輕松學會TensorFlow 2.0人工智能深度學習應用開發 ( 簡體 字) |
| 作者：黃士嘉、林邑撰 | 類別：1. -> 程式設計 -> 人工智慧
2. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 53837
詢問書籍請說出此書號！【有庫存】
NT售價： 395 元 |
| 出版日：1/1/2021 |
| 頁數：282 |
| 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：9787302566458 |
| 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：英國數學家人工智能之父Alan Turing 1950年在Oxford University Press的Mind期刊發表的 Computing Machinery and Intelligence論文中提出了機器思維的概念，從此人工智能就一直是計算機科學中非常重要的領域。發展至今有70年的歷史了，其中歷經了多次大起大落，尤其是其中的兩次“AI寒冬”，讓研究者與投資人對人工智能產生了很大的疑慮。由英國倫敦Google DeepMind開發的人工智能圍棋軟件AlphaGo在2016年打敗了頂尖職業棋手李世石，在2017年打敗了排名世界第一的柯潔，之后人工智能再度成為計算機科學的“顯學”，也促成了第三波的“AI崛起”。
近幾年，以深度學習為核心技術的人工智能在圖像、聲音、決策分析等領域已超越了人類的能力。隨著深度學習人工智能技術的日益成熟，許多世界級科技公司投入了大量人力和資源在深度學習人工智能上，如Google、Facebook、Uber、Airbnb、Tesla、微軟、騰訊、百度、華為、滴滴、通用等，許多中小企業也投入了相當的人力資源。根據研究機構Tractica預估，全球AI市場的規模將從2018年的81億美元成長至2025年的1 058億美元，并且能夠應用到更多產業，例如汽車、零售、醫療、商業、電信、消費、廣告、法律、保險等。
作者和所領導的多媒體系統實驗室團隊已經在人工智能領域研究了十多年，其中包含智能汽車系統、智能居家照護系統、智能視頻監控系統、智能派遣撮合系統、人工智能小秘書系統、自動駕駛計算機視覺系統，也與大學和研究機構合作開發了自動輔助駕駛次系統，項目的名稱為“自動駕駛的深度學習智能感知與情境理解系統技術”，將豐富的學界研發能量導入產業界，提升自動駕駛汽車產業的研發技術。作者在IEEE和ACM頂級國際期刊上發表了三十多篇計算機視覺人工智能相關的論文。例如，在2018年和美國華盛頓大學黃正能教授合作研發了全球第一個有效的除雪與能見度增強技術，DesnowNet深度學習網絡架構，刊登在圖像處理領域頂尖的期刊IEEE Transactions on Image Processing（Impact factor: 3.735，Rank: 14/255=5.49%）上；在2019年指導越南博士生Trung-Hieu Le研發了應用在智能居家護理系統（Intelligent Homecare Systems）上的高精確度手部偵測識別技術，發表在傳感器領域頂尖的期刊IEEE Sensors Journal（Impact factor: 2.617，Rank: 8/116=6.8%）上。
作者深刻體會到目前人工智能領域的重要性與發展性，因此精心撰寫了本書，期待可以啟發更多學生、工程師與研究人員快速進入深度學習人工智能領域。本書使用目前熱門的深度學習套件TensorFlow，帶領讀者深入理解深度學習的知識與技術，并且精心設計了實踐的程序教學，通過每個步驟細致的項目教學讓讀者可以更容易理解與吸收所學的知識和技術。從新的TensorFlow 2.0入門開始，通過12章內容，理論學習和實踐應用相結合。本書撰寫時使用的是TensorFlow 2.0正式版。
本書范例程序源代碼可通過掃描下面的二維碼獲得。
如果下載有問題，可通過電子郵件聯系booksaga@126.com，郵件主題為“輕松學會TensorFlow 2.0人工智能深度學習應用開發范例程序源代碼”。
每年有數以萬篇的深度學習研究論文發表，從中可以了解人工智能領域的日新月異與廣泛應用，作者以本書介紹深度學習較重要的入門內容，讓讀者有能力進一步鉆研更高深的深度學習知識與技術。本書中的內容如有疏漏與錯誤，可發送郵件給予指正與鼓勵。
黃士嘉
臺北科技大學電子工程系 教授
加拿大安大略理工大學 國際客座教授
IEEE Sensors Journal 國際期刊編輯
IEEE BigData Congress 國際會議主席
IEEE CloudCom Conference 國際會議主席 |
內容簡介：本書從介紹深度學習和重要入門知識入手，通過范例講解TensorFlow的應用開發。本書文字清晰、嚴謹，并輔以簡潔明了的插圖說明，同時提供步驟細致的范例程序教學，讓讀者可以輕松理解并掌握深度學習原理和TensorFlow開發方法。
本書分為12章，內容包括：環境安裝、TensorFlow 2.0介紹、回歸問題、二分類問題、多分類問題、神經網絡訓練技巧、TensorFlow 2.0高級技巧、TensorBoard高級技巧、卷積神經網絡經典架構、遷移學習、變分自編碼器和生成式對抗網絡。
本書適合TensorFlow深度學習自學者、深度學習開發人員、人工智能行業咨詢顧問等閱讀，也適合作為高等院校和培訓學校人工智能及其相關專業師生的教學參考書。 |
目錄：第1章環境安裝 1
1.1Python安裝 1
1.1.1 Windows安裝方法 1
1.1.2 Ubuntu安裝方法 2
1.2TensorFlow安裝 2
1.2.1 Windows安裝方法 2
1.2.2 Ubuntu安裝方法 5
1.3Python擴充套件安裝 8
1.4JupyterNotebook 9
1.4.1 Windows安裝方法 9
1.4.2 Ubuntu安裝方法 10
1.4.3 設置并建立項目 10
1.4.4 常用快捷鍵 11
1.4.5 JupyterNotebook操作練習 11
1.5本書的范例程序 13
1.5.1 在Windows中打開項目 14
1.5.2 在Ubuntu中打開項目 14
第2章TensorFlow2.0介紹 16
2.1什么是深度學習 16
2.2建立項目 17
2.3TensorFlow介紹 18
2.4TensorFlow2.0的變化 20
2.5EagerExecution 21
2.5.1 EagerExecution介紹 21
2.5.2 TensorFlow基本運算 22
2.6Keras 24
2.6.1 Keras介紹 24
2.6.2 序貫模型 26
2.6.3 FunctionalAPI 28
2.7tf.data 32
2.7.1 tf.data介紹 32
2.7.2 基本操作 34
第3章回歸問題 39
3.1深度神經網絡 39
3.1.1神經網絡簡史 39
3.1.2神經網絡原理 40
3.1.3全連接 41
3.1.4損失函數MSE和MAE 41
3.1.5神經網絡權重更新 43
3.1.6神經網絡訓練步驟 44
3.2Kaggle介紹 46
3.3實驗一：房價預測模型 47
3.3.1數據集介紹 47
3.3.2新建項目 48
3.3.3程序代碼 49
3.4TensorBoard介紹 56
3.5實驗二：過擬合問題 58
3.5.1過擬合說明 58
3.5.2程序代碼 60
3.5.3TensorBoard數據分析 64
3.6參考文獻 65
第4章二分類問題 67
4.1機器學習的四大類別 67
4.2二分類問題介紹 69
4.2.1邏輯回歸 69
4.2.2Sigmoid 69
4.2.3二分類交叉熵 69
4.2.4獨熱編碼 71
4.3實驗：精靈寶可夢對戰預測 72
4.3.1數據集介紹 72
4.3.2新建項目 75
4.3.3程序代碼 76
4.4參考文獻 91
第5章多分類問題 94
5.1卷積神經網絡 94
5.1.1卷積神經網絡簡介 94
5.1.2卷積神經網絡架構 95
5.1.3卷積神經網絡的原理 102
5.2多分類問題介紹 105
5.2.1Softmax 105
5.2.2多分類交叉熵 106
5.2.3數據增強 107
5.3實驗：CIFAR-10圖像識別 108
5.3.1數據集介紹 108
5.3.2TensorFlowDatasets 109
5.3.3新建項目 110
5.3.4程序代碼 111
5.4參考文獻 127
第6章神經網絡訓練技巧 129
6.1反向傳播 129
6.2權重初始化 133
6.2.1正態分布 133
6.2.2Xavier/Glorot初始化 135
6.2.3He初始化 137
6.3批量歸一化 139
6.3.1批量歸一化介紹 139
6.3.2批量歸一化網絡架構 140
6.4實驗一：使用CIFAR-10數據集實驗3種權重初始化方法 141
6.4.1新建項目 141
6.4.2建立圖像增強函數 142
6.4.3程序代碼 144
6.4.4TensorBoard可視化權重分布 148
6.5實驗二：使用CIFAR-10數據集實驗批量歸一化方法 151
6.6總結各種網絡架構的性能比較 154
6.7參考文獻 155
第7章TensorFlow2.0高級技巧 157
7.1TensorFlow高級技巧 157
7.1.1自定義網絡層 158
7.1.2自定義損失函數 159
7.1.3自定義評價指標函數 159
7.1.4自定義回調函數 160
7.2Keras高級API與自定義API比較 161
7.2.1網絡層 161
7.2.2損失函數 162
7.2.3評價指標函數 163
7.2.4回調函數 165
7.3實驗：比較Keras高級API和自定義API兩種網絡訓練的結果 166
7.3.1新建項目 166
7.3.2程序代碼 167
第8章TensorBoard高級技巧 176
8.1TensorBoard的高級技巧 176
8.1.1tf.summary 177
8.1.2tf.summary.scalar 177
8.1.3tf.summary.image 179
8.1.4tf.summary.text 181
8.1.5tf.summary.audio 182
8.1.6tf.summary.histogram 183
8.2實驗一：使用tf.summary.image記錄訓練結果 186
8.2.1新建項目 186
8.2.2程序代碼 187
8.3實驗二：使用TensorBoard超參數調校工具來訓練多個網絡模型 195
8.3.1啟動TensorBoard（命令行） 196
8.3.2程序代碼 197
第9章卷積神經網絡經典架構 205
9.1神經網絡架構 205
9.1.1LeNet 205
9.1.2AlexNet 206
9.1.3VGG 206
9.1.4GoogLeNet 207
9.1.5ResNet 210
9.1.6總結各種網絡架構的比較 211
9.2實驗：實現InceptionV3網絡架構 212
9.2.1新建項目 213
9.2.2KerasApplications 214
9.2.3TensorFlowHub 217
9.3參考文獻 222
第10章遷移學習 224
10.1認識遷移學習 224
10.1.1遷移學習介紹 224
10.1.2遷移學習訓練技巧 225
10.2實驗：遷移學習范例 230
10.2.1新建項目 230
10.2.2數據集介紹 231
10.2.3程序代碼 231
10.3參考文獻 237
第11章變分自編碼器 239
11.1自編碼器介紹 239
11.2變分自編碼器介紹 241
11.3變分自解碼器的損失函數 243
11.4實驗：變分自編碼器程序代碼的實現 244
11.4.1建立項目 245
11.4.2數據集介紹 247
11.4.3變分自編碼器項目說明 248
11.4.4變分自編碼器訓練和生成圖像 254
11.5參考文獻 257
第12章生成式對抗網絡 258
12.1認識生成式對抗網絡 258
12.1.1生成式對抗網絡介紹 258
12.1.2生成式對抗網絡訓練及損失函數 260
12.2GAN、WGAN、WGAN-GP的演進 262
12.2.1生成式對抗網絡的問題 262
12.2.2Wasserstein距離介紹 264
12.2.3WGAN-GP損失函數 266
12.3實驗：WGAN-GP程序代碼的實現 268
12.3.1建立項目 269
12.3.2數據集介紹 271
12.3.3WGAN-GP項目說明 272
12.4參考文獻 281 |
| 序： |
