中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習系列Keras高級深度學習 版權信息
- ISBN：9787111647966
- 條形碼：9787111647966 ; 978-7-111-64796-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習系列Keras高級深度學習 本書特色
《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。
深度學習系列Keras高級深度學習 內容簡介
《Keras不錯深度學習》是不錯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不錯深度學習》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不錯技術的構建模塊。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，并進一步實現其不錯應用。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優選技術，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不錯深度學習》適合想要深入了解深度學習不錯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。
深度學習系列Keras高級深度學習 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
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
展開全部
深度學習系列Keras高級深度學習 作者簡介
羅韋爾·阿蒂恩扎（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。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
朝聞道
- >
有舍有得是人生
- >
龍榆生：詞曲概論/大家小書
- >
李白與唐代文化
- >
姑媽的寶刀
- >
伊索寓言-世界文學名著典藏-全譯本
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
