Hadoop深度學習

定　價：￥39.00

作　者：	迪帕延·德夫（Dipayan Dev）著，范東來，趙運楓，封強譯
出版社：	人民郵電出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787115482181	出版時間：	2018-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	125	字數(shù)：

內(nèi)容簡介

　　本書主要目標是處理很多深度學習應用的熱點問題并向讀者披露解決方案的細節(jié)。主要內(nèi)容分為7章：第1章介紹深度學習基礎知識，第2章介紹大規(guī)模數(shù)據(jù)的分布式深度學習，第3章介紹卷積神經(jīng)網(wǎng)絡，第4章介紹循環(huán)神經(jīng)網(wǎng)絡，第5章介紹受限玻爾茲曼機，第6章介紹自動編碼器，第7章介紹如何用Hadoop玩轉深度學習。

作者簡介

　　Dipayan Dev多年大數(shù)據(jù)開發(fā)經(jīng)驗，擅長非關系型數(shù)據(jù)庫技術和Hadoop框架，曾在IEEE和Springer的期刊上多次發(fā)表相關研究論文?，F(xiàn)任印度PromptCloud公司軟件工程師。

圖書目錄

第 1 章深度學習介紹 1
1．1　開始深度學習之旅　5
1．1．1　深度前饋網(wǎng)絡　6
1．1．2　各種學習算法　6
1．2　深度學習的相關術語　10
1．3　深度學習——一場人工智能革命　12
1．4　深度學習網(wǎng)絡的分類　18
1．4．1　深度生成或無監(jiān)督模型　19
1．4．2　深度判別模型　20
1．5　小結　22
第　2 章大規(guī)模數(shù)據(jù)的分布式深度學習　23
2．1　海量數(shù)據(jù)的深度學習　24
2．2　大數(shù)據(jù)深度學習面臨的挑戰(zhàn)　27
2．2．1　海量數(shù)據(jù)帶來的挑戰(zhàn)（第一個V）　28
2．2．2　數(shù)據(jù)多樣性帶來的挑戰(zhàn)（第二個V）　28
2．2．3　數(shù)據(jù)快速處理帶來的挑戰(zhàn)（第三個V）　29
2．2．4　數(shù)據(jù)真實性帶來的挑戰(zhàn)（第四個V）　29
2．3　分布式深度學習和Hadoop　29
2．3．1　Map-Reduce　31
2．3．2　迭代Map-Reduce　31
2．3．3　YARN　32
2．3．4　分布式深度學習設計的重要特征　32
2．4　深度學習的開源分布式框架Deeplearning4j　34
2．4．1　Deeplearning4j 的主要特性　34
2．4．2　Deeplearning4j 功能總結　35
2．5　在Hadoop YARN 上配置Deeplearning4j　35
2．5．1　熟悉Deeplearning4j　36
2．5．2　為進行分布式深度學習集成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　44
第3　章卷積神經(jīng)網(wǎng)絡　45
3．1　卷積是什么　46
3．2　卷積神經(jīng)網(wǎng)絡的背景　47
3．3　卷積神經(jīng)網(wǎng)絡的基本層　48
3．3．1　卷積神經(jīng)網(wǎng)絡深度的重要性　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　58
3．4．1　最受歡迎的深度神經(jīng)網(wǎng)絡及其配置　58
3．4．2　訓練時間——深度神經(jīng)網(wǎng)絡面臨的主要挑戰(zhàn)　59
3．4．3　將Hadoop 應用于深度卷積神經(jīng)網(wǎng)絡　59
3．5　使用Deeplearning4j 構建卷積層　61
3．5．1　加載數(shù)據(jù)　61
3．5．2　模型配置　62
3．5．3　訓練與評估　63
3．6　小結　64
第4　章循環(huán)神經(jīng)網(wǎng)絡　65
4．1　循環(huán)網(wǎng)絡與眾不同的原因　66
4．2　循環(huán)神經(jīng)網(wǎng)絡　67
4．2．1　展開循環(huán)計算　68
4．2．2　循環(huán)神經(jīng)網(wǎng)絡的記憶　69
4．2．3　架構　70
4．3　隨時間反向傳播　71
4．4　長短期記憶　73
4．4．1　隨時間深度反向傳播的問題　73
4．4．2　長短期記憶　73
4．5　雙向循環(huán)神經(jīng)網(wǎng)絡　75
4．5．1　循環(huán)神經(jīng)網(wǎng)絡的不足　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　77
4．7　用Deeplearning4j 訓練循環(huán)神經(jīng)網(wǎng)絡　77
4．8　小結　80
第5　章受限玻爾茲曼機　81
5．1　基于能量的模型　82
5．2　玻爾茲曼機　83
5．2．1　玻爾茲曼機如何學習　84
5．2．2　玻爾茲曼機的不足　85
5．3　受限玻爾茲曼機　85
5．3．1　基礎架構　85
5．3．2　受限玻爾茲曼機的工作原理　86
5．4　卷積受限玻爾茲曼機　88
5．5　深度信念網(wǎng)絡　90
5．6　分布式深度信念網(wǎng)絡　91
5．6．1　受限玻爾茲曼機的分布式訓練　91
5．6．2　深度信念網(wǎng)絡的分布式訓練　92
5．7　用Deeplearning4j 實現(xiàn)受限玻爾茲曼機和深度信念網(wǎng)絡　94
5．7．1　受限玻爾茲曼機　94
5．7．2　深度信念網(wǎng)絡　95
5．8　小結　97
第6　章自動編碼器　98
6．1　自動編碼器　98
6．2　稀疏自動編碼器　101
6．2．1　稀疏編碼　101
6．2．2　稀疏自動編碼器　102
6．3　深度自動編碼器　104
6．3．1　訓練深度自動編碼器　104
6．3．2　使用Deeplearning4j 實現(xiàn)深度自動編碼器　107
6．4　降噪自動編碼器　108
6．4．1　降噪自動編碼器的架構　109
6．4．2　堆疊式降噪自動編碼器　109
6．4．3　使用Deeplearning4j 實現(xiàn)堆疊式降噪自動編碼器　110
6．5　自動編碼器的應用　112
6．6　小結　112
第7　章用Hadoop 玩轉深度學習　113
7．1　Hadoop 中的分布式視頻解碼　114
7．2　使用Hadoop 進行大規(guī)模圖像處理　116
7．3　使用Hadoop 進行自然語言處理　117
7．3．1　Web 爬蟲　118
7．3．2　自然語言處理的關鍵詞提取和模塊　118
7．3．3　從頁面評估相關關鍵詞　118
7．4　小結　119
參考文獻　120