keras深度學習實戰(2021年機械工業出版社出版的圖書)

《 深度學習實戰：基於TensorFlow 2和Keras（原書第2版）》是機械工業出版社2021年8月出版的書籍。本書簡潔且全面地介紹了現代神經網路、人工智慧和深度學習技術，專門為軟體工程師和數據科學家設計。

基本介紹

• 書名： 深度學習實戰：基於TensorFlow 2和Keras（原書第2版）
• 作者：安東尼奧·古利(Antonio Gulli)、阿米塔·卡普爾(Amita Kapoor)、]蘇吉特·帕爾(Sujit Pal)
• 出版社：機械工業出版社
• ISBN：9787111626275

內容簡介

本書簡潔且全面地介紹了現代神經網路、人工智慧和深度學習技術，專門為軟體工程師和數據科學家設計。第1章逐步介紹神經網路的基礎知識。第2章比較TensorFlow 1.x和TensorFlow 2.0編程模型。第3章重點介紹回歸。第4章介紹卷積神經網路及其在圖像處理中的套用。第5章討論了CNN在圖像、視頻、音頻和文本處理方面的高級套用。第6章重點介紹生成對抗網路。第7章介紹詞嵌入。第8章介紹基本嵌入方法的各種擴展。第9章介紹自動編碼器。第10章深入研究無監督學習模型。第11章重點介紹強化學習。第12章介紹AutoML。第13章介紹用於移動設備和物聯網的TensorFlow的基礎知識。第14章討論了雲環境以及如何利用它來訓練和部署模型。第15章討論了深度學習背後的數學。第16章介紹TPU。本書內容豐富，易於理解，示例具有代表性，是學習深度學習的絕佳指南。

圖書目錄

前言

作者簡介

審校者簡介

第1章　基於TensorFlow 2.0的神經網路基礎1

1.1　TensorFlow是什麼1

1.2　Keras是什麼3

1.3　TensorFlow 2.0有哪些重要的改動3

1.4　神經網路概述4

1.5　感知器5

1.6　多層感知器—個神經網路示例6

1.6.1　感知器訓練的問題及對策6

1.6.2　激活函式—sigmoid函式7

1.6.3　激活函式—tanh函式7

1.6.4　激活函式—ReLU函式8

1.6.5　兩個拓展激活函式—ELU函式和LeakyReLU函式8

1.6.6　激活函式總結9

1.6.7　神經網路到底是什麼9

1.7　示例—識別手寫數字10

1.7.1　獨熱編碼10

1.7.2　在TensorFlow 2.0中定義一個簡單的神經網路10

1.7.3　運行一個簡單的TensorFlow 2.0神經網路並建立測試基線14

1.7.4　使用隱藏層改進TensorFlow 2.0的簡單神經網路15

1.7.5　利用隨機失活進一步改進Ten-sor Flow 2.0的簡單神經網路18

1.7.6　測試TensorFlow 2.0的不同最佳化器19

1.7.7　增加epoch數24

1.7.8　控制最佳化器學習率25

1.7.9　增加內部隱藏神經元的數量25

1.7.10　增加批量計算的大小26

1.7.11　手寫圖識別實驗總結26

1.8　正則化27

1.8.1　採用正則化以避免過擬合27

1.8.2　理解批量歸一化28

1.9　Google Colab—CPU、GPU和TPU29

1.10　情感分析31

1.11　超參數調諧和AutoML33

1.12　預測輸出34

1.13　反向傳播的實用概述34

1.14　我們學到了什麼35

1.15　邁向深度學習方式35

1.16　參考文獻36

第2章　TensorFlow 1.x與2.x37

2.1　理解TensorFlow 1.x37

2.1.1　TensorFlow 1.x計算圖程式結構37

2.1.2　常量、變數和占位符的使用39

2.1.3　操作對象示例40

2.1.4　TensorFlow 2.x中的TensorFlow 1.x示例43

2.2　理解TensorFlow 2.x44

2.2.1　即刻執行44

2.2.2　AutoGraph45

2.2.3　Keras API的三種編程模型47

2.2.4　回調49

2.2.5　保存模型和權重50

2.2.6　使用tf.data.datasets訓練50

2.2.7　tf.keras還是估算器53

2.2.8　不規則張量55

2.2.9　自定義訓練55

2.2.10　TensorFlow 2.x中的分散式訓練56

2.2.11　命名空間的改動59

2.2.12　1.x至2.x的轉換59

2.2.13　高效使用TensorFlow 2.x59

2.3　TensorFlow 2.x生態系統60

2.4　Keras還是tf.keras61

2.5　小結62

第3章　回歸64

3.1　什麼是回歸64

3.2　使用線性回歸進行預測65

3.2.1　簡單線性回歸65

3.2.2　多線性回歸68

3.2.3　多元線性回歸68

3.3　TensorFlow Estimator69

3.3.1　特徵列69

3.3.2　輸入函式70

3.3.3　使用TensorFlow EstimatorAPI的MNIST70

3.4　使用線性回歸預測房價71

3.5　分類任務和決策邊界75

3.5.1　logistic回歸75

3.5.2　MNIST數據集上的logistic回歸76

3.6　小結80

3.7　參考文獻80

第4章　卷積神經網路81

4.1　深度卷積神經網路81

4.1.1　局部感受野82

4.1.2　共享權重和偏差82

4.1.3　數學示例83

4.1.4　TensorFlow 2.x中的ConvNets83

4.1.5　池化層84

4.2　DCNN的示例—LeNet85

4.2.1　TensorFlow 2.0中的LeNet代碼85

4.2.2　理解深度學習的力量90

4.3　通過深度學習識別CIFAR-10圖像91

4.3.1　用更深的網路提高CIFAR-10的性能93

4.3.2　用數據增強提高CIFAR-10的性能95

4.3.3　基於CIFAR-10預測97

4.4　用於大規模圖像識別的超深度卷積網路98

4.4.1　基於VGG16神經網路識別貓100

4.4.2　使用tf.keras內置的VGG16 Net模組101

4.4.3　復用預建深度學習模型以提取特徵102

4.5　小結103

4.6　參考文獻103

第5章　高級卷積神經網路104

5.1　計算機視覺104

5.1.1　複雜任務的CNN組合104

5.1.2　用tf.keras-estimator模型對Fashion-MNIST分類111

5.1.3　在GPU上運行Fashion-MNISTtf.keras-estimator模型113

5.1.4　用於遷移學習的Deep Inception-v3 Net114

5.1.5　遷移學習：分類人和馬117

5.1.6　基於tf.keras和TensorFlow Hub的Application Zoo120

5.1.7　其他CNN架構121

5.1.8　回答有關圖像的問題124

5.1.9　風格遷移127

5.1.10　創建DeepDream網路129

5.1.11　查看深度網路學到的內容132

5.2　視頻133

5.3　文本檔案134

5.4　音頻和音樂137

5.5　卷積運算小結141

5.5.1　基本卷積神經網路141

5.5.2　空洞卷積141

5.5.3　可分離卷積141

5.5.4　深度卷積142

5.5.5　深度可分離卷積142

5.6　膠囊網路142

5.6.1　CNN有什麼問題142

5.6.2　Capsule網路有什麼新功能143

5.7　小結144

5.8　參考文獻144

第6章　生成對抗網路146

6.1　什麼是GAN146

6.2　深度卷積GAN152

6.3　一些有趣的GAN架構161

6.3.1　SRGAN161

6.3.2　CycleGAN162

6.3.3　I