导语

  

内容提要

  

    本书是帮助你运用C#快速入门神经网络编程的实践指南。书中既详细介绍神经网络的基础知识，又通过大量真实的案例从实践者角度展示各种神经网络相关技术和架构的使用，同时涵盖深度网络、感知器、优化算法、卷积网络和自动编码器等前沿技术。
    本书遵循循序渐进、兼顾理论和实践的原则，从神经网络的基本概念入手，图文并茂地讲解激活函数和后向传播等概念、原理，以面部和运动检测为例，让你直观地了解深度学习的应用场景，并详细讲述决策树、随机森林等常规机器学习算法，还重点讲解LSTM、CNN神经网络等主流算法。在代码实践方面，作者为每个算法都编写了相应的程序，并配有详细注释，细致讲解代码内容，帮助你抓住重点，快速动手编程。同时，本书注重开发细节，作为资深项目开发人员，作者细致分析了编程过程中会碰到的问题，详细介绍了神经网络结构调整、参数调优的原则，并对各种神经网络算法优劣进行了对照比较，对程序员实际动手有比较强的参考意义。此外，本书还对常用的激活函数的函数形式、数学图像进行了系统梳理，你可以在附录中方便地查询相关的函数特性。

    马特·R.科尔（Matt R.Cole）是一名经验丰富的开发人员和作者，在Microsoft Windows、C、C++、 C#和.NET方面有30年的经验。他是Evolved AI Solutions公司的老板，该公司是高级机器学习/生物AI技术的主要供应商。他开发了第一个完全用C#和.NET编写的企业级微服务框架，该框架被纽约一家大型对冲基金生产。他还开发了第一个完全整合镜像和标准神经元的生物人工智能框架。

译者序
前言
关于作者
关于审校者
第1章  快速预览
  1.1  神经网络概述
    1.1.1  神经网络训练
    1.1.2  神经网络的结构指南
  1.2  神经网络在当今企业中的作用
  1.3  学习的类型
    1.3.1  有监督学习
    1.3.2  无监督学习
    1.3.3  强化学习
  1.4  了解感知器
  1.5  了解激活函数
    1.5.1  激活函数绘图
    1.5.2  函数绘图
  1.6  了解后向传播
  1.7  小结
  1.8  参考文献
第2章  构建第一个神经网络
  2.1  一个简单的神经网络
  2.2  神经网络训练
    2.2.1  突触
    2.2.2  神经元
    2.2.3  前向传播
    2.2.4  Sigmoid函数
    2.2.5  后向传播
    2.2.6  计算误差
    2.2.7  计算梯度
    2.2.8  更新权重
    2.2.9  计算值
  2.3  神经网络函数
    2.3.1  创建新网络
    2.3.2  导入现有网络
    2.3.3  导入数据集
    2.3.4  网络运算
    2.3.5  导出网络
    2.3.6  训练网络
    2.3.7  测试网络
    2.3.8  计算前向传播
    2.3.9  将网络导出为JSON格式
    2.3.10  导出数据集
  2.4  神经网络
  2.5  例子
    2.5.1  训练到最小值
    2.5.2  训练到最大值
  2.6  小结
第3章  决策树和随机森林
  3.1  决策树
    3.1.1  决策树的优点
    3.1.2  决策树的缺点
    3.1.3  何时应该使用决策树
  3.2  随机森林
    3.2.1  随机森林的优点
    3.2.2  随机森林的缺点
    3.2.3  何时应该使用随机森林
  3.3  SharpLearning
    3.3.1  术语
    3.3.2  加载和保存模型
  3.4  示例代码和应用程序
    3.4.1  保存模型
    3.4.2  均方差回归指标
    3.4.3  F1分数
    3.4.4  优化
    3.4.5  示例应用程序
    3.4.6  示例应用程序2—葡萄酒质量
  3.5  小结
  3.6  参考文献
第4章  面部和运动检测
  4.1  面部检测
  4.2  运动检测
  4.3  小结
第5章  使用ConvNetSharp训练CNN
  5.1  热身
  5.2  过滤器
  5.3  创建网络
    5.3.1  第一个简单的例子
    5.3.2  第二个简单的例子
    5.3.3  第三个简单的例子
    5.3.4  使用Fluent API
  5.4  GPU
  5.5  使用MNIST数据集进行流畅设计训练
  5.6  训练网络
    5.6.1  测试数据
    5.6.2  预测数据
    5.6.3  计算图
  5.7  小结
  5.8  参考文献
第6章  使用RNNSharp训练自动编码器
  6.1  什么是自动编码器
  6.2  自动编码器的分类
    6.2.1  标准自动编码器
    6.2.2  变分自动编码器
    6.2.3  降噪自动编码器
    6.2.4  稀疏自动编码器
  6.3  创建自己的自动编码器
  6.4  小结
  6.5  参考文献
第7章  用PSO代替后向传播
  7.1  基础理论
    7.1.1  群体智能
    7.1.2  粒子群优化算法
  7.2  用粒子群优化算法代替后向传播
  7.3  小结
第8章  函数优化
  8.1  入门
  8.2  函数最小化和最大化
    8.2.1  什么是粒子
    8.2.2  Swarm初始化
    8.2.3  图表初始化
    8.2.4  状态初始化
    8.2.5  控制随机性
    8.2.6  更新群体位置
    8.2.7  更新群速度
    8.2.8  主程序初始化
    8.2.9  运行粒子群优化
    8.2.10  用户界面
  8.3  超参数和调参
    8.3.1  函数
    8.3.2  策略
    8.3.3  维度大小
    8.3.4  上限
    8.3.5  下限
    8.3.6  上限速度
    8.3.7  下限速度
    8.3.8  小数位
    8.3.9  群体大小
    8.3.10  最大迭代次数
    8.3.11  惯性
    8.3.12  社交权重
    8.3.13  认知权重
    8.3.14  惯性权重
  8.4  可视化
    8.4.1  二维可视化
    8.4.2  三维可视化
  8.5  绘制结果
    8.5.1  回放结果
    8.5.2  更新信息树
  8.6  添加新的优化函数
    8.6.1  目的
    8.6.2  添加新函数的步骤
    8.6.3  添加新函数示例
  8.7  小结
第9章  寻找最佳参数
  9.1  优化
    9.1.1  什么是适配函数
    9.1.2  约束
    9.1.3  元优化
  9.2  优化方法
    9.2.1  选择优化器
    9.2.2  梯度下降
    9.2.3  模式搜索
    9.2.4  局部单峰采样
    9.2.5  差异进化
    9.2.6  粒子群优化
    9.2.7  多优化联络员
    9.2.8  网格
  9.3  并行
    9.3.1  并行化优化问题
    9.3.2  并行优化方法
    9.3.3  编写代码
    9.3.4  执行元优化
    9.3.5  计算适配度
    9.3.6  测试自定义问题
    9.3.7  基本问题
    9.3.8  创建自定义问题
    9.3.9  自定义问题示例
  9.4  小结
  9.5  参考文献
第10章  使用TensorFlowSharp进行对象检测
  10.1  使用张量
  10.2  开发自己的TensorFlow应用程序
  10.3  检测图像
  10.4  小结
  10.5  参考文献
第11章  使用CNTK进行时间序列预测和LSTM
  11.1  长短期记忆
    11.1.1  LSTM变体
    11.1.2  LSTM的应用
  11.2  CNTK术语
  11.3  示例应用程序
    11.3.1  编写应用程序代码
    11.3.2  运行应用程序
    11.3.3  训练网络
    11.3.4  创建模型
    11.3.5  创建批量数据
    11.3.6  获取下一批数据
  11.4  LSTM的表现
  11.5  小结
  11.6  参考文献
第12章  GRU与LSTM、RNN和前馈神经网络
  12.1  QuickNN
  12.2  了解GRU
  12.3  LSTM和GRU之间的差别
  12.4  构建不同的网络
    12.4.1  编写LSTM代码
    12.4.2  编写GRU代码
  12.5  比较LSTM、GRU、前馈和RNN网络的相关操作
  12.6  网络差异
  12.7  小结
附录A  激活函数
附录B  函数优化参考