深度學習｜使用 Keras (Advanced Deep Learning with Keras: Applying GANs and other new deep learning algorithms to the real world)

購買商店

深度學習｜使用 Keras (Advanced Deep Learning with Keras: Applying GANs and other new deep learning algorithms to the real world)

$442.00

馬上購買

內容描述

本書將帶領您認識各種進階的深度學習技術，以及如何建立您專屬的劃時代AI。透過Keras完成各種實做專題，您會知道如何運用最新技術來建立高效率AI服務。

本書將會介紹MLP、CNN與RNN等神經網路，這些是諸多進階技術的基石。藉由本書，您可以了解如何運用Keras與Tensorflow來實作深度學習。本書也會帶領您深入探討深度神經網路架構，包括ResNet、DenseNet以及自動編碼器。

本書後半著眼於各種對抗生成網路（GAN），以及為什麼它們可以讓AI效能更上一層樓。實作變分編碼器（VAE）之後，您就能理解如何運用GAN與VAE強大的生成能力，並合成出讓人類信以為真的合成資料。最後介紹的是深度強化學習（DRL），例如深度Q學習與策略梯度方法等等，這些對於近年AI的發展上至關重要。

本書精彩內容：
．讓AI效能足以比美人類的各種尖端技術
．使用Keras實作各種進階深度學習模型
．各種進階技術的基石 - MLP、CNN與RNN
．深度神經網路 – ResNet與DenseNet
．自動編碼器與變分編碼器（VAE）
．生成對抗網路（GAN）與各種嶄新的AI技術
．抽離語義特徵GAN與跨域GAN
．深度強化學習（DRL）的理論與實作
．使用 OpenAI gym 建立符合業界標準的應用
．深度Q學習與策略梯度方法

<序>
近年來，深度學習已在不同領域催生了數量空前的成功案例，例如視覺、語音、自然語言處理/理解/以及所有會用到大量資料的領域。諸多公司、大學、政府與研究單位對這個領域所展現的高度興趣，使得這個領域發展地愈來愈快。本書談到了深度學習領域中幾個重要的技術革新並介紹其相關理論，依序介紹了基礎背景原理、深入討論概念下的脈絡、使用Keras來實作各方程式與演算法，最後驗證其結果。
人工智慧直到今天也還談不上是一個人所皆知的領域。作為AI的一個子領域，深度學習也是一樣。雖然還遠不到成熟應用的階段，許多現實世界中的應用，像是以視覺為基礎的偵測與辨識、商品推薦、語音辨識與合成、節能、藥物探索、金融行銷等領域早已運用了各種深度學習演算法，也發現並完成了各式各樣的應用。本書的目標是向你說明各種進階概念、範例程式，好讓讀者（同時也是各自領域的專家）能鎖定目標的應用。
一個未成熟的領域好比一把雙刃劍。一面提供了大量的機會讓大家去探索與運用。深度學習還有許多懸而未決的問題，這有機會轉變成率先上市的商品、文章發表或名氣。另一面，在某項任務至關重要的環境下，要信任一個未被大眾完全理解的領域是很不容易的。這麼說吧，願意搭乘一台由深度學習系統所控制的自動駕駛飛機的機器學習工程師一定少之又少。要取得大眾這麼高的信任，還有很長一段路要走。本書中所討論的各種進階觀念很有機會在後續取得大眾信任扮演非常重要的角色。
不會有任何一本深度學習書籍有辦法涵蓋整個領域，本書也不例外。在有限的時空下，我們已帶你認識諸多有趣的領域，例如偵測、切割與辨識、影像內容理解、機率推論、自然語言處理/理解、語音合成與自動機器學習。筆者相信本書所介紹的領域已足以讓讀者們繼續深入本書未涵蓋到的內容。
在你開始閱讀本書之前，請記得這是一個精彩且足以對社會產生重大影響的領域。很幸運，我們所擁有的工作，正是每早醒來就非常期待去做的。

目錄大綱

第1章｜認識進階深度學習與Keras
介紹了深度學習領域的重要觀念，例如最佳化、正規化、損失函數、常用的網路與層以及如何用Keras來實作。本章也使用了Sequential API複習了深度學習與Keras。
第2章｜深度神經網路
介紹Keras的Functional API，並使用這個API來在Keras中驗證並實作兩款常用的深度網路架構：ResNet與 DenseNet。
第3章｜自動編碼器
介紹自動編碼器這個常見的網路架構，可用來找出輸入資料中潛在表示。本章使用Keras來討論並實作了自動編碼器的兩種應用：降噪與上色。
第4章｜生成對抗網路GAN
介紹了當前深度學習領域最重要的進展。GAN可用於生成全新的合成資料，看起來和真的一樣。本章介紹了GAN的基本原理，並使用Keras來實作了兩種GAN：DCGAN與CGAN。
第5章｜各種改良版GAN
介紹用於改良基礎GAN的各種演算法。這些演算法解決了訓練GAN時的難點，並提升了合成資料的品質。本章介紹了WGAN、LSGAN與ACGAN，並用Keras來實作。
第6章｜抽離語義特徵GAN
討論了如何控制GAN所產生之合成資料的各種屬性。在抽離了潛在特徵之後，就可以控制所要的屬性了。本章介紹了兩種抽離語義特徵技術：InfoGAN與StackedGAN，並用Keras來實作。
第7章｜跨域GAN
介紹GAN的一項實務應用：將某個領域的影像轉譯到另一個領域，也就是俗稱的跨域轉換。本章一樣使用Keras來討論並實作了CycleGAN這款廣泛運用的跨域GAN，另外也示範了如何使用CycleGAN來進行上色與風格轉換。
第8章｜變分自動編碼器
類似於GAN，VAE也是一款能夠產生合成資料的生成模型。但又有點不一樣，VAE專攻可解碼的連續型潛在空間，適合用於進行變分推論。本章也介紹並用Keras實作了VAE與其變形款：CVAE and β -VAE。
第9章｜深度強化學習
介紹強化學習與Q學習的運作原理，說明了兩種在離散型動作空間中實作Q-學習的技術：Q表更新與深度Q網路（DQN）。接著，使用Python來實作Q-學習以及用Keras來實作DQN，兩者都是在OpenAI gym環境中來完成。
第10章｜策略梯度方法
說明如何讓神經網路學會強化學習中的決策策略。本章介紹並用Keras與OpenAI gym環境實做了四種方法：REINFORCE法、具基準的REINFORCE法、動作-評價法與優勢動作-評價法（A2C）。本章的範例說明了如何在連續型動作空間中執行策略梯度方法。

作者介紹

Rowel Atienza
Dado and Maria Banatao學院的人工智慧講座教授。自從畢業於菲律賓大學之後，Rowel就深深著迷於各種智慧型機器人。Rowel的研究領域著眼於AI與電腦視覺。他的夢想是打造一台可以感知、理解與推理的機器。