深度学习模型及应用详解PDF电子书下载

查看更多关于的内容

第1章 神经网络发展史 1

1.1 神经网络的早期雏形 3

1.1.1 联结主义和Hebb学习规则 4

1.1.2 Oja学习规则及主分量分析 5

1.1.3 早期的神经元模型 5

1.2 现代神经网络 6

1.2.1 反向传播算法 6

1.2.2 神经网络的通用函数近似性 8

1.2.3 深度的必要性 9

1.3 深度学习发展历史中的重要神经网络 10

1.3.1 深度神经网络的兴起 10

1.3.2 自组织特征映射 10

1.3.3 霍普菲尔德神经网络 11

1.3.4 玻尔兹曼机及受限玻尔兹曼机 12

1.3.5 深度信念网 14

1.3.6 其他深度神经网络 15

1.4 本章小结 15

参考文献 16

第2章 深度学习开源框架 17

2.1 主流的深度学习开源框架 18

2.2 简单神经网络模型在不同框架上的实现对比 29

2.3 本章小结 44

参考文献 45

第3章 多层感知机在自然语言处理方面的应用 46

3.1 词和文本模型的发展历程 47

3.2 Word2Vec模型：基于上下文的分布式表达 49

3.2.1 Skip-Gram算法的训练流程 50

3.2.2 Skip-Gram算法的网络结构 53

3.2.3 代价函数 54

3.3 应用TensorFlow实现Word2Vec模型 58

3.3.1 定义计算图：训练语料库预处理 60

3.3.2 模型计算图的实现 63

3.4 Word2Vec模型的局限及改进 66

3.5 本章小结 67

参考文献 68

第4章 卷积神经网络在图像分类中的应用 69

4.1 图像识别和图像分类的发展 72

4.2 AlexNet 73

4.2.1 网络模型结构 74

4.2.2 AlexNet的具体改进 79

4.2.3 代价函数 83

4.3 应用TensorFlow实现AlexNet 83

4.3.1 读取训练图像集 83

4.3.2 模型计算图的实现 84

4.4 本章小结 85

参考文献 86

第5章 递归神经网络 87

5.1 递归神经网络应用背景介绍 88

5.2 递归神经网络模型介绍 89

5.2.1 递归神经网络模型结构 89

5.2.2 双向递归神经网络 90

5.2.3 长短期记忆模型 91

5.3 递归神经网络展望 94

5.4 本章小结 95

参考文献 95

第6章 DeepIntent模型在信息检索领域的应用 96

6.1 信息检索在搜索广告中的应用发展 97

6.2 含有注意力机制的RNN模型 99

6.2.1 网络模型结构 100

6.2.2 代价函数 104

6.3 应用TensorFlow实现DeepIntent模型 107

6.3.1 定义计算图 107

6.3.2 定义代价函数及优化算法 114

6.3.3 执行计算图进行训练 118

6.4 本章小结 119

参考文献 120

第7章 图像识别及在广告搜索方面的应用 121

7.1 视觉搜索 122

7.2 方法和系统 124

7.2.1 图像DNN编码器 124

7.2.2 利用Rich-CDSSM降低维度 125

7.2.3 快速最近邻搜索系统 127

7.2.4 精密层 127

7.2.5 端到端服务系统 128

7.3 评测 129

7.4 用于演示的Visual Shopping Assistant应用程序 131

7.5 相关工作 132

7.6 本章小结 133

第8章 Seq2Seq模型在聊天机器人中的应用 134

8.1 Seq2Seq模型应用背景 135

8.2 Seq2Seq模型的应用方法 136

8.3 含有注意力机制的多层Seq2Seq模型 137

8.3.1 词嵌入层 137

8.3.2 可变深度LSTM递归层 138

8.3.3 注意力机制层 139

8.3.4 投影层 139

8.3.5 损失函数（loss function）和端到端训练 140

8.4 信息导向的自适应序列采样 142

8.5 多轮项目推荐 143

8.6 熵作为信心的度量 143

8.6.1 直观的定义和讨论 143

8.6.2 序列后验估计的不确定性 145

8.6.3 信息导向的抽样：最大化预期信息增益的原则 145

8.6.4 Seq2Seq模型的3个应用程序 146

8.6.5 应用程序1：查询理解和重写 147

8.6.6 应用程序2：相关性评分 152

8.6.7 应用程序3：聊天机器人 156

8.7 本章小结 160

参考文献 160

第9章 word2vec的改进：fastText模型 162

9.1 fastText模型的原理 163

9.1.1 回顾Skip-Gram算法 163

9.1.2 subword模型 164

9.1.3 subword形态 167

9.1.4 分层softmax 168

9.1.5 fastText的模型架构 170

9.1.6 fastText算法实现 171

9.2 应用场景：搜索广告中的查询词关键词匹配问题 172

9.3 本章小结 173

参考文献 174

第10章 生成对抗网络 175

10.1 生成对抗网络的原理 176

10.1.1 GAN的基本模型 176

10.1.2 GAN优化目标的原理 178

10.1.3 GAN的训练 179

10.1.4 GAN的扩展模型 180

10.2 应用场景：搜索广告中由查询词直接生成关键词 182

10.2.1 生成模型的构建 182

10.2.2 判别模型的构建 184

10.2.3 条件生成对抗网络的构建 185

10.3 本章小结 186

参考文献 187

第11章 深度强化学习 188

11.1 深度强化学习的原理 189

11.1.1 强化学习的基本概念 189

11.1.2 马尔可夫决策过程 191

11.1.3 价值函数和贝尔曼方程 192

11.1.4 策略迭代和值迭代 194

11.1.5 Q-Learning 196

11.1.6 深度Q网络 198

11.1.7 策略梯度 201

11.1.8 动作评价网络 202

11.2 应用场景：基于深度强化学习的推荐系统 203

11.3 本章小结 206

参考文献 206

第12章 工程实践和线上优化 208

12.1 Seq2Seq模型介绍 209

12.2 LSTM优化分析 211

12.2.1 优化一：指数运算的近似展开 214

12.2.2 优化二：矩阵运算的执行速度优化 218

12.2.3 优化三：多线程并行处理 224

12.3 优化应用实例：RapidScorer算法对GBDT的加速 227

12.3.1 背景介绍 228

12.3.2 RapidScorer数据结构设计 231

12.3.3 RapidScorer矢量化 233

12.3.4 RapidScorer实验结果 237

12.4 本章小结 238

参考文献 239

第13章 深度学习的下一个浪潮 240

13.1 深度学习的探索方向展望 241

13.1.1 设计更好的生成模型 241

13.1.2 深度强化学习的发展 241

13.1.3 半监督学习与深度学习 242

13.1.4 深度学习自身的学习 242

13.1.5 迁移学习与深度学习的结合 242

13.1.6 用于推理的深度学习 243

13.1.7 深度学习工具的标准化 243

13.2 深度学习的应用场景展望 243

13.2.1 医疗健康领域 243

13.2.2 安全隐私领域 248

13.2.3 城市治理领域 249

13.2.4 艺术创作领域 250

13.2.5 金融保险领域 252

13.2.6 无人服务领域 254

13.3 本章小结 257

参考文献 258

查看更多关于的内容