
0人評分過此書
內容簡介:本書將帶領您認識各種進階的深度學習技術,以及如何建立您專屬的劃時代AI。透過Keras完成各種實做專題,您會知道如何運用最新技術來建立高效率AI服務。本書將會介紹MLP、CNN與RNN等神經網路,這些是諸多進階技術的基石。藉由本書,您可以了解如何運用Keras與Tensorflow來實作深度學習。本書也會帶領您深入探討深度神經網路架構,包括ResNet、DenseNet以及自動編碼器。本書後半著眼於各種對抗生成網路(GAN),以及為什麼它們可以讓AI效能更上一層樓。實作變分編碼器(VAE)之後,您就能理解如何運用GAN與VAE強大的生成能力,並合成出讓人類信以為真的合成資料。最後介紹的是深度強化學習(DRL),例如深度Q學習與策略梯度方法等等,這些對於近年AI的發展上至關重要。本書精彩內容:.讓AI效能足以比美人類的各種尖端技術.使用Keras實作各種進階深度學習模型.各種進階技術的基石-MLP、CNN與RNN.深度神經網路–ResNet與DenseNet.自動編碼器與變分編碼器(VAE).生成對抗網路(GAN)與各種嶄新的AI技術.抽離語義特徵GAN與跨域GAN.深度強化學習(DRL)的理論與實作.使用OpenAIgym建立符合業界標準的應用.深度Q學習與策略梯度方法
-
CHAPTER 01 認識進階深度學習與Keras
-
為什麼Keras是最棒的深度學習函式庫?
-
安裝Keras與TensorFlow
-
-
實作核心深度學習模型–MLP、CNN與RNN
-
MLP、CNN與RNN的差異
-
-
多層感知器(MLP)
-
MNIST資料集
-
MNIST數字分類器模型
-
正規化
-
輸出觸發與損失函數
-
最佳化
-
效能評估
-
模型總結
-
-
卷積神經網路(CNN)
-
卷積
-
池化操作
-
效能評估與模型總覽
-
-
循環神經網路(RNN)
-
結論
-
參考資料
-
-
CHAPTER 02 深度神經網路
-
Functional API
-
建立一個雙-輸入/單-輸出的模型
-
-
深度殘差網路(ResNet)
-
ResNet v2
-
密集連接卷積網路(DenseNet)
-
建置用於CIFAR10的100層DenseNet-BC
-
-
結論
-
參考資料
-
-
CHAPTER 03 自動編碼器
-
自動編碼器的運作原理
-
使用Keras來建置自動編碼器
-
降噪自動編碼器(DAE)
-
自動上色自動編碼器
-
總結
-
參考資料
-
-
CHAPTER 04 GAN生成對抗網路
-
GAN總覽
-
GAN的運作原理
-
使用Keras實作GAN
-
條件GAN
-
總結
-
參考資料
-
-
CHAPTER 05 各種改良版GAN
-
Wasserstein GAN
-
距離函數
-
GAN中的距離函數
-
Wasserstein損失的用途
-
使用Keras實作WGAN
-
-
Least-squares GAN(LSGAN)
-
輔助分類器GAN(ACGAN)
-
總結
-
參考資料
-
-
CHAPTER 06 抽離語意特徵GAN
-
抽離語意特徵
-
InfoGAN
-
使用Kera實作InfoGAN
-
InfoGAN的生成器輸出
-
StackedGAN
-
使用Keras實作StackedGAN
-
StackedGAN的生成器輸出
-
結論
-
參考資料
-
-
CHAPTER 07 跨域GAN
-
CycleGAN運作原理
-
CycleGAN模型
-
使用Keras實作CycleGAN
-
-
CycleGAN的生成器輸出
-
將CycleGAN用於MNIST與SVHN資料集
-
-
總結
-
參考資料
-
-
CHAPTER 08 變分自動編碼器
-
VAE的運作原理
-
變分推論
-
核心方程式
-
最佳化
-
再參數化法
-
解碼器測試
-
Keras中的VAE
-
將CNN用於VAE
-
-
條件VAE(CVAE)
-
β-VAE:具有抽離語意潛在特徵的VAE
-
結論
-
參考資料
-
-
CHAPTER 09 深度強化學習
-
強化學習(RL)的原理
-
Q值
-
Q學習範例
-
使用Python實作Q學習
-
非確定性環境
-
時間-差分學習
-
在OpenAI gym中執行Q-學習
-
深度Q網路(DQN)
-
使用Keras實作DQN
-
雙重Q-學習(DDQN)
-
-
結論
-
參考資料
-
-
CHAPTER 10 策略梯度方法
-
策略梯度定理
-
Monte Carlo策略梯度(REINFORCE)法
-
具基準的REINFORCE法
-
動作-評價法
-
優勢動作-評價(A2C)法
-
Keras中的各種策略梯度法
-
策略梯度法的效能評估
-
-
總結
-
參考資料
-
- 出版地 : 臺灣
- 語言 : 繁體中文
評分與評論
請登入後再留言與評分