中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
進化深度學習 版權信息
- ISBN：9787302658214
- 條形碼：9787302658214 ; 978-7-302-65821-4
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
進化深度學習 本書特色
進化深度學習
在這本不可思議的書中，將深度學習與進化生物學結合起來，研究增強神經網絡解決棘手的搜索、優化和控制問題的能力。通過實用且有趣的示例展示了來自自然界的古老經驗如何推動數據科學的發展。
《進化深度學習》介紹了進化計算(EC)，并為你提供了一套實用的技術工具，你可以在整個深度學習過程中應用這些技術。本書提供了遺傳算法和進化計算方法在網絡拓撲、生成模型、強化學習等方面的應用。通過交互式的Colab notebook使你有機會在探索過程中進行實驗。
進化深度學習 內容簡介
主要內容 ● 用進化計算解決復雜的設計和分析問題 ● 調整深度學習超參數 ● 將Q-Learning應用于深度學習，從而進行深度強化學習 ● 優化無監督自編碼器的損失函數和網絡架構 ● 創建一個能夠參與OpenAI Gym游戲的進化智能體
進化深度學習 目錄
第Ⅰ部分 入門
第1章 進化深度學習簡介 3
1.1 什么是進化深度學習 4
1.2 EDL的緣由和應用領域 7
1.3 深度學習優化的需求 7
1.4 用自動化機器學習實現自動優化 9
1.5 進化深度學習的應用 12
1.5.1 模型選擇：權重搜索 12
1.5.2 模型架構：架構優化 13
1.5.3 超參數調優 14
1.5.4 驗證和損失函數的優化 14
1.5.5 神經進化增強拓撲結構 14
1.5.6 目標 14
1.6 本章小結 15
第2章 進化計算簡介 17
2.1 Google Colaboratory中的康威生命游戲 17
2.2 用Python進行生命模擬 20
2.3 將生命模擬作為優化 23
2.4 向生命模擬添加進化 26
2.4.1 模擬進化 26
2.4.2 練習 29
2.4.3 關于達爾文和進化的背景知識 30
2.4.4 自然選擇和適者生存 30
2.5 Python中的遺傳算法 31
2.5.1 了解遺傳學和減數分裂 31
2.5.2 編碼遺傳算法 33
2.5.3 構建種群 34
2.5.4 評估適應度 34
2.5.5 選擇繁殖(交叉) 35
2.5.6 應用交叉：繁殖 36
2.5.7 應用突變和變異 38
2.5.8 將所有內容整合在一起 38
2.5.9 理解遺傳算法的超參數 41
2.5.10 練習 42
2.6 本章小結 42
第3章 使用DEAP介紹遺傳算法 45
3.1 DEAP中的遺傳算法 45
3.1.1 使用DEAP解決一維*大化問題 46
3.1.2 練習 48
3.2 解決“王后開局”問題 49
3.3 旅行商問題 53
3.3.1 構建旅行商問題求解器 55
3.3.2 練習 58
3.4 改進進化的遺傳操作符選擇 59
3.5 使用EvoLisa進行繪畫 63
3.6 本章小結 69
第4章 使用DEAP進行更多的進化計算 71
4.1 基于DEAP的遺傳編程 71
4.1.1 用遺傳編程解決回歸問題 72
4.1.2 練習 77
4.2 基于DEAP的粒子群優化算法 77
4.2.1 用PSO求解方程 78
4.2.2 練習 82
4.3 基于DEAP的協同進化解決方案 82
4.4 使用DEAP的進化策略 87
4.4.1 將進化策略應用于函數逼近問題 87
4.4.2 重新審視EvoLisa 92
4.4.3 練習 93
4.5 基于DEAP的差分進化 94
4.5.1 使用差分進化逼近復雜和不連續的函數 94
4.5.2 練習 97
4.6 本章小結 97
第Ⅱ部分 優化深度學習
第5章 自動超參數優化 101
5.1 選項選擇和超參數調優 102
5.1.1 調優超參數策略 102
5.1.2 選擇模型選項 106
5.2 使用隨機搜索自動化超參數優化過程 108
5.3 網格搜索和超參數優化 114
5.4 使用進化計算進行超參數優化 119
5.4.1 將PSO用于超參數優化 119
5.4.2 將進化計算和DEAP添加到自動化超參數優化中 119
5.5 在超參數優化中使用遺傳算法和進化策略 123
5.5.1 將進化策略應用于超參數優化 123
5.5.2 使用主成分分析擴展維度 125
5.6 對超參數優化使用差分進化 128
5.7 本章小結 132
第6章 神經進化優化 133
6.1 使用NumPy的多層感知器 134
6.2 將遺傳算法作為深度學習優化器 139
6.3 神經優化的其他進化方法 142
6.4 將神經進化優化應用于Keras 144
6.5 理解進化優化的局限性 148
6.6 本章小結 151
第7章 進化卷積神經網絡 153
7.1 回顧Keras中的卷積神經網絡 153
7.1.1 理解CNN層的問題 158
7.1.2 練習 161
7.2 將網絡架構編碼成基因 162
7.3 創建交叉配對操作 166
7.4 開發一個自定義突變操作符 168
7.5 卷積網絡架構的進化 171
7.6 本章小結 175
第Ⅲ部分 高級應用
第8章 進化自編碼器 179
8.1 卷積自編碼器 180
8.1.1 自編碼器簡介 180
8.1.2 構建卷積自編碼器 181
8.1.3 練習 185
8.1.4 卷積AE的泛化 185
8.1.5 改進自編碼器 186
8.2 進化自編碼器(AE)優化 188
8.2.1 構建AE基因序列 188
8.2.2 練習 192
8.3 配對和突變自編碼器基因序列 193
8.4 進化自編碼器介紹 195
8.5 構建變分自編碼器 198
8.5.1 變分自編碼器：綜述 198
8.5.2 VAE的實現 200
8.5.3 練習 205
8.6 本章小結 206
第9章 生成式深度學習與進化 207
9.1 生成對抗網絡(GAN) 2079.1.1 GAN簡介 208
9.1.2 在Keras中構建卷積生成對抗網絡 209
9.1.3 練習 214
9.2 訓練GAN的挑戰 215
9.2.1 GAN優化問題 215
9.2.2 觀察梯度消失 216
9.2.3 觀察GAN中的模式坍塌 218
9.2.4 觀察GAN中的收斂失敗 220
9.2.5 練習 222
9.3 使用Wasserstein損失修復GAN的問題 223
9.3.1 理解Wasserstein損失 223
9.3.2 使用Wasserstein損失改進DCGAN 224
9.4 對Wasserstein DCGAN編碼，以便進行進化優化 226
9.5 使用遺傳算法優化DCGAN 230
9.6 本章小結 231
第10章 NEAT：神經進化增強拓撲 233
10.1 使用NEAT-Python探索NEAT 235
10.2 可視化進化的NEAT網絡 238
10.3 通過NEAT的功能進行練習 241
10.4 使用NEAT對圖像進行分類 246
10.5 揭示種群細分在進化拓撲中的作用 250
10.5.1 調整NEAT的物種劃分 252
10.5.2 練習 255
10.6 本章小結 255
第11章 使用NEAT進行進化學習 257
11.1 介紹強化學習 257
11.1.1 冰凍湖面上的Q-learning智能體 259
11.1.2 練習 265
11.2 探索OpenAI Gym中的復雜問題 266
11.3 使用NEAT解決強化學習問題 270
11.4 使用NEAT智能體解決Gym中的月球著陸器問題 274
11.5 使用DQN解決Gym中的登月器問題 277
11.6 本章小結 282
第12章 進化機器學習及其拓展領域 283
12.1 基因表達編程中的進化和機器學習 284
12.2 重新審視使用Geppy的強化學習 289
12.3 介紹本能學習 294
12.3.1 本能學習的基礎知識 294
12.3.2 發展通用本能 296
12.3.3 進化出不帶本能的通用解決方案 299
12.3.4 練習 302
12.4 遺傳編程中的泛化學習 302
12.5 進化機器學習的未來 309
12.5.1 進化是否出現了問題 309
12.5.2 進化可塑性 309
12.5.3 利用可塑性改進進化過程 310
12.5.4 計算與進化搜索 311
12.6 利用本能深度學習和深度強化學習進行泛化 312
12.7 本章小結 317
附錄A 獲取和運行代碼 319
第1章 進化深度學習簡介 3
1.1 什么是進化深度學習 4
1.2 EDL的緣由和應用領域 7
1.3 深度學習優化的需求 7
1.4 用自動化機器學習實現自動優化 9
1.5 進化深度學習的應用 12
1.5.1 模型選擇：權重搜索 12
1.5.2 模型架構：架構優化 13
1.5.3 超參數調優 14
1.5.4 驗證和損失函數的優化 14
1.5.5 神經進化增強拓撲結構 14
1.5.6 目標 14
1.6 本章小結 15
第2章 進化計算簡介 17
2.1 Google Colaboratory中的康威生命游戲 17
2.2 用Python進行生命模擬 20
2.3 將生命模擬作為優化 23
2.4 向生命模擬添加進化 26
2.4.1 模擬進化 26
2.4.2 練習 29
2.4.3 關于達爾文和進化的背景知識 30
2.4.4 自然選擇和適者生存 30
2.5 Python中的遺傳算法 31
2.5.1 了解遺傳學和減數分裂 31
2.5.2 編碼遺傳算法 33
2.5.3 構建種群 34
2.5.4 評估適應度 34
2.5.5 選擇繁殖(交叉) 35
2.5.6 應用交叉：繁殖 36
2.5.7 應用突變和變異 38
2.5.8 將所有內容整合在一起 38
2.5.9 理解遺傳算法的超參數 41
2.5.10 練習 42
2.6 本章小結 42
第3章 使用DEAP介紹遺傳算法 45
3.1 DEAP中的遺傳算法 45
3.1.1 使用DEAP解決一維*大化問題 46
3.1.2 練習 48
3.2 解決“王后開局”問題 49
3.3 旅行商問題 53
3.3.1 構建旅行商問題求解器 55
3.3.2 練習 58
3.4 改進進化的遺傳操作符選擇 59
3.5 使用EvoLisa進行繪畫 63
3.6 本章小結 69
第4章 使用DEAP進行更多的進化計算 71
4.1 基于DEAP的遺傳編程 71
4.1.1 用遺傳編程解決回歸問題 72
4.1.2 練習 77
4.2 基于DEAP的粒子群優化算法 77
4.2.1 用PSO求解方程 78
4.2.2 練習 82
4.3 基于DEAP的協同進化解決方案 82
4.4 使用DEAP的進化策略 87
4.4.1 將進化策略應用于函數逼近問題 87
4.4.2 重新審視EvoLisa 92
4.4.3 練習 93
4.5 基于DEAP的差分進化 94
4.5.1 使用差分進化逼近復雜和不連續的函數 94
4.5.2 練習 97
4.6 本章小結 97
第Ⅱ部分 優化深度學習
第5章 自動超參數優化 101
5.1 選項選擇和超參數調優 102
5.1.1 調優超參數策略 102
5.1.2 選擇模型選項 106
5.2 使用隨機搜索自動化超參數優化過程 108
5.3 網格搜索和超參數優化 114
5.4 使用進化計算進行超參數優化 119
5.4.1 將PSO用于超參數優化 119
5.4.2 將進化計算和DEAP添加到自動化超參數優化中 119
5.5 在超參數優化中使用遺傳算法和進化策略 123
5.5.1 將進化策略應用于超參數優化 123
5.5.2 使用主成分分析擴展維度 125
5.6 對超參數優化使用差分進化 128
5.7 本章小結 132
第6章 神經進化優化 133
6.1 使用NumPy的多層感知器 134
6.2 將遺傳算法作為深度學習優化器 139
6.3 神經優化的其他進化方法 142
6.4 將神經進化優化應用于Keras 144
6.5 理解進化優化的局限性 148
6.6 本章小結 151
第7章 進化卷積神經網絡 153
7.1 回顧Keras中的卷積神經網絡 153
7.1.1 理解CNN層的問題 158
7.1.2 練習 161
7.2 將網絡架構編碼成基因 162
7.3 創建交叉配對操作 166
7.4 開發一個自定義突變操作符 168
7.5 卷積網絡架構的進化 171
7.6 本章小結 175
第Ⅲ部分 高級應用
第8章 進化自編碼器 179
8.1 卷積自編碼器 180
8.1.1 自編碼器簡介 180
8.1.2 構建卷積自編碼器 181
8.1.3 練習 185
8.1.4 卷積AE的泛化 185
8.1.5 改進自編碼器 186
8.2 進化自編碼器(AE)優化 188
8.2.1 構建AE基因序列 188
8.2.2 練習 192
8.3 配對和突變自編碼器基因序列 193
8.4 進化自編碼器介紹 195
8.5 構建變分自編碼器 198
8.5.1 變分自編碼器：綜述 198
8.5.2 VAE的實現 200
8.5.3 練習 205
8.6 本章小結 206
第9章 生成式深度學習與進化 207
9.1 生成對抗網絡(GAN) 2079.1.1 GAN簡介 208
9.1.2 在Keras中構建卷積生成對抗網絡 209
9.1.3 練習 214
9.2 訓練GAN的挑戰 215
9.2.1 GAN優化問題 215
9.2.2 觀察梯度消失 216
9.2.3 觀察GAN中的模式坍塌 218
9.2.4 觀察GAN中的收斂失敗 220
9.2.5 練習 222
9.3 使用Wasserstein損失修復GAN的問題 223
9.3.1 理解Wasserstein損失 223
9.3.2 使用Wasserstein損失改進DCGAN 224
9.4 對Wasserstein DCGAN編碼，以便進行進化優化 226
9.5 使用遺傳算法優化DCGAN 230
9.6 本章小結 231
第10章 NEAT：神經進化增強拓撲 233
10.1 使用NEAT-Python探索NEAT 235
10.2 可視化進化的NEAT網絡 238
10.3 通過NEAT的功能進行練習 241
10.4 使用NEAT對圖像進行分類 246
10.5 揭示種群細分在進化拓撲中的作用 250
10.5.1 調整NEAT的物種劃分 252
10.5.2 練習 255
10.6 本章小結 255
第11章 使用NEAT進行進化學習 257
11.1 介紹強化學習 257
11.1.1 冰凍湖面上的Q-learning智能體 259
11.1.2 練習 265
11.2 探索OpenAI Gym中的復雜問題 266
11.3 使用NEAT解決強化學習問題 270
11.4 使用NEAT智能體解決Gym中的月球著陸器問題 274
11.5 使用DQN解決Gym中的登月器問題 277
11.6 本章小結 282
第12章 進化機器學習及其拓展領域 283
12.1 基因表達編程中的進化和機器學習 284
12.2 重新審視使用Geppy的強化學習 289
12.3 介紹本能學習 294
12.3.1 本能學習的基礎知識 294
12.3.2 發展通用本能 296
12.3.3 進化出不帶本能的通用解決方案 299
12.3.4 練習 302
12.4 遺傳編程中的泛化學習 302
12.5 進化機器學習的未來 309
12.5.1 進化是否出現了問題 309
12.5.2 進化可塑性 309
12.5.3 利用可塑性改進進化過程 310
12.5.4 計算與進化搜索 311
12.6 利用本能深度學習和深度強化學習進行泛化 312
12.7 本章小結 317
附錄A 獲取和運行代碼 319
展開全部
進化深度學習 作者簡介
Micheal Lanham是一位可靠的軟件和技術創新者，擁有超過20年的工作經驗。
書友推薦
- >
伊索寓言-世界文學名著典藏-全譯本
- >
莉莉和章魚
- >
姑媽的寶刀
- >
小考拉的故事-套裝共3冊
- >
月亮虎
- >
我與地壇
- >
煙與鏡
- >
上帝之肋:男人的真實旅程
本類暢銷
