深度学习是基于多层神经网络的机器学习的一个子集，可以解决自然语言处理和图像分类等领域中特别困难和大规模的问题。《Apache Spark深度学习实战》解析了技术和分析部分的复杂性，以及在Apache Spark上实施深度学习解决方案的速度。书中首先介绍了Apache Spark和深度学习的基础知识，包括为深度学习设置Spark，学习分布式建模的原理，了解不同类型的神经网络，深度学习中数据的提取、转换和加载，数据流的应用；然后介绍了在Spark上实现CNN、RNN和LSTM等深度学习模型，使用Spark训练神经网络，监控与调试神经网络的训练，神经网络的评估，在分布式系统上部署深度学习应用，自然语言处理基础，文本分析和深度学习，卷积和图像分类；最后对深度学习未来的发展作了一个简要概括。另外，书中还使用DL4J（大部分）、Keras和TensorFlow等流行的深度学习框架实现和训练分布式模型。学完本书，读者可获得理解和处理复杂数据集所需的实践经验。本书适合Scala开发人员、数据科学家或数据分析师学习，也适合所有想使用Spark实现高效深度学习模型的人工智能相关专业的学生和开发人员。

古列尔莫·伊奥齐亚（Guglielmo Iozzia）目前是都柏林Optum公司的大数据交付主管。他于博洛尼亚大学（University of Bologna）获得生物医学工程硕士学位。毕业后加入博洛尼亚一家初创IT公司，为该公司实现了一个管理在线支付的新系统。在那里，他为不同领域的各种客户开发复杂的Java项目。他还曾在联合国粮食及农业组织（FAO）的IT部门工作过。2013年，他加入了都柏林的IBM公司，在那里，他提升了自己的DevOps技能，主要从事基于云的应用程序的开发。他经常在DZone（译者注：是一个类似IT新闻形式的编程社区）中发表文章，是DZone的黄金会员。另外，他还在维护一个个人博客，分享他对各种技术主题的发现和想法。

第1章 Apache Spark生态系统
1.1 Apache Spark基础知识
1.2 安装Spark
1.3 RDD编程
1.4 Spark SQL、数据集和数据框
1.5 Spark流
1.6 使用不同管理器的集群模式
1.6.1 Standalone独立模式
1.6.2 Mesos集群模式
1.6.3 YARN集群模式
1.6.4 Kubernetes集群模式
1.7 小结
第2章 深度学习基础
2.1 深度学习简介
2.2 深度神经网络概述
2.2.1 卷积神经网络
2.2.2 循环神经网络
2.3 深度学习的实际应用
2.4 小结
第3章 提取、转换和加载
3.1 通过Spark提取训练数据
3.1.1 DL4J框架
3.1.2 通过Data Vec提取数据并通过Spark转换
3.2 通过 Spark从数据库中提取训练数据
3.2.1 从关系数据库中提取数据
3.2.2 从NoSQL数据库中提取数据
3.3 通过Amazon S3提取数据
3.4 通过Spark转换原始数据
3.5 小结
第4章 数据流
4.1 Apache Spark处理实时数据流
4.2 通过 Katka和Spark处理实时数据流
4.2.1 Apache Kafka
4.2.2 Spark流和Kafka
4.3 通过 DL4J和Spark处理实时数据流
4.4 小结
第5章 卷积神经网络
5.1 卷积层
5.2 池化层
5.3 完全连接层
5.4 权重
5.5 GoogLeNet Inception V3模型
5.6 Spark CNN的实践
5.7 小结
第6章 循环神经网络
6.1 LSTM
6.1.1 随时间反向传播
6.1.2 RNN存在的问题
6.2 使用场景
6.3 上手实践Spark RNN
6.3.1 基于DL4J的RNN
6.3.2 基于DL4J和Spark的RNN
6.3.3 为RNN数据管道加载多个CSV
6.4 小结
第7章 使用Spark训练神经网络
7.1 使用Spark和DL4J进行分布式网络训练
7.1.1 使用Spark和DL4J分布式训练CNN
7.1.2 使用Spark和DL4J分布式训练RNN
7.1.3 性能考量
7.2 超参数优化
7.3 小结
第8章 监控与调试神经网络的训练
8.1 在训练阶段监控和调试神经网络
8.1.1 DL4J训练UI
8.1.2 DL4J训练UI和Spark
8.1.3 使用可视化优化网络
8.2 小结
第9章 神经网络评估
9.1 使用DL4J的评估技术
9.1.1 分类问题的评估指标
9.1.2 分类问题的评估指标——Spark示例
9.2 其他类型的评估
9.3 小结
第10章 在分布式系统上部署
10.1 使用DL4J设置分布式环境
10.1.1 内存管理
10.1.2 CPU与GPU设置
10.1.3 建立一个提交给Spark用于训练的作业
10.2 Spark分布式训练架构细节
10.2.1 模型并行和数据并行
10.2.2 参数平均
10.2.3 异步随机梯度共享
10.3 使用DL4J将Python模型导入JVM
10.4 替代DL4J的Scala编程语言
10.4.1 BigDL
10.4.2 DeepLearning.scala
10.5 小结
第11章 NLP基础
11.1 NLP
11.1.1 分词器
11.1.2 句子切分
11.1.3 词性标注
11.1.4 实体命名提取
11.1.5 组块分析
11.1.6 语法解析
11.2 使用Spark实践NLP
11.2.1 使用Spark和Stanford core NLP实践NLP
11.2.2 使用Spark NLP实践NLP
11.3 小结
第12章 文本分析和深度学习
12.1 使用DL4J实践NLP
12.2 使用TensorFlow实践NLP
12.3 使用Keras和TensorFlow后端实践NLP
12.4 将Keras模型导入DL4J的NLP实践
12.5 小结
第13章 卷积
13.1 一维卷积和二维卷积
13.2 对象识别策略
13.3 卷积在图像识别中的应用
13.3.1 Keras实现
13.3.2 DL4J实现
13.4 小结
第14章 图像分类
14.1 实现一个端到端图像分类Web应用程序
14.1.1 选用一个合适的Keras模型
14.1.2 在DL4I中导入和测试模型
14.1.3 在Spark中重新训练模型
14.1.4 Web应用的实现
14.1.5 实现网络服务
14.2 小结
第15章 深度学习的下一步是什么
15.1 深度学习和人工智能的下一步是什么
15.2 关注的主题
15.3 Spark准备好使用RL了吗
15.4 DL4J将来对GAN的支持
15.5 小结
附录A 在Scala中的函数式编程
函数式编程
纯度
递归
附录B Spark的图像数据准备
图像预处理
策略
训练