内容简介

近年来机器学习取得了长足的进步。深度学习系统使得一些以往不可能实现的智能应用成为现实，推动了图像识别和自然语言处理的巨大变革，也成功识别出了数据中的复杂模式。Keras深度学习库为使用R语言的数据科学家和*发者提供了处理深度学习任务的工具集。

《R语言深度学习》基于强大的Keras库及其R语言接口介绍了深度学习。本书源于Keras之父、Google人工智能研究员Fran.ois Chollet基于Python编写的《Python深度学习》一书，由RStudio创始人J.J.Allaire修改为R语言版本，并采用直观的解释和实际的例子帮助读者构建对深度学习的理解。读者可以针对计算机视觉、自然语言处理和生成式模型领域的R语言应用加以实践。

《R语言深度学习》包含如下内容：深度学习原理入门；深度学习环境设置；图像分类与生成；基于文本和序列的深度学习。

阅读本书需要具备R语言编程能力，不需要有机器学习或深度学习的经验。

  目录

目 录

原书前言

致谢

关于本书

*一部分 深度学习基础

第 1章 什么是深度学习

1.1 人工智能、机器学习和深度学习  

1.1.1 人工智能

1.1.2 机器学习  

1.1.3 从数据中学习表述  

1.1.4 深度学习的“深”

1.1.5 通过三张图理解深度学习的原理  

1.1.6 深度学习目前能做什么  

1.1.7 不要相信短期炒作  

1.1.8 人工智能的潜力  

1.2 在深度学习之前：机器学习简史  

1.2.1 概率建模

1.2.2 早期的神经网络

1.2.3 核方法  

1.2.4 决策树、随机森林、梯度提升机  

1.2.5 回到神经网络  

1.2.6 是什么让深度学习与众不同  

1.2.7 现代机器学习发展  

1.3 为什么会有深度学习？为什么是现在  

1.3.1 硬件  

1.3.2 数据  

1.3.3 算法  

1.3.4 新一轮投资潮  

1.3.5 深度学习走向大众

1.3.6 它会持续下去吗

第 2章 在我们开始前：构建神经网络的数学模块  

2.1 有关神经网络的*一印象  

2.2 神经网络的数据表示  

2.2.1 标量（零维张量）  

2.2.2 向量（一维张量）  

2.2.3 矩阵（二维张量）  

2.2.4 三维张量和高维张量  

2.2.5 关键属性  

2.2.6 在 R中使用张量  

2.2.7 数据批次的概念  

2.2.8 数据张量的真实示例  

2.2.9 向量数据  

2.2.10 时间序列数据或序列数据  

2.2.11 图像数据  

2.2.12 视频数据

2.3 神经网络的齿轮：张量运算  

2.3.1 逐元素运算  

2.3.2 包含不同维度张量的运算  

2.3.3 张量点积  

2.3.4 张量重塑  

2.3.5 张量运算的几何解释  

2.3.6 深度学习的几何解释 

2.4 神经网络的引擎：基于梯度的优化  

2.4.1 什么是导数

2.4.2 张量运算的导数：梯度  

2.4.3 随机梯度下降  

2.4.4 链式导数：后向传播算法  

2.5 回顾我们的*一个例子  

2.6 本章小结

第 3章 神经网络入门  

3.1 神经网络的剖析  

3.1.1 层：深度学习的基石  

3.1.2 模型：层网络  

3.1.3 损失函数和优化器：配置学习过程的关键  

3.2 Keras简介  

3.2.1 Keras、TensorFlow、Theano和 CNTK  

3.2.2 安装 Keras 46 3.2.3 使用 Keras进行开发：快速概述  

3.3 建立深度学习工作站  

3.3.1 让 Keras运行：两个选项  

3.3.2 在云中运行深度学习任务：优点和缺点  

3.3.3 什么是深度学习的*佳GPU 

3.4 电影评论分类：二元分类示例  

3.4.1 IMDB数据集  

3.4.2 准备数据  

3.4.3 构建网络  

3.4.4 方法验证  

3.4.5 使用经过训练的网络生成对新数据的预测  

3.4.6 进一步的实验  

3.4.7 小结  

3.5 新闻专线分类：多类分类示例  

3.5.1 Reuters数据集

3.5.2 准备数据  

3.5.3 构建网络  

3.5.4 方法验证  

3.5.5 生成对新数据的预测  

3.5.6 处理标签和损失的不同方式  

3.5.7 具有足够大的中间层的重要性  

3.5.8 进一步的实验  

3.5.9 小结  

3.6 预测房价：一个回归的例子  

3.6.1 波士顿住房价格数据集  

3.6.2 准备数据  

3.6.3 构建网络  

3.6.4 使用 K折验证  

3.6.5 小结 

3.7 本章小结

第 4章 机器学习基础  

4.1 机器学习的四个分支  

4.1.1 监督学习  

4.1.2 无监督学习  

4.1.3 自监督学习  

4.1.4 强化学习  

4.2 评估机器学习模型  

4.2.1 训练、验证和测试集  

4.2.2 要记住的事情  

4.3 数据预处理、特征工程和特征学习

4.3.1 神经网络的数据预处理

4.3.2 特征工程  

4.4 过拟合和欠拟合  

4.4.1 缩小网络规模  

4.4.2 添加权重正则化  

4.4.3 添加 dropout

4.5 机器学习的通用工作流程  

4.5.1 定义问题并整合数据集  

4.5.2 选择衡量成功的标准  

4.5.3 确定评估方案  

4.5.4 准备数据  

4.5.5 开发一个比基线更好的模型  

4.5.6 扩展：开发一个过拟合的模型  

4.5.7 正则化模型并调整超参数  

4.6 本章小结

*二部分 深度学习实战

第 5章 计算机视觉中的深度学习  

5.1 卷积网络概述  

5.1.1 卷积操作  

5.1.2 *大池化操作  

5.2 在小型数据集上从头开始训练一个卷积网络  

5.2.1 深度学习与小数据问题的相关性  

5.2.2 下载数据  

5.2.3 构建网络  

5.2.4 数据预处理  

5.2.5 使用数据扩充  

5.3 使用预训练的卷积网络  

5.3.1 特征提取  

5.3.2 微调  

5.3.3 小结  

5.4 可视化卷积网络学习过程  

5.4.1 可视化中间激活  

5.4.2 可视化卷积网络过滤器 

5.4.3 可视化类激活的热图 

5.5 本章小结

第 6章 用于文本和序列数据的深度学习  

6.1 使用文本数据  

6.1.1 词和字符的独热编码  

6.1.2 使用单词嵌入  

6.1.3 将其全部放在一起：从原始文本到单词嵌入  

6.1.4 小结  

6.2 了解循环神经网络  

6.2.1 Keras中的循环层  

6.2.2 理解 LSTM 和 GRU 层  

6.2.3 Keras中的一个具体的 LSTM例子  

6.2.4 小结  

6.3 循环神经网络的*级用途  

6.3.1 温度预测问题  

6.3.2 准备数据  

6.3.3 一个常识性的非机器学习基线  

6.3.4 一种基本的机器学习方法  

6.3.5 *一个循环基线  

6.3.6 使用循环 dropout来对抗过拟合 

6.3.7 堆叠循环层  

6.3.8 使用双向循环神经网络  

6.3.9 更进一步  

6.3.10 小结  

6.4 使用卷积神经网络进行序列处理  

6.4.1 了解序列数据的一维卷积

6.4.2 序列数据的一维池化  

6.4.3 实现一维卷积网络  

6.4.4 结合卷积神经网络和循环神经网络处理长序列  

6.4.5 小结  

6.5 本章小结

第 7章 *级深度学习的*佳实践  

7.1 超越顺序模型：Keras函数API  

7.1.1 函数 API简介  

7.1.2 多输入模型  

7.1.3 多输出模型  

7.1.4 有向无环层图  

7.1.5 层权重共享  

7.1.6 模型层  

7.1.7 小结  

7.2 使用Keras回调和TensorBoard检验和监视深度学习模型  

7.2.1 在训练过程中使用回调对模型进行操作 

7.2.2 TensorBoard介绍：TensorFlow可视化框架 &nbs