Keras高級深度學習
作 者: (菲)羅韋爾·阿蒂恩扎(Rowel Atienza) 著 蔡磊,潘華賢,程國建 譯
定 價: 89
出?版?社: 機械工業出版社
出版日期: 2020年05月01日
頁 數: 271
裝 幀: 平裝
ISBN: 9787111647966
●譯者序
原書前言
章 Keras不錯深度學習入門
1.1 為什麼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 ResNetv2
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 WassersteinGAN
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 最小二乘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用於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應用於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 OpenAIGym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
0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
內容簡介
本書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於近期取得了令人矚目的成就。 本書首先對多層感知器(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。之後探索了包括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,並進一步實現其不錯應用。隨後,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。在此之後,讀者可快速了解VAE的實現方式,並將認識到GAN和VAE是如何具備生成數據的能力的,並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。為充分了解該繫列相關優選技術,讀者將會學習......