《Keras高級深度學習》是2020年機械工業出版社出版的圖書。
基本介紹
- 中文名：Keras高級深度學習
- 出版時間：2020年
- 出版社：機械工業出版社
- ISBN：9787111647966
內容簡介,圖書目錄,
內容簡介
《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、生成對抗網路（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。
《Keras高級深度學習》首先對多層感知器（MLP）、卷積神經網路（CNN）和循環神經網路（RNN）進行了概述，這些是本書中介紹的更高級技術的構建模組。之後探索了包括ResNet和DenseNet在內的深度神經網路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，並進一步實現其高級套用。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，這些方法對於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慧、數據科學、計算機科學等相關專業學生閱讀。
圖書目錄
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 輸出激活與損失函式
1.3.5 最佳化
1.3.6 性能評價
1.3.7 模型概述
1.4 卷積神經網路（ 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 循環神經網路（RNN）
1.6 小結
參考文獻
第 2章 深度神經網路
2.1 函式式 API
2.1.1 創建一個兩輸入單輸出模型
2.2 深度殘差網路（ResNet）
2.3 ResNet v2
2.4 密集連線卷積網路（DenseNet)）
2.4.1 為 CIFAR10數據集構建一個 100層的 DenseNet-BC網路
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 生成對抗網路
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 距離函式
5.1.2 GAN中的距離函式
5.1.3 Wasserstein損失函式的使用
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 最佳化
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套用於 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 OpenAI Gym中套用 Q-Learning
9.6 深度Q網路（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
