Keras高級深度學習/深度學習系列 ( 簡體 字) |
| 作者：(菲)羅韋爾·阿蒂恩扎|責編:劉星寧//任鑫|譯者:蔡磊//潘華賢//程國建 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業 |  3dWoo書號： 52903
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：5/1/2020 |
| 頁數：271 |
| 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：9787111647966 |
| 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：Keras高級深度學習》是高級深度學習技術的綜合指南，內容包括自編碼器、生成對抗網絡（GAN）、變分自編碼器（VAE）和深度強化學習（DRL），在這些技術的推動下，AI于近期取得了令人矚目的成就。
《Keras高級深度學習》首先對多層感知器（MLP）、卷積神經網絡（CNN）和循環神經網絡（RNN）進行了概述，這些是本書中介紹的更高級技術的構建模塊。之后探索了包括ResNet和DenseNet在內的深度神經網絡架構以及如何創建自編碼器。讀者將學習如何使用Keras和TensorFlow實現深度學習模型，并進一步實現其高級應用。隨后，讀者將會了解到有關GAN的所有知識，以及認識到其如何將AI性能提升到新的水平。在此之后，讀者可快速了解VAE的實現方式，并將認識到GAN和VAE是如何具備生成數據的能力的，并且使所生成的數據對人類來說極具說服力。因此，該類方法已成為現代AI的一個巨大進步。為充分了解該系列相關先進技術，讀者將會學習如何實現DRL，例如深度Q-Learning和策略梯度方法，這些方法對于AI在現代取得很多成就至關重要。
《Keras高級深度學習》適合想要深入了解深度學習高級主題的機器學習工程師，以及高等院校人工智能、數據科學、計算機科學等相關專業學生閱讀。 |
目錄：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 |
| 序： |
