基于Theano的深度学习(构建未来与当前的人工大脑)/深度学习系列

作者简介

Christopher Bourez于 2005年毕业于巴黎综合理工大学和卡尚高等师范学院，获得数学、机器学习和计算机视觉（MVA）的硕士学位。 7年来，他创立了一家计算机视觉公司，在 2007年推出了一种用于 iPhone的视觉识别应用程序 Pixee，与巴黎市的各大影院品牌和一些主要票务经销商合作：通过一张照片，用户可以获取有关活动、产品和购票方式等信息。 在应用 Caffe、TensorFlow或 Torch来完成计算机视觉任务的过程中，通过计算机科学的博客，帮助其他开发人员成功实现。其中一篇博客文章 —“A tutorial on the Caffe deep learning technology”（基于 Caffe的深度学习技术教程），已成为继 Caffe官方网站之后在网络上受欢迎的教程。 在 Packt出版社的积极倡导下，将其撰写 Caffe教程的成功经验移植到关于 Theano技术的本书上。与此同时，还深入研究了有关深度学习的广泛问题，并在 Theano及其应用方面积累了更多的实践经验。

内容简介

本书特色 本书对基于Theano的深度学习进行了完整叙述，Theano是一个能够在CPU或GPU上便于优化数值表示和深度学习模型的Python库。 本书提供了一些实用代码示例，有助于初学者易于理解如何构建复杂神经网络，而对于有经验的数据分析师会更关注书中的相关内容，解决图像识别、自然语言处理和博弈决策领域的监督式学习和非监督式学习、生成模型和强化学习。 本书还讨论了从简单数字识别、图像分类、目标定位、图像分割到图像字幕的图像识别任务，自然语言处理示例包括文本生成、聊天机器人、机器翻译和机器问答系统。其中，后一个示例是处理貌似真实的随机数据生成并解决如Open-AI生态的博弈问题。 后，本书总结了针对每项任务的佳性能网络。早期的研究成果主要是基于神经层的深度堆栈，尤其是卷积层，而本书给出了提高这些架构效率的原理，以帮助读者构建新的个性化神经网络。 关于本书 阅读本书将会学到的内容： •熟悉Theano和深度学习的概念； •给出监督式、非监督式、生成或强化学习的示例； •揭示设计高效深度学习网络的主要原则：卷积、残差连接和递归连接； •Theano在实际计算机视觉数据集中的应用，如数字分类和图像分类； •将Theano扩展到自然语言处理任务，如聊天机器人或机器翻译； •人工智能驱动策略以使得机器人能够解决博弈问题或从环境中学习； •基于生成模型生成真实的合成数据； •熟悉应用于Theano上层的两个框架：Lasagne和Keras。