预购商品
书目分类
特别推荐
♔初學者更容易上手的TensorFlow 2.0 ♔透過Keras API可更加容易且快速搭建網路 ♔運用TensorFlow 2.0和Keras API的強大靈活性和控制性 ♔解析業界和學術界最流行的生成模型－VAE、GAN [ TensorFlow 2.0語法更簡潔 ]學習門檻較低，使初學者更容易上手 [ TensorFlow 2.0支援多個平台 ]可以在多種平台上訓練生成的網路模型 [ TensorFlow 2.0內建Keras高階API ]Keras與TensorFlow的相容性、方便性和效率更高 [ TensorFlow 2.0簡化API ]只保留tf.keras，清除較少人使用和重複的API 在人工智慧（AI）的時代，TensorFlow已經成為深度學習開發的主流程式庫，其功能強大、運算效率高、支援多個平台，造就了業界和學術界的廣泛使用。然而，TensorFlow 1.x版的學習門檻高，對於剛入門的初學者來說相當難上手，針對這個問題，Google開發團隊推出了TensorFlow 2.0版。TensorFlow 2.0引入了Eager Execution動態圖模式、Keras高階API和tf.data等三個功能，讓學習門檻大幅降低。本書使用最新的TensorFlow 2.0深度學習套件，並透過十二個章節的內容，讓讀者同時學習到理論與實務應用。 拿起這本書，你將學到： ◎利用TensorFlow Keras API，並能充分理解使用簡潔指令、自由組合且容易擴展的模塊化API的優勢。 ◎利用tf.data資料輸入管道，速度更快、更簡單。 ◎學習TensorFlow高階技巧：客製化網路層、損失函數、指標函數和回調函數。 ◎學習TensorBoard高階技巧：TensorBoard低階API和超參數調校工具。 ◎使用TensorFlow Datasets資料集平台，更方便下載和使用。 ◎使用TensorFlow Hub開放預訓練模型平台，更方便搭建和使用預訓練權重。 ◎了解神經網路反向傳遞的原理。 ◎了解及實作全連接神經網路。 ◎了解及實作卷積神經網路。 ◎了解及實作遷移學習任務。 ◎掌握訓練網路的技巧：權重初始化的重要性、權重正規化、Dropout、Batch Normalization。 ◎運用深度學習經典網路架構：LeNet、AlexNet、VGG、GoogLeNet和ResNet。 ◎生成模型：AE、VAE、GAN、WGAN、WGAN-GP全面解說和實作。
|CHAPTER 00| 環境安裝 0.1 Python安裝 0.2 TensorFlow安裝 0.3 Python擴充套件安裝 0.4 Jupyter Notebook 0.5 GitHub程式碼 |CHAPTER 01| TensorFlow 2.0介紹 1.1 什麼是深度學習？ 1.2 建立專案 1.3 TensorFlow介紹 1.4 TensorFlow 2.0更動 1.5 Eager Execution 1.6 Keras 1.7 tf.data |CHAPTER 02| 迴歸問題 2.1 深度神經網路 2.2 Kaggle介紹 2.3 實驗一：房價預測模型 2.4 TensorBoard介紹 2.5 實驗二：過擬合問題 2.6 參考文獻 |CHAPTER 03| 二元分類問題 3.1 機器學習的四大類別 3.2 二元分類問題 3.3 實驗：精靈寶可夢對戰預測 3.4 參考文獻 |CHAPTER 04| 多類別分類問題 4.1 卷積神經網路 4.2 多類別分類問題 4.3 實驗：CIFAR-10影像識別 4.4 參考文獻 |CHAPTER 05| 神經網路訓練技巧 5.1 反向傳遞 5.2 權重初始化 5.3 Batch Normalization 5.4 實驗一：使用CIFAR-10資料集實驗三種權重初始化方法 5.5 實驗二：使用CIFAR-10資料集實驗Batch Normalization方法 5.6 總結各種網路架構的性能比較 5.7 參考文獻 |CHAPTER 06| TensorFlow 2.0進階技巧 6.1 TensorFlow進階技巧 6.2 Keras高階API與客製化API比較 6.3 實驗：比較Keras高階API和客製化API兩種網路訓練的結果 |CHAPTER 07| TensorBoard進階技巧 7.1 TensorBoard進階技巧 7.2 實驗一：使用tf.summary.image記錄訓練結果 7.3 實驗二：使用TensorBoard超參數調校工具來訓練多個網路模型 |CHAPTER 08| 卷積神經網路經典架構 8.1 神經網路架構 8.2 實驗：實作Inception V3網路架構 8.3 參考文獻 |CHAPTER 09| 遷移學習 9.1 遷移學習 9.2 實驗：遷移學習範例 9.3 參考文獻 |CHAPTER 10| Variational Auto-Encoder 10.1 Auto-Encoder介紹 10.2 Variational Auto-Encoder介紹 10.3 Variational Auto-Encoder損失函數 10.4 實驗：Variational Auto-Encoder程式碼實現 10.5 參考文獻 |CHAPTER 11| Generative Adversarial Network 11.1 Generative Adversarial Network 11.2 GAN、WGAN、WGAN-GP的演進 11.3 實驗：WGAN-GP程式碼實現 11.4 參考文獻
作者簡介 黃士嘉 【經歷】 ◎國立臺北科技大學電子工程系教授 ◎加拿大安大略理工大學國際客座教授 ◎IEEE Sensors Journal國際期刊編輯 ◎IEEE BigData Congress國際會議主席 ◎IEEE CloudCom Conference國際會議主席 【獲獎】 ◎經濟部第5屆國家產業創新獎 ◎ACM臺灣分會，李國鼎青年研究獎 ◎國立臺北科技大學電資學院，院傑出研究獎 ◎國立臺北科技大學，校傑出研究獎 ◎國立臺北科技大學，Dr.Shechtman年輕學者獎 林邑撰 【學歷】 ◎國立臺北科技大學電子工程系碩士
客服公告
热门活动
订阅电子报
