本书首先展示如何在系统上安装和配置Java和DL4J，然后深人讲解了深度学习基础知识，并创建了一个深度神经网络进行二元分类。其次，本书介绍了如何在DL4J中构建卷积神经网络（CNN），以及如何用文本构建数字向量，还介绍了对非监督数据的异常检测，以及如何有效地在分布式系统中建立神经网络。除此之外，讲解了如何从Keras导入模型以及如何在预训练的DL4J模型中更改配置。最后，介绍了DL4J中的基准测试并优化神经网络以获得最佳结果。
本书适合想要在Java中使用DL4J构建健壮的深度学习应用程序的读者，阅读本书需要具备深度学习基础知识和一定的编程基础。

拉胡尔·拉吉（Rahul Raj），在软件开发、业务分析、客户沟通和多领域中、大型项目咨询方面拥有7年多的IT行业经验。目前，他在一家顶级软件开发公司担任首席软件工程师。他在开发活动中有丰富的经验，包括需求分析、设计、编码、实现、代码评审、测试、用户培训和功能增强。他已经用Java写了很多关于神经网络的文章，DL4J/官方Java社区频道是这些文章的特色。他还是一名经过认证的机器学习专家，由印度最大的政府认证机构Vskills认证。

前言
第1章 Java深度学习简介
1.1 技术要求
1.2 初识深度学习
1.2.1 反向传播
1.2.2 多层感知器
1.2.3 卷积神经网络
1.2.4 递归神经网络
1.2.5 为什么DL4J对深度学习很重要？
1.3 确定正确的网络类型来解决深度学习问题
1.3.1 实现过程
1.3.2 工作原理
1.3.3 相关内容
1.4 确定正确的激活函数
1.4.1 实现过程
1.4.2 工作原理
1.4.3 相关内容
1.5 解决过度拟合问题
1.5.1 实现过程
1.5.2 工作原理
1.5.3 相关内容
1.6 确定正确的批次大小和学习速率
1.6.1 实现过程
1.6.2 工作原理
1.6.3 相关内容
1.7 为DL4J配置Maven
1.7.1 准备工作
1.7.2 实现过程
1.7.3 工作原理
1.8 为DL4J配置GPU加速环境
1.8.1 准备工作
1.8.2 实现过程
1.8.3 工作原理
1.8.4 相关内容
1.9 安装问题疑难解答
1.9.1 准备工作
1.9.2 实现过程
1.9.3 工作原理
1.9.4 相关内容
第2章 数据提取、转换和加载
2.1 技术要求
2.2 读取并迭代数据
2.2.1 准备工作
2.2.2 实现过程
2.2.3 工作原理
2.2.4 相关内容
2.3 执行模式转换
2.3.1 实现过程
2.3.2 工作原理
2.3.3 相关内容
2.4 构建转换过程
2.4.1 实现过程
2.4.2 工作原理
2.4.3 相关内容
2.5 序列化转换
2.5.1 实现过程
2.5.2 工作原理
2.6 执行转换过程
2.6.1 实现过程
2.6.2 工作原理
2.6.3 相关内容
……
第3章 二元分类的深层神经网络构建
第4章 建立卷积神经网络
第5章 实现自然语言处理
第6章 构建时间序列的LSTM神经网络
第7章 构建LSTM神经网络序列分类
第8章 对非监督数据执行异常检测
第9章 使用RL4J进行强化学习
第10章 在分布式环境中开发应用程序
第11章 迁移学习在网络模型中的应用
第12章 基准测试和神经网络优化