基于Theano的深度学习：构建未来与当前的人工大脑

译者序
原书前言
本书作者
原书致谢
第1 章　Theano 基础 //1
1.1　张量所需 //1
1.2　安装和加载Theano //2
1.2.1　Conda 软件包和环境管理器 // 2
1.2.2　在CPU 上安装和运行Theano // 2
1.2.3　GPU 驱动和相关库 // 3
1.2.4　在GPU 上安装和运行Theano // 4
1.3　张量 //5
1.4　计算图和符号计算 //8
1.5　张量操作 //11
1.5.1　维度操作算子 // 13
1.5.2　元素操作算子 // 14
1.5.3　约简操作算子 // 16
1.5.4　线性代数算子 // 16
1.6　内存和变量 //18
1.7　函数和自动微分 //20
1.8　符号计算中的循环运算 //22
1.9　配置、分析和调试 //26
1.10　小结 //29
第2 章　 基于前馈神经网络的手写体数
字分类 //30
2.1　MNIST 数据集 // 30
2.2　训练程序架构 // 32
2.3　分类损失函数 // 33
2.4　单层线性模型 // 34
2.5　成本函数和误差 // 35
2.6　反向传播算法和随机梯度下降 // 36
2.7　多层模型 // 37
2.8　卷积层和*池化层 // 43
2.9　训练 // 47
2.10　退出 // 52
2.11　推理 // 52
2.12　优化和其他更新规则 // 52
2.13　延伸阅读 // 56
2.14　小结 // 57
第3 章　单词的向量编码 //58
3.1　编码和嵌入 // 58
3.2　数据集 // 60
3.3　连续词袋模型 // 62
3.4　模型训练 // 66
3.5　可视化学习嵌入 // 68
3.6　嵌入评价—类比推理 // 70
3.7　嵌入评价—量化分析 // 72
3.8　单词嵌入应用 // 72
3.9　权重绑定 // 73
基于Theano 的深度学习：
构建未来与当前的人工大脑
XIV
3.10　延伸阅读 // 73
3.11　小结 // 74
第4 章　 基于递归神经网络的文本
生成 //75
4.1　RNN 所需 // 75
4.2　自然语言数据集 // 76
4.3　简单递归网络 // 79
4.3.1　LSTM 网络 // 81
4.3.2　门控递归网络 // 83
4.4　自然语言性能评测 // 84
4.5　训练损失比较 // 84
4.6　预测示例 // 86
4.7　RNN 的应用 // 87
4.8　延伸阅读 // 88
4.9　小结 // 89
第5 章　 基于双向LSTM 的情感
分析 // 90
5.1　Keras 的安装和配置 // 90
5.1.1　Keras 编程 // 91
5.1.2　SemEval 2013 数据集 // 93
5.2　文本数据预处理 // 94
5.3　模型架构设计 // 96
5.3.1　单词的向量表征 // 96
5.3.2　基于双向LSTM 的语句表征 // 97
5.3.3　softmax 分类器的输出概率 // 98
5.4　模型编译与训练 // 99
5.5　模型评估 // 99
5.6　模型保存与加载 // 100
5.7　示例运行 // 100
5.8　延伸阅读 // 100
5.9　小结 // 101
第6 章　 基于空间变换网络的
定位 // 102
6.1　 基于Lasagne 的MNIST CNN 模型
// 102
6.2　定位网络 // 104
6.2.1　RNN 在图像中的应用 // 108
6.3　基于共定位的非监督式学习 // 112
6.4　基于区域的定位网络 // 112
6.5　延伸阅读 // 113
6.6　小结 // 114
第7 章　 基于残差网络的图像
分类 // 115
7.1　自然图像数据集 // 115
7.1.1　批处理标准化 // 116
7.1.2　全局平均池化 // 117
7.2　残差连接 // 118
7.3　随机深度 // 123
7.4　密集连接 // 124
7.5　多GPU // 125
7.6　数据增强 // 126
7.7　延伸阅读 // 127
7.8　小结 // 127
第8 章　 基于编码—解码网络的翻译
与解释 // 128
8.1　 序列—序列网络在自然语言处理
中的应用 // 128
8.2　 序列—序列网络在语言翻译中的
应用 // 133
8.3　 序列—序列网络在聊天机器人中的
应用 // 134
8.4　序列—序列网络的效率提高 // 134
8.5　图像反卷积 // 136
目　录
XV
8.6　多模态深度学习 // 140
8.7　延伸阅读 // 140
8.8　小结 // 142
第9 章　 基于注意力机制的相关输入
或记忆选择 // 143
9.1　注意力可微机制 // 143
9.1.1　 基于注意力机制的*
翻译 // 144
9.1.2　 基于注意力机制的*图像
注释 // 145
9.2　 神经图灵机中的信息存储和
检索 // 146
9.3　记忆网络 // 148
9.3.1　 基于动态记忆网络的情景
记忆 // 149
9.4　延伸阅读 // 150
9.5　小结 // 151
第10 章　 基于先进递归神经网络的时
间序列预测 // 152
10.1　RNN 的退出 // 152
10.2　RNN 的深度学习方法 // 153
10.3　层叠递归网络 // 154
10.4　深度转移递归网络 // 157
10.5　高速网络设计原理 // 157
10.6　递归高速网络 // 158
10.7　延伸阅读 // 159
10.8　小结 // 159
第11 章　强化环境学习 // 160
11.1　强化学习任务 // 160
11.2　仿真环境 // 161
11.3　Q 学习 // 164
11.4　深度Q 学习网络 // 166
11.5　训练稳定性 // 167
11.6　 基于REINFORCE 算法的策略
梯度 // 169
11.7　延伸阅读 // 171
11.8　小结 // 172
第12 章　 基于非监督式网络的特征
学习 // 173
12.1　生成模型 // 173
12.1.1　受限玻耳兹曼机 // 173
12.1.2　深度信念网络 // 177
12.1.3　生成性对抗网络 // 178
12.1.4　改进GAN // 182
12.2　半监督式学习 // 182
12.3　延伸阅读 // 183
12.4　小结 // 184
第13 章　 基于Theano 的深度学习
扩展 // 185
13.1　 CPU 中Python 实现的Theano
操作 // 185
13.2　 GPU 中Python 实现的Theano
操作 // 188
13.3　 CPU 中C 实现的Theano 操作 //
190
13.4　 GPU 中C 实现的Theano 操作 //
193
13.5　 通过共享内存的合并转置，NVIDIA
并行 // 196
13.5.1　模型转换 // 197
13.6　人工智能的未来发展 // 199
13.7　延伸阅读 // 201
13.8　小结 // 202