JavaScript深度学习电子书

版权声明

本书结构

中文版推荐序

前言

关于本书

致谢

关于作者

关于封面

第一部分 动机和基本概念

第 1 章 深度学习和JavaScript

1.1 人工智能、机器学习、神经网络和深度学习

1.2 为何要结合JavaScript和机器学习

1.3 为何选用TensorFlow.js

1.4 练习

1.5 小结

第二部分 深入浅出TensorFlow.js

第 2 章 TensorFlow.js入门：从简单的线性回归开始

2.1 示例1：用TensorFlow.js预测下载任务所需时间

2.2 model.fit()内部原理剖析：示例1中的梯度下降算法

2.3 示例2：涉及多个输入特征的线性回归

2.4 如何理解模型

2.5 练习

2.6 小结

第 3 章 添加非线性：升级加权和

3.1 非线性的定义及其优势

3.2 输出端的非线性：分类任务的模型

3.3 多分类问题

3.4 练习

3.5 小结

第 4 章 用convnet识别图像和音频

4.1 从向量到张量：图像数据的表示方法

4.2 你的第一个convnet

4.3 告别浏览器：用Node.js更快地训练模型

4.4 口语单词识别：对音频数据使用convnet

4.5 练习

4.6 小结

第 5 章 迁移学习：复用预训练的神经网络

5.1 迁移学习简介：复用预训练模型

5.2 通过对convnet进行迁移学习实现目标检测

5.3 练习

5.4 小结

第三部分 TensorFlow.js高级深度学习

第 6 章 处理数据

6.1 用tf.data管理数据

6.2 用model.fitDataset训练模型

6.3 获取数据的常见模式

6.4 处理有缺陷的数据

6.5 数据增强

6.6 练习

6.7 小结

第 7 章 可视化数据和模型

7.1 数据可视化

7.2 可视化训练后的模型

7.3 延展阅读和补充资料

7.4 练习

7.5 小结

第 8 章 欠拟合、过拟合，以及机器学习的通用流程

8.1 定义气温预测问题

8.2 欠拟合、过拟合，以及应对措施

8.3 机器学习的通用流程

8.4 练习

8.5 小结

第 9 章 针对序列和文本的深度学习

9.1 用RNN对气温预测问题进行第二次尝试

9.2 构建针对文本的深度学习模型

9.3 采用注意力机制的序列到序列任务

9.4 延展阅读

9.5 练习

9.6 小结

第 10 章 生成式深度学习

10.1 用LSTM生成文本

10.2 变分自编码器：找到图像的高效、结构化表示

10.3 用GAN生成图像

10.4 延展阅读

10.5 练习

10.6 小结

第 11 章 深度强化学习的基本原理

11.1 定义强化学习问题

11.2 策略网络和策略梯度：平衡倒立摆示例

11.3 价值网络和Q学习：《贪吃蛇》游戏示例

11.4 延展阅读

11.5 练习

11.6 小结

第四部分 总结与结语

第 12 章 模型的测试、优化和部署

12.1 测试TensorFlow.js模型

12.2 模型优化

12.3 部署TensorFlow.js模型到不同的平台和环境

12.4 延展阅读

12.5 练习

12.6 小结

第 13 章 总结与展望

13.1 回顾关键概念

13.2 回顾深度学习的流程和TensorFlow.js中的算法

13.3 深度学习的发展趋势

13.4 继续探索的一些指引

13.5 寄语

附录 A 安装tfjs-node-gpu及其依赖

A.1 在Linux上安装tfjs-node-gpu

A.2 在Windows上安装tfjs-node-gpu

附录 B TensorFlow.js张量及运算的简明教程

B.1 张量的创建以及张量轴的使用规范

B.2 基础张量运算

B.3 TensorFlow.js中的内存管理：tf.dispose()和tf.tidy()

B.4 计算梯度

B.5 练习

术语表

看完了