譯者序
原書前言
第 1章　Keras**深度學習入門
1.1　為什么 Keras是**的深度學習庫
1.1.1　安裝 Keras和 TensorFlow
1.2　實現核心深度學習模型——MLP、CNN和 RNN
1.2.1　MLP、CNN和 RNN之間的差異
1.3　多層感知器（MLP）
1.3.1　MNIST數據集
1.3.2　MNIST數字分類模型
1.3.3　正則化
1.3.4　輸出激活與損失函數
1.3.5　優化
1.3.6　性能評價
1.3.7　模型概述
1.4　卷積神經網絡（ CNN）
1.4.1　卷積
1.4.2　池化操作
1.4.3　性能評價與模型概要
1.5　循環神經網絡（RNN）
1.6　小結
參考文獻
第 2章　深度神經網絡
2.1　函數式 API
2.1.1　創建一個兩輸入單輸出模型
2.2　深度殘差網絡（ResNet）
2.3　ResNet v2
2.4　密集連接卷積網絡（DenseNet)）
2.4.1　為 CIFAR10數據集構建一個 100層的 DenseNet-BC網絡
2.5　小結
參考文獻
第 3章　自編碼器
3.1　自編碼器原理
3.2　使用 Keras構建自編碼器
3.3　去噪自編碼器（DAE）
3.4　自動色彩遷移自編碼器
3.5　小結
參考文獻
第 4章　生成對抗網絡
4.1　GAN概要
4.2　GAN原理
4.3　Keras中的 GAN實現
4.4　條件 GAN
4.5　小結
參考文獻
第 5章　改進的 GAN方法
5.1　Wasserstein GAN
5.1.1　距離函數
5.1.2　GAN中的距離函數
5.1.3　Wasserstein損失函數的使用
5.1.4　使用 Keras實現 WGAN
5.2　*小二乘 GAN（LSGAN）
5.3　輔助分類器 GAN（ACGAN）
5.4　小結
參考文獻
第 6章　分離表示 GAN
6.1　分離表示
6.2　InfoGAN
6.3　在 Keras中實現 InfoGAN
6.4　InfoGAN生成器的輸出
6.5　StackedGAN
6.6　在 Keras中實現 StackedGAN
6.7　StackedGAN的生成器輸出
6.8　小結
參考文獻
第 7章　跨域 GAN
7.1　CycleGAN原理
7.1.1　CycleGAN模型
7.1.2　使用 Keras實現 CycleGAN
7.1.3　CycleGAN生成器的輸出?
7.1.4　CycleGAN用于 MNIST和 SVHN數據集
7.2　小結
參考文獻
第 8章　變分自編碼器
8.1　VAE原理
8.1.1　變分推斷
8.1.2　核心公式
8.1.3　優化
8.1.4　再參數化的技巧
8.1.5　解碼測試
8.1.6　VAE的 Keras實現
8.1.7　將 CNN應用于 VAE
8.2　條件 VAE (CVAE)
8.3　β-VAE：可分離的隱式表示VAE
8.4　小結
參考文獻
第 9章　深度強化學習
9.1　強化學習原理
9.2　Q值
9.3　Q-Learning例子
9.3.1　用 Python實現Q-Learning
9.4　非確定性環境
9.5　時序差分學習
9.5.1　OpenAI Gym中應用 Q-Learning
9.6　深度Q網絡（DQN）
9.6.1　用 Keras實現 DQN
9.6.2　雙 Q-Learning（DDQN）
9.7　小結
參考文獻
第 10章　策略梯度方法
10.1　策略梯度定理
10.2　蒙特卡羅策略梯度（REINFORCE）方法
10.3　基線 REINFORCE方法
10.4　Actor-Critic方法
10.5　優勢 Actor-Critic方法
10.6　Keras中的策略梯度方法
10.7　策略梯度方法的性能評估
10.8　小結
參考文獻