0人評分過此書

深度學習:使用Keras

出版日期
2019/11/25
閱讀格式
PDF
書籍分類
學科分類
ISBN
9789865023218

本館館藏

借閱規則
當前可使用人數 30
借閱天數 14
線上看 0
借閱中 0
選擇分享方式

推薦本館採購書籍

您可以將喜歡的電子書推薦給圖書館,圖書館會參考讀者意見進行採購

讀者資料
圖書館
* 姓名
* 身分
系所
* E-mail
※ 我們會寄送一份副本至您填寫的Email中
電話
※ 電話格式為 區碼+電話號碼(ex. 0229235151)/ 手機格式為 0900111111
* 請輸入驗證碼
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
幫助
您好,請問需要甚麼幫助呢?
使用指南

客服專線:0800-000-747

服務時間:週一至週五 AM 09:00~PM 06:00

loading