101
4．2．1　conv2d層　103
4．2．2　maxPooling2d層　107
4．2．3　重復出現(xiàn)的卷積層加池化層組合模式　108
4．2．4　扁平化密集層　109
4．2．5　訓練convnet　111
4．2．6　用convnet做預測　114
4．3　告別瀏覽器：用Node．js更快地訓練模型　117
4．3．1　安裝使用tfjs-node所需的依賴和模塊　117
4．3．2　在瀏覽器中加載Node．js中保存的模型　122
4．4　口語單詞識別：對音頻數(shù)據(jù)使用convnet　124
4．5　練習　130
4．6　小結(jié)　130
第5章　遷移學習：復用預訓練的神經(jīng)網(wǎng)絡(luò)　132
5．1　遷移學習簡介：復用預訓練模型　132
5．1．1　基于兼容的輸出形狀進行遷移學習：固化層　134
5．1．2　對不兼容的輸出形狀進行遷移學習：用基模型的輸出創(chuàng)建新模型　139
5．1．3　用微調(diào)最大化遷移學習的收益：音頻示例　150
5．2　通過對convnet進行遷移學習實現(xiàn)目標檢測　159
5．2．1　基于合成場景的簡單目標識別問題　160
5．2．2　深入了解如何實現(xiàn)簡單的目標檢測　161
5．3　練習　168
5．4　小結(jié)　169
第三部分　TensorFlow．js高級深度學習
第6章　處理數(shù)據(jù)　172
6．1　用tf．data管理數(shù)據(jù)　173
6．1．1　tf．data．Dataset對象　173
6．1．2　創(chuàng)建tf．data．Dataset對象　174
6．1．3　讀取數(shù)據(jù)集對象中的數(shù)據(jù)　178
6．1．4　操作tfjs-data數(shù)據(jù)集　179
6．2　用model．fitDataset訓練模型　183
6．3　獲取數(shù)據(jù)的常見模式　188
6．3．1　處理CSV格式的數(shù)據(jù)　188
6．3．2　用tf．data．webcam()獲取視頻數(shù)據(jù)　193
6．3．3　用tf．data．microphone()獲取音頻數(shù)據(jù)　196
6．4　處理有缺陷的數(shù)據(jù)　198
6．4．1　數(shù)據(jù)理論　199
6．4．2　檢測并清洗數(shù)據(jù)中的缺陷　202
6．5　數(shù)據(jù)增強　208
6．6　練習　211
6．7　小結(jié)　211
第7章　可視化數(shù)據(jù)和模型　212
7．1　數(shù)據(jù)可視化　212
7．1．1　用tfjs-vis模塊可視化數(shù)據(jù)　213
7．1．2　綜合性案例研究：用tfjs-vis模塊可視化氣象數(shù)據(jù)　220
7．2　可視化訓練后的模型　225
7．2．1　可視化convnet內(nèi)部激活函數(shù)的輸出　226
7．2．2　找到卷積層的敏感點：最大化激活函數(shù)輸出的輸入圖像　229
7．2．3　可視化和解讀convnet的分類結(jié)果　233
7．3　延展閱讀和補充資料　234
7．4　練習　235
7．5　小結(jié)　235
第8章　欠擬合、過擬合，以及機器學習的通用流程　236
8．1　定義氣溫預測問題　236
8．2　欠擬合、過擬合，以及應(yīng)對措施　240
8．2．1　欠擬合　240
8．2．2　過擬合　242
8．2．3　用權(quán)重正則化應(yīng)對過擬合并可視化其成效　244
8．3　機器學習的通用流程　248
8．4　練習　250
8．5　小結(jié)　251
第9章　針對序列和文本的深度學習　252
9．1　用RNN對氣溫預測問題進行第二次嘗試　253
9．1．1　為何密集層無法為序列中的順序信息建模　253
9．1．2　RNN層如何為序列中的順序建?！?55
9．2　構(gòu)建針對文本的深度學習模型　263
9．2．1　文本在機器學習中的表示方法：one-hot編碼和multi-hot編碼　264
9．2．2　對情感分析問題的第 一次嘗試　266
9．2．3　一種更高效的文本表示：詞嵌入　267
9．2．4　1D convnet　269
9．3　采用注意力機制的序列到序列任務(wù)　277
9．3．1　定義序列到序列任務(wù)　277
9．3．2　編碼器 解碼器架構(gòu)和注意力機制　279
9．3．3　詳解基于注意力機制的編碼器 解碼器模型　282
9．4　延展閱讀　286
9．5　練習　286
9．6　小結(jié)　287
第　10章 生成式深度學習　289
10．1　用LSTM 生成文本　290
10．1．1　下個字符預測器：一種簡單的文本生成方法　290
10．1．2　基于LSTM的文本生成器示例　292
10．1．3　混沌值：調(diào)節(jié)生成文本的隨機程度的閥門　296
10．2　變分自編碼器：找到圖像的高效、結(jié)構(gòu)化表示　299
10．2．1　經(jīng)典自編碼器和變分自編碼器：基本概念　299
10．2．2　VAE的具體示例：Fashion-MNIST數(shù)據(jù)集示例　302
10．3　用GAN生成圖像　308
10．3．1　GAN背后的基本概念　309
10．3．2　ACGAN的基本組成部分　311
10．3．3　詳解ACGAN的訓練流程　315
10．3．4　見證針對MNIST數(shù)據(jù)集的ACGAN模型的訓練和圖像生成　317
10．4　延展閱讀　320
10．5　練習　320
10．6　小結(jié)　321
第　11章 深度強化學習的基本原理　322
11．1　定義強化學習問題　323
11．2　策略網(wǎng)絡(luò)和策略梯度：平衡倒立擺示例　326
11．2．1　用強化學習的框架定義平衡倒立擺問題　326
11．2．2　策略網(wǎng)絡(luò)　328
11．2．3　訓練策略網(wǎng)絡(luò)：REINFORCE算法　331
11．3　價值網(wǎng)絡(luò)和Q學習：《貪吃蛇》游戲示例　337
11．3．1　用強化學習的框架定義貪吃蛇問題　337
11．3．2　馬爾可夫決策過程和Q值　340
11．3．3　深度Q網(wǎng)絡(luò)　343
11．3．4　訓練深度Q網(wǎng)絡(luò)　346
11．4　延展閱讀　356
11．5　練習　356
11．6　小結(jié)　358
第四部分　總結(jié)與結(jié)語
第　12章 模型的測試、優(yōu)化和部署　360
12．1　測試TensorFlow．js模型　360
12．1．1　傳統(tǒng)的單元測試　362
12．1．2　基于黃金值的測試　364
12．1．3　關(guān)于持續(xù)訓練的一些思考　366
12．2　模型優(yōu)化　367
12．2．1　通過訓練后的權(quán)重量化優(yōu)化模型體積　367
12．2．2　基于GraphModel轉(zhuǎn)換的推斷速度優(yōu)化　373
12．3　部署TensorFlow．js模型到不同的平臺和環(huán)境　378
12．3．1　部署到Web環(huán)境時的一些額外考量　378
12．3．2　部署到云環(huán)境　379
12．3．3　部署到瀏覽器插件（例如Chrome插件）環(huán)境　380
12．3．4　部署到基于JavaScript的移動端應(yīng)用程序　382
12．3．5　部署到基于JavaScript的跨平臺桌面端應(yīng)用程序　383
12．3．6　部署到微信和其他基于JavaScript的移動端插件系統(tǒng)　385
12．3．7　部署到單片機　386
12．3．8　部署環(huán)境的總結(jié)　388
12．4　延展閱讀　388
12．5　練習　388
12．6　小結(jié)　389
第　13章 總結(jié)與展望　390
13．1　回顧關(guān)鍵概念　390
13．1．1　AI的各種策略　390
13．1．2　深度學習從各種機器學習策略中脫穎而出的原因　391
13．1．3　如何抽象地理解深度學習　392
13．1．4　深度學習成功的關(guān)鍵因素　392
13．1．5　JavaScript深度學習帶來的新應(yīng)用和新機遇　393
13．2　回顧深度學習的流程和TensorFlow．js中的算法　394
13．2．1　監(jiān)督式深度學習的通用流程　394
13．2．2　回顧TensorFlow．js中的模型類型和層類型　395
13．2．3　在TensorFlow．js中使用預訓練模型　400
13．2．4　可能性空間　402
13．2．5　深度學習的局限性　404
13．3　深度學習的發(fā)展趨勢　406
13．4　繼續(xù)探索的一些指引　407
13．4．1　在Kaggle上練習解決實際的機器學習問題　407
13．4．2　了解arXiv上的最新進展　408
13．4．3　探索TensorFlow．js生態(tài)　408
13．5　寄語　408
附錄A　安裝tfjs-node-gpu及其依賴（圖靈社區(qū)下載）
附錄B　TensorFlow．js張量及運算的簡明教程（圖靈社區(qū)下載）
術(shù)語表（圖靈社區(qū)下載）