Keras高級深度學習

定　價：￥89.00

作　者：	[菲] 羅韋爾-阿蒂恩扎著
出版社：	機械工業(yè)出版社
叢編項：	深度學習系列
標　簽：	暫缺

購買這本書可以去

京東 (￥89.00)

ISBN：	9787111647966	出版時間：	2020-06-01	包裝：	平裝
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　《Keras高級深度學習》是高級深度學習技術(shù)的綜合指南，內(nèi)容包括自編碼器、生成對抗網(wǎng)絡（GAN）、變分自編碼器（VAE）和深度強化學習（DRL），在這些技術(shù)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(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）進行了概述，這些是本書中介紹的更高級技術(shù)的構(gòu)建模塊。之后探索了包括ResNet和DenseNet在內(nèi)的深度神經(jīng)網(wǎng)絡架構(gòu)以及如何創(chuàng)建自編碼器。讀者將學習如何使用Keras和TensorFlow實現(xiàn)深度學習模型，并進一步實現(xiàn)其高級應用。隨后，讀者將會了解到有關(guān)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(xiàn)方式，并將認識到GAN和VAE是如何具備生成數(shù)據(jù)的能力的，并且使所生成的數(shù)據(jù)對人類來說極具說服力。因此，該類方法已成為現(xiàn)代AI的一個巨大進步。為充分了解該系列相關(guān)先進技術(shù)，讀者將會學習如何實現(xiàn)DRL，例如深度Q-Learning和策略梯度方法，這些方法對于AI在現(xiàn)代取得很多成就至關(guān)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(shù)據(jù)科學、計算機科學等相關(guān)專業(yè)學生閱讀。

作者簡介

　　Rowel Atienza是菲律賓大學蒂利曼分校電氣與電子工程學院副教授，并擔任Dado和Maria Banatao研究所人工智能講席教授。Rowel畢業(yè)于菲律賓大學，并一直對智能機器人十分著迷。他在新加坡國立大學從事AI增強四足機器人方面的工作，并以此獲得工程學碩士學位。此后，他憑借其在人機交互主動視線跟蹤領(lǐng)域的貢獻，獲得澳大利亞國立大學的博士學位。Rowel當前的研究重點是AI和計算視覺，他夢想著構(gòu)建出可以感知、理解并推理的實用機器。Rowel獲得了來自于菲律賓科學技術(shù)部（DOST）、菲律賓三星研究院和菲律賓高等教育委員會-菲律賓加利福尼亞高級研究所（CHED-PCARI）的多項科研資助。

圖書目錄

目　錄
譯者序
原書前言
第 1章　Keras高級深度學習入門
1.1　為什么 Keras是完美的深度學習庫
1.1.1　安裝 Keras和 TensorFlow
1.2　實現(xiàn)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(shù)據(jù)集
1.3.2　MNIST數(shù)字分類模型
1.3.3　正則化
1.3.4　輸出激活與損失函數(shù)
1.3.5　優(yōu)化
1.3.6　性能評價
1.3.7　模型概述
1.4　卷積神經(jīng)網(wǎng)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(huán)神經(jīng)網(wǎng)絡（RNN）
1.6　小結(jié)
參考文獻
第 2章　深度神經(jīng)網(wǎng)絡
2.1　函數(shù)式 API
2.1.1　創(chuàng)建一個兩輸入單輸出模型
2.2　深度殘差網(wǎng)絡（ResNet）
2.3　ResNet v2
2.4　密集連接卷積網(wǎng)絡（DenseNet)）
2.4.1　為 CIFAR10數(shù)據(jù)集構(gòu)建一個 100層的 DenseNet-BC網(wǎng)絡
2.5　小結(jié)
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(gòu)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(jié)
參考文獻
第 4章　生成對抗網(wǎng)絡
4.1　GAN概要
4.2　GAN原理
4.3　Keras中的 GAN實現(xiàn)
4.4　條件 GAN
4.5　小結(jié)
參考文獻
第 5章　改進的 GAN方法
5.1　Wasserstein GAN
5.1.1　距離函數(shù)
5.1.2　GAN中的距離函數(shù)
5.1.3　Wasserstein損失函數(shù)的使用
5.1.4　使用 Keras實現(xiàn) WGAN
5.2　最小二乘 GAN（LSGAN）
5.3　輔助分類器 GAN（ACGAN）
5.4　小結(jié)
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(xiàn) InfoGAN
6.4　InfoGAN生成器的輸出
6.5　StackedGAN
6.6　在 Keras中實現(xiàn) StackedGAN
6.7　StackedGAN的生成器輸出
6.8　小結(jié)
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(xiàn) CycleGAN
7.1.3　CycleGAN生成器的輸出??
7.1.4　CycleGAN用于 MNIST和 SVHN數(shù)據(jù)集
7.2　小結(jié)
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(yōu)化
8.1.4　再參數(shù)化的技巧
8.1.5　解碼測試
8.1.6　VAE的 Keras實現(xiàn)
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(jié)
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(xiàn)Q-Learning
9.4　非確定性環(huán)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(wǎng)絡（DQN）
9.6.1　用 Keras實現(xiàn) DQN
9.6.2　雙 Q-Learning（DDQN）
9.7　小結(jié)
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(yōu)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(jié)
參考文獻