本書涵蓋了開發(fā)神經網絡應用程序的許多方面。從頭開始解釋神經網絡是如何工作的，然后以訓練一個小神經網絡為例，手動進行所有的計算。本書涵蓋了前向和后向傳播的內部內容，有助于理解神經網絡處理的主要原理。它使你很快熟悉了前向和后向傳播技術的所有基本原理。這本書還教你如何準備用于神經網絡開發(fā)的數(shù)據(jù)，并為許多非傳統(tǒng)的神經網絡處理任務提出各種數(shù)據(jù)準備方法。
前言
第1章 關于神經網絡的學習1
1.1 生物神經元與人工神經元1
1.2 激活函數(shù)2
1.3 本章小結4
第2章 神經網絡處理的內在機理5
2.1 逼近函數(shù)5
2.2 網絡架構6
2.3 前向傳遞計算7
2.4 輸入記錄18
2.5 輸入記錄28
2.6 輸入記錄39
2.7 輸入記錄49
2.8 反向傳播過程計算10
2.9 函數(shù)導數(shù)與函數(shù)發(fā)散11
2.10 最常用的函數(shù)導數(shù)12
2.11 本章小結13
第3章 人工神經網絡處理14
3.1 示例1：單點函數(shù)的手動逼近14
3.2 構建神經網絡15
3.3 前向傳遞計算16
3.3.1 隱藏層16
3.3.2 輸出層17
3.4 反向傳遞計算18
3.4.1 計算輸出層神經元的權值調整18
3.4.2 計算隱藏層神經元的權值調整20
3.5 更新網絡偏差24
3.6 回到前向傳遞25
3.6.1 隱藏層25
3.6.2 輸出層26
3.7 網絡計算的矩陣形式28
3.8 深入調查28
3.9 小批次與隨機梯度30
3.10 本章小結30
第4章 配置開發(fā)環(huán)境31
4.1 在Windows計算機上安裝
Java 11環(huán)境31
4.2 安裝NetBeans IDE33
4.3 安裝Encog Java框架34
4.4 安裝XChart包34
4.5 本章小結35
第5章 使用Java Encog框架開發(fā)神經網絡36
5.1 示例2：使用Java環(huán)境進行函數(shù)逼近36
5.2 網絡架構37
5.3 規(guī)范化輸入數(shù)據(jù)集38
5.4 構建規(guī)范化兩個數(shù)據(jù)集的Java程序38
5.5 構建神經網絡處理程序45
5.6 程序代碼50
5.7 調試和執(zhí)行程序66
5.8 訓練方法的處理結果66
5.9 測試網絡67
5.10 測試結果70
5.11 深入調查71
5.12 本章小結72
第6章 訓練范圍外的神經網絡預測73
6.1 示例3a：逼近訓練范圍以外的周期函數(shù)73
6.1.1 示例3a的網絡架構76
6.1.2 示例3a的程序代碼76
6.1.3 測試網絡89
6.2 示例3b：逼近訓練范圍以外的周期函數(shù)的正確方法90
6.2.1 準備訓練數(shù)據(jù)90
6.2.2 示例3b的網絡架構92
6.2.3 示例3b的程序代碼93
6.2.4 示例3b的訓練結果109
6.2.5 示例3b的測試結果110
6.3 本章小結110
第7章 復雜周期函數(shù)的處理112
7.1 示例4：復雜周期函數(shù)的逼近112
7.2 數(shù)據(jù)準備114
7.3 反映數(shù)據(jù)中的函數(shù)拓撲115
7.4 程序代碼120
7.5 訓練網絡137
7.6 測試網絡138
7.7 深入調查140
7.8 本章小結141
第8章 非連續(xù)函數(shù)的處理142
8.1 示例5：非連續(xù)函數(shù)的逼近142
8.2 程序代碼145
8.3 訓練效果不理想157
8.4 用微批次方法逼近非連續(xù)函數(shù)159
8.5 微批次處理程序代碼160
8.5.1 getChart()方法的程序代碼176
8.5.2 訓練方法的代碼片段1179
8.5.3 訓練方法的代碼片段2180
8.6 微批次方法的訓練結果184
8.7 測試處理邏輯188
8.8 微批次方法的測試結果191
8.9 深入調查192
8.10 本章小結196
第9章 具有復雜拓撲的連續(xù)函數(shù)的處理197
9.1 示例5a：使用傳統(tǒng)的網絡過程逼近具有復雜拓撲的連續(xù)函數(shù)197
9.1.1 示例5a的網絡架構198
9.1.2 示例5a的程序代碼199
9.1.3 示例5a的訓練處理結果208
9.2 用微批次方法逼近具有復雜拓撲的連續(xù)函數(shù)211
9.3 示例5b：螺旋函數(shù)的逼近232
9.3.1 示例5b的網絡架構234
9.3.2 示例5b的程序代碼235
9.4 用微批次方法逼近同一函數(shù)246
9.5 本章小結267
第10章 用神經網絡對對象進行分類268
10.1 示例6：記錄分類268
10.2 訓練數(shù)據(jù)集269
10.3 網絡架構271
10.4 測試數(shù)據(jù)集272
10.5 數(shù)據(jù)規(guī)范化程序代碼273
10.6 分類程序代碼277
10.7 訓練結果297
10.8 測試結果304
10.9 本章小結305
第11章 選擇正確模型的重要性306
11.1 示例7：預測下個月的股市價格306
11.2 在數(shù)據(jù)集中包含函數(shù)拓撲311
11.3 生成微批次文件312
11.4 網絡架構316
11.5 程序代碼317
11.6 訓練過程341
11.7 訓練結果342
11.8 測試數(shù)據(jù)集347
11.9 測試邏輯351
11.10 測試結果358
11.11 分析測試結果360
11.12 本章小結361
第12章 三維空間中的函數(shù)逼近處理362
12.1 示例8：三維空間中函數(shù)的逼近362
12.1.1 數(shù)據(jù)準備363
12.1.2 網絡架構364
12.2 程序代碼365
12.3 本章小結380
書單推薦
