TensorFlow+Keras深度學習人工智能實踐應用 ( 簡體 字) |
| 作者：林大貴 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 48499
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：2/1/2018 |
| 頁數：297 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302493020 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：近年來，人工智能（Artificial Intelligence，AI）吸引了大眾與媒體的目光，AlphaGo的成功更加讓人工智能技術變得炙手可熱，其實AI早已進入了我們的生活，如手機中的語音助理、人臉識別、影音平臺每日的推薦等。然而，人工智能的發展才剛剛起步，未來人工智能的應用將會深入生活的每一個層面，也就是說未來一定是AI的時代。
深度學習是人工智能中成長最快的領域，深度學習就是仿真人類神經網絡的工作方式，常見的深度學習架構有深度神經網絡（DNN）、卷積神經網絡（CNN）、遞歸神經網絡（RNN）等。深度學習特別適用于視覺識別、語音識別、自然語言處理、識別癌細胞等領域，目前已經取得非常好的效果。
近年來，各大科技公司（如Google、Microsoft、Facebook、Amazon、Tesla等）都積極投入到深度學習領域進行研發。以Google公司為例，它在2014年以4億美元并購了DeepMind公司。2016年，由DeepMind開發的人工智能圍棋程序AlphaGo以4:1擊敗了世界級圍棋冠軍李世石，引起了網絡與媒體的注目，讓人們了解到深度學習的威力強大。
TensorFlow最初由Google Brain Team團隊開發，Google使用TensorFlow進行研究及開發自身產品，并于2015年公開了它的源代碼，所有的開發者都可以免費使用。Google的很多產品早就使用了機器學習或深度學習，例如Gmail過濾垃圾郵件、Google語音識別、圖像識別、翻譯等。
TensorFlow功能強大，執行效率高，支持各種平臺。但是，TensorFlow是比較底層的深度學習鏈接庫，學習門檻高，對于從未接觸過深度學習的初學者，如果一開始就學習TensorFlow，就要面對其特殊的“計算圖”（computational graph）程序設計模式，還必須自行設計張量（Tensor）運算，可能會有很大的挫折感。
所以本書先介紹Keras，這是以TensorFlow為底層的、高級的深度學習鏈接庫，可以很容易地建立深度學習模型，進行訓練并使用模型預測，對初學者而言學習門檻較低。等讀者熟悉了深度學習模型后，再去學習TensorFlow就很輕松了。
近年來，深度學習和人工智能技術快速發展的一個很重要的因素是，GPU提供了強大的并行運算架構，可以讓深度學習訓練比用CPU來進行要快數十倍。本書也特別介紹了GPU的安裝與應用，讀者只需要有NVIDIA顯示適配器（顯卡），然后按照本書的介紹依次安裝CUDA、cuDNN、TensorFlow GPU版本與Keras，就可以使用GPU大幅加快深度學習的訓練。
林大貴
|
內容簡介：本書提供安裝、上機操作指南，同時輔以大量范例程序介紹TensorFlow + Keras深度學習方面的知識。本書分9部分，共21章，內容主要包括基本概念介紹、TensorFlow 與 Keras 的安裝、Keras MNIST手寫數字識別、Keras CIFAR-10照片圖像物體識別、Keras多層感知器預測泰坦尼克號上旅客的生存概率、使用Keras MLP、RNN、LSTM進行IMDb自然語言處理與情感分析、以TensorFlow張量運算仿真神經網絡的運行、TensorFlow MNIST手寫數字識別、使用GPU大幅加快深度學習訓練。
TensorFlow + Keras深度學習方面的知識不需要具備高等數學模型、算法等專業知識，讀者只需要具備基本的Python程序設計能力，按照本書的步驟循序漸進地學習，就可以了解深度學習的基本概念，進而實際運用深度學習的技術。 |
目錄：第1章人工智能、機器學習與深度學習簡介 1
1.1人工智能、機器學習、深度學習的關系 2
1.2機器學習介紹 4
1.3機器學習分類 4
1.4深度學習簡介 7
1.5結論 8
第2章深度學習的原理 9
2.1神經傳導的原理 10
2.2以矩陣運算仿真神經網絡 13
2.3多層感知器模型 14
2.4使用反向傳播算法進行訓練 16
2.5結論 21
第3章TensorFlow與Keras介紹 22
3.1TensorFlow架構圖 23
3.2TensorFlow簡介 24
3.3TensorFlow程序設計模式 26
3.4Keras介紹 27
3.5Keras程序設計模式 28
3.6Keras與TensorFlow比較 29
3.7結論 30
第4章在Windows中安裝TensorFlow與Keras 31
4.1安裝Anaconda 32
4.2啟動命令提示符 35
4.3建立TensorFlow的Anaconda虛擬環境 37
4.4在Anaconda虛擬環境安裝TensorFlow與Keras 40
4.5啟動JupyterNotebook 42
4.6結論 48
第5章在LinuxUbuntu中安裝TensorFlow與Keras 49
5.1安裝Anaconda 50
5.2安裝TensorFlow與Keras 52
5.3啟動JupyterNotebook 53
5.4結論 54
第6章KerasMNIST手寫數字識別數據集 55
6.1下載MNIST數據 56
6.2查看訓練數據 58
6.3查看多項訓練數據images與label 60
6.4多層感知器模型數據預處理 62
6.5features數據預處理 62
6.6label數據預處理 64
6.7結論 65
第7章Keras多層感知器識別手寫數字 66
7.1Keras多元感知器識別MNIST手寫數字圖像的介紹 67
7.2進行數據預處理 69
7.3建立模型 69
7.4進行訓練 73
7.5以測試數據評估模型準確率 77
7.6進行預測 78
7.7顯示混淆矩陣 79
7.8隱藏層增加為1000個神經元 81
7.9多層感知器加入DropOut功能以避免過度擬合 84
7.10建立多層感知器模型包含兩個隱藏層 86
7.11結論 89
第8章Keras卷積神經網絡識別手寫數字 90
8.1卷積神經網絡簡介 91
8.2進行數據預處理 97
8.3建立模型 98
8.4進行訓練 101
8.5評估模型準確率 104
8.6進行預測 104
8.7顯示混淆矩陣 105
8.8結論 107
第9章KerasCIFAR-10圖像識別數據集 108
9.1下載CIFAR-10數據 109
9.2查看訓練數據 111
9.3查看多項images與label 112
9.4將images進行預處理 113
9.5對label進行數據預處理 114
9.6結論 115
第10章Keras卷積神經網絡識別CIFAR-10圖像 116
10.1卷積神經網絡簡介 117
10.2數據預處理 118
10.3建立模型 119
10.4進行訓練 123
10.5評估模型準確率 126
10.6進行預測 126
10.7查看預測概率 127
10.8顯示混淆矩陣 129
10.9建立3次的卷積運算神經網絡 132
10.10模型的保存與加載 135
10.11結論 136
第11章Keras泰坦尼克號上的旅客數據集 137
11.1下載泰坦尼克號旅客數據集 138
11.2使用PandasDataFrame讀取數據并進行預處理 140
11.3使用PandasDataFrame進行數據預處理 142
11.4將DataFrame轉換為Array 143
11.5將ndarray特征字段進行標準化 145
11.6將數據分為訓練數據與測試數據 145
11.7結論 147
第12章Keras多層感知器預測泰坦尼克號上旅客的生存概率 148
12.1數據預處理 149
12.2建立模型 150
12.3開始訓練 152
12.4評估模型準確率 155
12.5加入《泰坦尼克號》電影中Jack與Rose的數據 156
12.6進行預測 157
12.7找出泰坦尼克號背后的感人故事 158
12.8結論 160
第13章IMDb網絡電影數據集與自然語言處理 161
13.1Keras自然語言處理介紹 163
13.2下載IMDb數據集 167
13.3讀取IMDb數據 169
13.4查看IMDb數據 172
13.5建立token 173
13.6使用token將“影評文字”轉換成“數字列表” 174
13.7讓轉換后的數字長度相同 174
13.8結論 176
第14章Keras建立MLP、RNN、LSTM模型進行IMDb情感分析 177
14.1建立多層感知器模型進行IMDb情感分析 178
14.2數據預處理 179
14.3加入嵌入層 180
14.4建立多層感知器模型 181
14.5訓練模型 182
14.6評估模型準確率 184
14.7進行預測 185
14.8查看測試數據預測結果 185
14.9查看《美女與野獸》的影評 187
14.10預測《美女與野獸》的影評是正面或負面的 190
14.11文字處理時使用較大的字典提取更多文字 192
14.12RNN模型介紹 193
14.13使用KerasRNN模型進行IMDb情感分析 195
14.14LSTM模型介紹 197
14.15使用KerasLSTM模型進行IMDb情感分析 199
14.16結論 200
第15章TensorFlow程序設計模式 201
15.1建立“計算圖” 202
15.2執行“計算圖” 204
15.3TensorFlowplaceholder 206
15.4TensorFlow數值運算方法介紹 207
15.5TensorBoard 208
15.6建立一維與二維張量 211
15.7矩陣基本運算 212
15.8結論 214
第16章以TensorFlow張量運算仿真神經網絡的運行 215
16.1以矩陣運算仿真神經網絡 216
16.2以placeholder傳入X值 220
16.3創建layer函數以矩陣運算仿真神經網絡 222
16.4建立layer_debug函數顯示權重與偏差 225
16.5結論 226
第17章TensorFlowMNIST手寫數字識別數據集 227
17.1下載MNIST數據 228
17.2查看訓練數據 229
17.3查看多項訓練數據images與labels 232
17.4批次讀取MNIST數據 234
17.5結論 235
第18章TensorFlow多層感知器識別手寫數字 236
18.1TensorFlow建立多層感知器辨識手寫數字的介紹 237
18.2數據準備 239
18.3建立模型 239
18.4定義訓練方式 242
18.5定義評估模型準確率的方式 243
18.6進行訓練 244
18.7評估模型準確率 249
18.8進行預測 249
18.9隱藏層加入更多神經元 250
18.10建立包含兩個隱藏層的多層感知器模型 251
18.11結論 252
第19章TensorFlow卷積神經網絡識別手寫數字 253
19.1卷積神經網絡簡介 254
19.2進行數據預處理 255
19.3建立共享函數 256
19.4建立模型 258
19.5定義訓練方式 264
19.6定義評估模型準確率的方式 264
19.7進行訓練 265
19.8評估模型準確率 266
19.9進行預測 267
19.10TensorBoard 268
19.11結論 270
第20章TensorFlowGPU版本的安裝 271
20.1確認顯卡是否支持CUDA 273
20.2安裝CUDA 274
20.3安裝cuDNN 278
20.4將cudnn64_5.dll存放的位置加入Path環境變量 281
20.5在Anaconda建立TensorFlowGPU虛擬環境 283
20.6安裝TensorFlowGPU版本 285
20.7安裝Keras 286
20.8結論 286
第21章使用GPU加快TensorFlow與Keras訓練 287
21.1啟動TensorFlowGPU環境 288
21.2測試GPU與CPU執行性能 293
21.3超出顯卡內存的限制 296
21.4以多層感知器的實際范例比較CPU與GPU的執行速度 297
21.5以CNN的實際范例比較CPU與GPU的執行速度 299
21.6以KerasCifarCNN的實際范例比較CPU與GPU的執行速度 302
21.7結論 304
附錄A本書范例程序的下載與安裝說明 305
A.1在Windows系統中下載與安裝范例程序 306
A.2在UbuntuLinux系統中下載與安裝范例程序 310
|
| 序： |
