【缺書】NT售價: 345 元
本書討論使用TensorFlow和Keras等框架構建深度學習應用程序,集中于所需的模型和算法,幫助你在短時間內提高實踐技能。內容涵蓋了聊天機器人、自然語言處理、人臉和對象識別等主題。目標是提供創建能夠執行深度學習的程序所需的概念、技術和算法實現。
序第1章 TensorFlow基礎 11.1 張量 21.2 計算圖與會話 21.3 常量、占位符與變量 41.4 占位符 61.5 創建張量 81.5.1 固定張量 91.5.2 序列張量 111.5.3 隨機張量 111.6 矩陣操作 121.7 激活函數 131.7.1 雙曲正切函數與Sigmoid函數 131.7.2 ReLU與ELU 151.7.3 ReLU6 151.8 損失函數 171.8.1 損失函數實例 181.8.2 常用的損失函數 181.9 優化器 191.9.1 優化器實例 201.9.2 常用的優化器 211.10 度量 21??1.10.1 度量實例 22??1.10.2 常用的度量 22第2章 理解并運用Keras 252.1 深度學習模型構建的主要步驟 252.1.1 載入數據 262.1.2 預處理數據 272.1.3 定義模型 272.1.4 編譯模型 292.1.5 擬合模型 292.1.6 評估模型 302.1.7 預測 302.1.8 保存與重載模型 312.1.9 可選:總結模型 312.2 改進Keras模型的附加步驟 322.3 Keras聯合TensorFlow 33第3章 多層感知機 353.1 人工神經網絡 353.2 單層感知機 373.3 多層感知機 373.4 邏輯斯諦回歸模型 38第4章 TensorFlow中的回歸到MLP 454.1 TensorFlow搭建模型的步驟 454.2 TensorFlow中的線性回歸 464.3 邏輯斯諦回歸模型 494.4 TensorFlow中的多層感知機 52第5章 Keras中的回歸到MLP 555.1 對數-線性模型 555.2 線性回歸的Keras神經網絡 565.3 邏輯斯諦回歸 585.3.1scikit-learn邏輯斯諦回歸 585.3.2邏輯斯諦回歸的Keras神經網絡 595.3.3流行的MNIST數據:Keras中的邏輯斯諦回歸 605.4 基于Iris數據的MLP 625.4.1 編寫代碼 625.4.2構建一個序列Keras模型 635.5基于MNIST數據的MLP數字分類 665.6 基于隨機生成數據的MLP 68第6章 卷積神經網絡 716.1 CNN中的各種層 716.2 CNN結構 74第7章 TensorFlow中的CNN 777.1為什么用TensorFlow搭建CNN模型 777.2基于MNIST數據集搭建圖片分類器的TensorFlow代碼 787.3 使用高級API搭建CNN模型 82第8章 Keras中的CNN 838.1在Keras中使用MNIST數據集搭建圖片分類器 838.1.1 定義網絡結構 858.1.2 定義模型架構 858.2使用CIFAR-10數據集搭建圖片分類器 868.2.1 定義網絡結構 878.2.2 定義模型架構 888.3 預訓練模型 89第9章 RNN與LSTM 919.1 循環神經網絡的概念 919.2 長短時記憶網絡的概念 939.3 LSTM常見模式 939.4 序列預測 949.4.1 數字序列預測 949.4.2 序列分類 959.4.3 序列生成 959.4.4 序列到序列預測 959.5利用LSTM模型處理時間序列預測問題 96第10章 語音-文本轉換及其逆過程 10110.1 語音-文本轉換 10110.2 語音數據 10210.3語音特征:將語音映射為矩陣 10310.4聲譜圖:將語音映射為圖像 10410.5利用MFCC特征構建語音識別分類器 10410.6利用聲譜圖構建語音識別分類器 10510.7 開源方法 10610.8 使用API的例子 10710.8.1 使用PocketSphinx 10710.8.2使用Google Speech API 10810.8.3使用Google Cloud Speech API 10810.8.4 使用Wit.ai API 10810.8.5 使用Houndify API 10910.8.6使用IBM Speech to Text API 10910.8.7使用Bing Voice Recognition API 11010.9 文本-語音轉換 11010.9.1 使用pyttsx 11010.9.2 使用SAPI 11110.9.3 使用SpeechLib 11110.10 音頻剪輯代碼 11110.11 認知服務提供商 11210.11.1 Microsoft Azure 11310.11.2 Amazon Cognitive Services 11310.11.3 IBM Watson Services 11310.12 語音分析的未來 113第11章 創建聊天機器人 11511.1 為什么是聊天機器人 11611.2 聊天機器人的設計和功能 11611.3 構建聊天機器人的步驟 11611.3.1 預處理文本和消息 11711.3.2用API構建聊天機器人 13011.4聊天機器人開發的最佳實踐 13311.4.1 了解潛在用戶 13311.4.2讀入用戶情感使得機器人情感更豐富 133第12章 人臉檢測與識別 13512.1人臉檢測、人臉識別與人臉分析 13512.2 OpenCV 13612.2.1 特征臉 13712.2.2 LBPH 13712.2.3 費歇臉 13812.3 檢測人臉 13912.4 跟蹤人臉 14112.5 人臉識別 14412.6 基于深度學習的人臉識別 14712.7 遷移學習 14912.7.1為什么要用遷移學習 15012.7.2 遷移學習實例 15012.7.3 計算遷移值 15212.8 API 158附錄1 圖像處理的Keras函數 161附錄2 可用的優質圖像數據集 165附錄3 醫學成像:DICOM文件格式 167