TensorFlow和Keras深度學習案例(第3版)

孫琳

TensorFlow和Keras深度學習案例(第3版)

相關主題

商品描述

本書是面向軟件工程師 與數據科學家的深度學習實 戰讀物，全書兼具簡明性與 全面性，系統梳理現代神經 網絡、人工智能核心知識與 深度學習主流技術脈絡，重 點覆盤了過去六年深度學習 領域的技術演進路徑，打破 純理論講解的枯燥框架，以 大量落地實操案例為核心載 體，完整拆解基於Keras API的TensorFlow生態在深 度學習項目中的落地方法。

目錄大綱

第1章 使用TensorFlow神經網絡
1.1 TensorFlow
1.2 Keras
1.3 神經網絡
1.4 感知器
1.5 多層感知器： 個網絡示例
1.6 真實示例：識別手寫數字
1.7 正則化
1.8 使用Google Colab：CPU、GPU和TPU
1.9 情感分析
1.10 預測輸出
1.11 反向傳播的實際概述
1.12 走向深度學習
1.13 總結
參考文獻
第2章 回歸和分類
2.1 回歸
2.2 使用線性回歸進行預測
2.3 神經網絡用於線性回歸
2.4 分類任務和決策邊界
2.5 總結
參考文獻
第3章 卷積神經網絡
3.1 深度卷積神經網絡
3.2 DCNN的示例：LeNet
3.3 使用深度學習識別CIFAR-10圖像
3.4 用於大規模圖像識別的超深卷積網絡
3.5 深度InceptionV3網絡的遷移學習
3.6 其他CNN架構
3.7 風格遷移
3.8 總結
參考文獻
第4章 詞嵌入
4.1 詞嵌入的起源和基本概念
4.2 分布式表示法
4.3 靜態嵌入
4.4 使用Gensim創建自己的嵌入
4.5 使用Gensim探索嵌入空間
4.6 使用詞嵌入進行垃圾郵件檢測
4.7 神經嵌入——不僅僅用於單詞
4.8 字符和子詞嵌入
4.9 動態嵌入
4.10 句子和段落的嵌入
4.11 基於語言模型的嵌入
4.12 使用BERT作為特征提取器
4.13 總結
參考文獻
第5章 循環神經網絡
5.1 基本RNN單元
5.2 RNN單元的變體
5.3 RNN變體
5.4 RNN拓撲結構
5.5 編碼器-解碼器架構——seq2seq
5.6 註意力機制
5.7 總結
參考文獻
第6章 Transformers
6.1 架構
6.2 Transformer的架構
6.3 預訓練
6.4 流行和知名模型概述
6.5 實施
6.6 評估
6.7 優化
6.8 常見陷阱：做和不做
6.9 Transformer的未來
6.10 總結
第7章 無監督學習
7.1 主成分分析
7.2 K均值聚類
7.3 自組織映射
7.4 受限玻耳茲曼機
7.5 總結
參考文獻
第8章 自編碼器
8.1 自編碼器簡介
8.2 基本編碼器
8.3 稀疏自編碼器
8.4 去噪自編碼器
8.5 堆疊自編碼器
8.6 變分自編碼器
8.7 總結
參考文獻
第9章 生成模型
9.1 什麼是GAN
9.2 深度卷積GAN
9.3 一些有趣的GAN架構
9.4 GAN的酷炫應用
9.5 TensorFlow中的CycleGAN
9.6 基於流的數據生成模型
9.7 數據生成的擴散模型
9.8 總結
參考文獻
0章 自監督學習
10.1 先前的工作
10.2 自監督學習
10.3 自預測
10.4 對比學習
10.5 預設任務
10.6 總結
參考文獻
1章 強化學習
11.1 對RL的介紹
11.2 RL的仿真環境
11.3 OpenAIGym簡介
11.4 深度Q網絡
11.5 深度確定性策略梯度
11.6 總結
參考文獻
2章 概率TensorFlow
12.1 TensorFlowProbability
12.2 TensorFlowProbability分布
12.3 總結
參考文獻
3章 自動機器學習簡介
13.1 什麼是AutoML
13.2 實現AutoML
13.3 自動數據準備
13.4 自動特征工程
13.5 自動模型生成
13.6 AutoKeras
13.7 GoogleCloudAutoML和VertexAI
13.8 總結
參考文獻
4章 深度學習背後的數學
14.1 歷史
14.2 一些數學工具
14.3 激活函數
14.4 反向傳播
14.5 關於TensorFlow和自動微分
14.6 總結
參考文獻
5章 張量處理單元
15.1 C/G/T處理單元
15.2 四代TPU以及EdgeTPU
15.3 TPU性能
15.4 如何在Colab中使用TPU
15.5 使用預訓練的TPU模型
15.6 總結
參考文獻
6章 其他有用的深度學習庫
16.1 HuggingFace
16.2 OpenAI
16.3 PyTorch
16.4 ONNX
16.5 H2O
16.6 總結
7章 圖神經網絡
17.1 圖的基礎知識
17.2 圖機器學習
17.3 圖卷積——GNN背後的直覺
17.4 常見的圖層
17.5 常見的圖應用
17.6 圖形自定義
17.7 未來的方向
17.8 總結
參考文獻
8章 機器學習 實踐
18.1 實踐的必要性
18.2 數據 實踐
18.3 模型 實踐
18.4 總結
參考文獻
9章 TensorFlow2生態系統
19.1 TensorFlowHub
19.2 TensorFlow數據集
19.3 TensorFlowLite
19.4 TensorFlowLite中的預訓練模型
19.5 邊緣聯邦學習概述
19.6 TensorFlow.js
19.7 總結
參考文獻
第20章 卷積神經網絡
20.1 為覆雜任務組合CNN
20.2 應用程序動物園與tf.Keras和TensorFlowHub
20.3 回答有關圖像的問題（視覺問答）
20.4 創建DeepDream網絡
20.5 檢查網絡學習到的內容
20.6 視頻
20.7 文本文檔
20.8 音頻和音樂
20.9 卷積運算摘要
20.10 膠囊網絡
20.11 總結
參考文獻

類似商品