 |
-- 會員 / 註冊 --
|
 |
|
|
|
Keras深度學習實戰 ( 簡體 字) |
| 作者：[意大利]安東尼奧·古利(Antonio Gulli), [印度]蘇伊特·帕爾(Sujit Pal） | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 49353
詢問書籍請說出此書號！【缺書】
NT售價： 295 元 |
| 出版日：7/1/2018 |
| 頁數：232 |
| 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：9787115482228 |
| 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： |
內容簡介：作為一kuan輕量級、模塊化的開源深度學習框架，Keras以容易上手、利于快速原型實現、能夠與TensorFlow和Theano等后端計算平臺很好兼容等優點，深受眾多開發人員和研究人員的喜愛。
本書結合大量實例，簡明扼要地介紹了目前熱門的神經網絡技術和深度學習技術。從經典的多層感知機到用于圖像處理的深度卷積網絡，從處理序列化數據的循環網絡到偽造仿真數據的生成對抗網絡，從詞嵌入到AI游戲應用中的強化學習，本書引ling讀者一層一層揭開深度學習的面紗，并在逐漸清晰的理論框架下，提供多個Python編碼實例，方便讀者動手實踐。
通過閱讀本書，讀者不僅能學會使用Keras快捷構建各個類型的深度網絡，還可以按需自定義網絡層和后端功能，從而提升自己的AI編程能力，在成為深度學習專家的路上更進一步。 |
目錄：第 1章 神經網絡基礎 1
1.1 感知機 2
第 一個Keras代碼示例 3
1.2 多層感知機—第 一個神經網絡的示例 3
1.2.1 感知機訓練方案中的問題 4
1.2.2 激活函數—sigmoid 5
1.2.3 激活函數—ReLU 5
1.2.4 激活函數 6
1.3 實例—手寫數字識別 6
1.3.1 One-hot編碼—OHE 7
1.3.2 用Keras定義簡單神經網絡 7
1.3.3 運行一個簡單的Keras網絡并創建基線 10
1.3.4 用隱藏層改進簡單網絡 11
1.3.5 用dropout進一步改進簡單網絡 14
1.3.6 Keras中的不同優化器測試 16
1.3.7 增加訓練輪數 20
1.3.8 控制優化器的學習率 20
1.3.9 增加內部隱藏神經元的數量 21
1.3.10 增加批處理的大小 22
1.3.11 識別手寫數字的實驗總結 22
1.3.12 采用正則化方法避免過擬合 22
1.3.13 超參數調優 24
1.3.14 輸出預測 24
1.4 一種實用的反向傳播概述 25
1.5 走向深度學習之路 26
1.6 小結 27
第 2章 Keras安裝和API 28
2.1 安裝Keras 28
2.1.1 第 1步—安裝依賴項 28
2.1.2 第 2步—安裝Theano 29
2.1.3 第3步—安裝TensorFlow 29
2.1.4 第4步—安裝Keras 30
2.1.5 第5步—測試Theano、TensorFlow和Keras 30
2.2 配置Keras 31
2.3 在Docker上安裝Keras 32
2.4 在谷歌Cloud ML上安裝Keras 34
2.5 在亞馬遜AWS上安裝Keras 36
2.6 在微軟Azure上安裝Keras 37
2.7 Keras API 39
2.7.1 從Keras架構開始 40
2.7.2 預定義神經網絡層概述 40
2.7.3 預定義激活函數概述 43
2.7.4 損失函數概述 44
2.7.5 評估函數概述 44
2.7.6 優化器概述 44
2.7.7 一些有用的操作 44
2.7.8 保存和加載權重及模型結構 45
2.8 自定義訓練過程的回調函數 45
2.8.1 檢查點設置 45
2.8.2 使用TensorBoard 47
2.8.3 使用Quiver 47
2.9 小結 48
第3章 深度學習之卷積網絡 49
3.1 深度卷積神經網絡—DCNN 50
3.1.1 局部感受野 50
3.1.2 共享權重和偏置 51
3.1.3 池化層 51
3.2 DCNN示例—LeNet 52
3.2.1 用Keras構建LeNet代碼 53
3.2.2 深度學習的本領 59
3.3 用深度學習網絡識別CIFAR-10圖像 60
3.3.1 用深度學習網絡改進CIFAR-10的性能 64
3.3.2 通過數據增加改善CIFAR-10的性能 66
3.3.3 用CIFAR-10進行預測 68
3.4 用于大型圖片識別的極深度卷積網絡 69
3.4.1 用VGG-16網絡識別貓 71
3.4.2 使用Keras內置的VGG-16網絡模塊 72
3.4.3 為特征提取回收內置深度學習模型 73
3.4.4 用于遷移學習的極深inception-v3網絡 74
3.5 小結 76
第4章 生成對抗網絡和WaveNet 78
4.1 什么是生成對抗網絡 78
生成對抗網絡的一些應用 80
4.2 深度卷積生成對抗網絡 82
4.3 用Keras adversarial生成MNIST數據 85
4.4 用Keras adversarial生成CIFAR數據 91
4.5 WaveNet—一個學習如何產生音頻的生成模型 99
4.6 小結 108
第5章 詞嵌入 109
5.1 分布式表示 110
5.2 word2vec 110
5.2.1 skip-gram word2vec模型 111
5.2.2 CBOW word2vec模型 114
5.2.3 從模型中提取word2vec向量 116
5.2.4 使用word2vec的第三方實現 117
5.3 探索GloVe 121
5.4 使用預訓練好的詞向量 122
5.4.1 從頭開始學習詞向量 123
5.4.2 從word2vec中微調訓練好的詞向量 127
5.4.3 從GloVe中微調訓練好的詞向量 131
5.4.4 查找詞向量 132
5.5 小結 136
第6章 循環神經網絡—RNN 137
6.1 SimpleRNN單元 138
用Keras實現SimpleRNN—生成文本 139
6.2 RNN拓撲結構 143
6.3 梯度消失和梯度爆炸 145
6.4 長短期記憶網絡—LSTM 146
用Keras實現LSTM—情感分析 148
6.5 門控循環單元—GRU 153
用Keras實現GRU—詞性標注 154
6.6 雙向RNN 160
6.7 有狀態RNN 161
用Keras實現有狀態LSTM—電量消費預測 161
6.8 其他RNN變體 167
6.9 小結 167
第7章 其他深度學習模型 169
7.1 Keras函數API 170
7.2 回歸網絡 172
Keras回歸示例—預測空氣中的苯含量 172
7.3 無監督學習—自動編碼器 176
Keras自動編碼器示例—句向量 178
7.4 構造深度網絡 185
Keras示例—問答記憶網絡 185
7.5 自定義Keras 192
7.5.1 Keras示例—使用lambda層 193
7.5.2 Keras示例—自定義歸一化層 193
7.6 生成模型 196
7.6.1 Keras示例—Deep Dreaming 197
7.6.2 Keras示例—風格轉換 204
7.7 小結 208
第8章 游戲中的AI 210
8.1 強化學習 211
8.1.1 最da化未來獎賞 212
8.1.2 Q學習 212
8.1.3 深度Q網絡作為Q函數 213
8.1.4 探索和利用的平衡 214
8.1.5 經驗回放，或經驗值 215
8.2 示例—用Keras深度Q網絡實現捕捉游戲 215
8.3 未來之路 226
8.4 小結 228
第9章 結束語 229
9.1 Keras 2.0—新特性 230
9.1.1 安裝Keras 2.0 230
9.1.2 API的變化 231
|
| 序： |
|
