輕鬆學會 Google TensorFlow 2 人工智慧深度學習實作開發, 3/e

內容描述

---

♔深入探討使用於自駕車的核心技術─先進駕駛輔助系統(ADAS)的物件偵測模型
♔運用TensorFlow 2和Keras API的強大靈活性和控制性

[ TensorFlow 2語法更簡潔 ]學習門檻較低，使初學者更容易上手
[ TensorFlow 2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內建Keras高階API ]Keras與TensorFlow的相容性、方便性和效率更高
[ TensorFlow 2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TensorFlow 2。TensorFlow 2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深度學習套件，並透過十三個章節的內容，讓讀者同時學習到理論與實務應用。

【本書精彩內容】
◎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。
◎了解R-CNN、Fast R-CNN、Faster R-CNN、YOLO v1、SSD、YOLO v2、FPN、RetinaNet、Mask R-CNN、YOLO v3、CornetNet、CFF-SSD 和DSNet等代表性的物件偵測架構。
◎實現YOLO v3物件偵測方法。

目錄大綱

---

|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
0.6 PyCharm IDE

|CHAPTER 01| TensorFlow 2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

|CHAPTER 12| Object Detection
12.1 電腦視覺
12.2 物件偵測介紹
12.3 物件偵測歷史進展
12.4 實驗：YOLO v3程式碼實現
12.5 參考文獻

作者介紹

---

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

【經歷】
◎神基科技 AI工程師
◎工研院 特約深度學習講師

---