Deep Learning Kochbuch (eBook)

Praxisrezepte für einen schnellen Einstieg

Douwe Osinga (Autor)

eBook Download: PDF

2019 | 1. Auflage
262 Seiten
O'Reilly Verlag
978-3-96010-264-9 (ISBN)

Infos

Lassen Sie sich von Deep Learning nicht abschrecken! Dank Frameworks wie Keras und TensorFlow ist der schnelle Einstieg in die Entwicklung von Deep-Learning-Anwendungen nun auch für Softwareentwickler ohne umfassende Machine-Learning-Kenntnisse möglich. Mit den Rezepten aus diesem Buch lernen Sie, typische Aufgabenstellungen des Deep Learning zu lösen, wie etwa die Klassifizierung und Generierung von Texten, Bildern und Musik. Jedes Kapitel behandelt ein Projekt, wie z.B. das Trainieren eines Empfehlungssystems für Musik. Schritt für Schritt wird gezeigt, wie das jeweilige Projekt umgesetzt wird. Darüber hinaus beschreibt der Autor Douwe Osinga zahlreiche Techniken, die Ihnen helfen, wenn Sie einmal nicht mehr weiterwissen. Alle Codebeispiele sind in Python geschrieben und auf GitHub als Python-Notebooks frei verfügbar. Aus dem Inhalt: - Entwickeln Sie Deep-Learning-Anwendungen, die Nutzern einen echten Mehrwert bieten - Berechnen Sie Ähnlichkeiten von Texten mithilfe von Word-Embeddings - Erstellen Sie ein Empfehlungssystem für Filme basierend auf Wikipedia-Links - Visualisieren Sie die internen Vorgänge einer künstlichen Intelligenz, um nachvollziehen zu können, wie diese arbeitet - Entwickeln Sie ein Modell, das passende Emojis für Textpassagen vorschlägt - Realisieren Sie einen Reverse-Image-Search-Dienst mithilfe von vortrainierten Netzwerken - Vergleichen Sie, wie Generative Adversarial Networks, Autoencoder und LSTM-Netzwerke Icons erzeugen - Trainieren Sie ein Klassifikationsmodell für Musikstile und lassen Sie es Musikstücke dementsprechend zuordnen

Douwe Osinga ist ein erfahrener Softwareentwickler, früher bei Google, Globetrotter und Gründer von drei Startups. Auf seiner beliebten Website für Software-Projekte beschäftigt er sich neben anderen spannenden Themen auch mit dem Machine Learning: douweosinga.com/projects

Inhalt

Inhalt 5
Vorwort 9
Kapitel 1: Werkzeuge und Techniken 17
1.1 Arten neuronaler Netze 17
1.2 Datenbeschaffung 28
1.3 Vorverarbeitung von Daten 35
Kapitel 2: Fehlerbehebung 43
2.1 Probleme bemerken 43
2.2 Laufzeitfehler beheben 44
2.3 Zwischenergebnisse überprüfen 47
2.4 Wählen der richtigen Aktivierungsfunktion (für die letzte Schicht) 48
2.5 Regularisierung und Drop-out 49
2.6 Netzwerkstruktur, Batch-Größe und Lernrate 51
Kapitel 3: Die Ähnlichkeit von Texten mithilfe von Worteinbettungen berechnen 53
3.1 Wortähnlichkeiten mithilfe vortrainierter Worteinbettungen finden 54
3.2 Word2vec-Mathematik 56
3.3 Worteinbettungen visualisieren 58
3.4 Objektklassen in Einbettungen finden 60
3.5 Semantische Abstände innerhalb einer Klasse berechnen 63
3.6 Länderdaten auf einer Landkarte visualisieren 65
Kapitel 4: Ein Empfehlungssystem anhand ausgehender Wikipedia-Links erstellen 67
4.1 Sammeln der Daten 67
4.2 Trainieren von Filmeinbettungen 71
4.3 Ein Filmempfehlungssystem erstellen 74
4.4 Vorhersagen einfacher Filmmerkmale 75
Kapitel 5: Text im Stil eines Beispieltexts generieren 79
5.1 Den Text von gemeinfreien Büchern beschaffen 79
5.2 Texte im Stil von Shakespeare generieren 80
5.3 Code mit RNNs erzeugen 84
5.4 Steuerung der Temperatur des Outputs 86
5.5 Visualisierung der Aktivierungen eines rekurrenten Netzwerks 88
Kapitel 6: Übereinstimmende Fragen 91
6.1 Daten aus Stack Exchange beschaffen 91
6.2 Erkundung der Daten mit Pandas 93
6.3 Textkodierung in Keras 94
6.4 Ein Frage-Antwort-Modell entwickeln 95
6.5 Training eines Modells mit Pandas 97
6.6 Überprüfung von Gemeinsamkeiten 98
Kapitel 7: Emojis vorschlagen 101
7.1 Einen einfachen Stimmungsklassifikator entwickeln 101
7.2 Inspizieren eines einfachen Klassifikators 104
7.3 Ein Konvolutionsnetz zur Stimmungsanalyse verwenden 105
7.4 Twitter-Daten sammeln 108
7.5 Ein simples Vorhersagemodell für Emojis 109
7.6 Drop-out und variierende Fenstergröße 111
7.7 Ein wortbasiertes Modell erstellen 112
7.8 Eigene Einbettungen erzeugen 114
7.9 Ein rekurrentes neuronales Netzwerk zur Klassifikation verwenden 116
7.10 Übereinstimmung visualisieren 118
7.11 Modelle miteinander kombinieren 120
Kapitel 8: Sequenz-zu-Sequenz-Mapping 123
8.1 Trainieren eines einfachen Sequenz-zu-Sequenz-Modells 123
8.2 Dialoge aus Texten extrahieren 125
8.3 Einen frei verfügbaren Wortschatz handhaben 127
8.4 Einen seq2seq-Chatbot trainieren 128
Kapitel 9: Ein vortrainiertes Netzwerk zur Bilderkennung verwenden 133
9.1 Ein vortrainiertes Netzwerk laden 133
9.2 Vorverarbeitung der Bilder 134
9.3 Vorhersagen des Bildinhalts (Inferenz) 136
9.4 Einen gelabelten Bilddatensatz mit der Flickr-API sammeln 137
9.5 Einen Hund-Katze-Klassifikator erstellen 138
9.6 Suchergebnisse verbessern 140
9.7 Trainieren vortrainierter Netzwerke zur Bilderkennung 142
Kapitel 10: Eine Reverse-Image-Suchmaschine erstellen 145
10.1 Zugriff auf Bilder von Wikipedia 145
10.2 Projektion von Bildern in einen N-dimensionalen Raum 148
10.3 Nächste Nachbarn in hochdimensionalen Räumen finden 149
10.4 Lokale Nachbarschaften in Einbettungen erkunden 150
Kapitel 11: Mehrere Bildinhalte erkennen 153
11.1 Erkennen mehrerer Bildinhalte mithilfe eines vortrainierten Klassifikators 153
11.2 Bilderkennung mithilfe eines Faster RCNN 157
11.3 Eigene Bilder in einem Faster RCNN verwenden 160
Kapitel 12: Mit Bildstilen arbeiten 163
12.1 Aktivierungen eines CNN visualisieren 164
12.2 Oktaven und Vergrößerung 167
12.3 Veranschaulichen, was ein neuronales Netzwerk in etwa wahrnimmt 169
12.4 Den Stil eines Bilds erfassen 172
12.5 Verbessern der Verlustfunktion zur Erhöhung der Bildkohärenz 175
12.6 Einen Stil auf ein anderes Bild übertragen 177
12.7 Stilinterpolation 178
Kapitel 13: Bilder mit Autoencodern erzeugen 181
13.1 Zeichnungen aus Google Quick Draw importieren 182
13.2 Einen Autoencoder für Bilder erstellen 183
13.3 Visualisierung der Ergebnisse von Autoencodern 186
13.4 Sampling von Bildern aus einer korrekten Verteilung 187
13.5 Den latenten Raum eines Variational Autoencoders visualisieren 191
13.6 Conditional Variational Autoencoder 192
Kapitel 14: Piktogramme mithilfe von neuronalen Netzwerken erzeugen 197
14.1 Piktogramme zum Trainieren beschaffen 198
14.2 Piktogramme in eine Tensor-Darstellung umwandeln 200
14.3 Piktogramme mithilfe eines Variational Autoencoders erzeugen 201
14.4 Datenanreicherung zur Verbesserung der Leistung des Autoencoders 204
14.5 Ein Generative Adversarial Network aufbauen 205
14.6 Generative Adversarial Networks trainieren 207
14.7 Mit einem GAN erzeugte Piktogramme anzeigen 209
14.8 Piktogramme als Zeichenanleitung kodieren 211
14.9 Trainieren eines RNN zum Zeichnen von Piktogrammen 212
14.10 Piktogramme mithilfe eines RNN erzeugen 213
Kapitel 15: Musik und Deep Learning 217
15.1 Einen Trainingsdatensatz zur Musikklassifikation erstellen 218
15.2 Einen Musikgenre-Detektor trainieren 220
15.3 Visualisierung von Klassifikationsirrtümern 222
15.4 Indexierung vorhandener Musik 224
15.5 Die Spotify-API einrichten 226
15.6 Playlisten und Musikstücke von Spotify sammeln 227
15.7 Ein Musikempfehlungssystem trainieren 230
15.8 Musikstücke empfehlen mithilfe eines Word2vec-Modells 231
Kapitel 16: Machine-Learning-Systeme in Produktion bringen 235
16.1 Ein Nächste-Nachbarn-Klassifikationsmodell für Einbettungen mit scikit-learn verwenden 236
16.2 Postgres zum Speichern von Einbettungen verwenden 237
16.3 Einpflegen und Abfragen von in Postgres gespeicherten Einbettungen 238
16.4 Hochdimensionale Modelle in Postgres speichern 239
16.5 Microservices in Python erstellen 241
16.6 Keras-Modelle als Microservice bereitstellen 242
16.7 Einen Microservice aus einem Web-Framework aufrufen 243
16.8 seq2seq-Modelle in TensorFlow 244
16.9 Deep-Learning-Modelle im Browser ausführen 246
16.10 Ein Keras-Modell mit TensorFlow Serving ausführen 248
16.11 Ein Keras-Modell unter iOS verwenden 251
Index 253
Über den Autor 261
Über die Übersetzer 261
Kolophon 261

Produkt-Details

• Erscheint lt. Verlag: 11.2.2019
• Reihe/Serie: Animals
• Reihe/Serie: Animals
• Übersetzer: Marcus Fraaß
• Verlagsort: Heidelberg
• Sprache: deutsch
• Themenwelt: Mathematik / Informatik ► Informatik ► Programmiersprachen / -werkzeuge
• Schlagworte: AI • Artificial Intelligence • Computervision • Keras • KI • Künstliche Intelligenz • Künstliche Neuronale Netze • machine learning • tensorflow
• ISBN-10: 3-96010-264-X / 396010264X
• ISBN-13: 978-3-96010-264-9 / 9783960102649