新書推薦：
《
目的行为论导论——刑法体系的新图景（增补第4版·中文增订版）（当代世界学术名著）
》
售價：NT$
381.0
《
浮沉：里亚布申斯基家族兴衰史
》
售價：NT$
549.0
《
Android自动化测试实战：Python+Appium +unittest
》
售價：NT$
503.0
《
郭建龙亚洲三部曲：印度、穿越蒙古国、三千佛塔
》
售價：NT$
1305.0
《
工作：从平凡到非凡（原书第5版） ［英］理查德·泰普勒 陶尚芸 译
》
售價：NT$
330.0
《
带献帝去旅行--历史书写的中古风景（论衡系列）
》
售價：NT$
325.0
《
出行创新设计：概念、范式与案例
》
售價：NT$
559.0
《
爱的能力：为什么我们既渴望爱，又害怕走进爱（第13版）
》
售價：NT$
391.0
|
| 編輯推薦： |
本书适读人群：机器学习工程师，以及高等院校人工智能、数据科学、计算机科学等相关专业学生
1.作者为新加坡国立大学硕士、澳大利亚国立大学博士，有丰富的科研和实践经历。
2.书中采用大量代码和图片，代码基于Python3，提供多个实战案例。
3.关注高级深度学习技术，包括自编码器、生成对抗网络、变分自编码器和深度强化学习等。
4.赠送本书源代码和彩色图片，可通过书中前言提供的地址进行下载。
|
| 內容簡介： |
《Keras高级深度学习》是高级深度学习技术的综合指南，内容包括自编码器、生成对抗网络（GAN）、变分自编码器（VAE）和深度强化学习（DRL），在这些技术的推动下，AI于近期取得了令人瞩目的成就。
《Keras高级深度学习》首先对多层感知器（MLP）、卷积神经网络（CNN）和循环神经网络（RNN）进行了概述，这些是本书中介绍的更高级技术的构建模块。之后探索了包括ResNet和DenseNet在内的深度神经网络架构以及如何创建自编码器。读者将学习如何使用Keras和TensorFlow实现深度学习模型，并进一步实现其高级应用。随后，读者将会了解到有关GAN的所有知识，以及认识到其如何将AI性能提升到新的水平。在此之后，读者可快速了解VAE的实现方式，并将认识到GAN和VAE是如何具备生成数据的能力的，并且使所生成的数据对人类来说极具说服力。因此，该类方法已成为现代AI的一个巨大进步。为充分了解该系列相关先进技术，读者将会学习如何实现DRL，例如深度Q-Learning和策略梯度方法，这些方法对于AI在现代取得很多成就至关重要。
《Keras高级深度学习》适合想要深入了解深度学习高级主题的机器学习工程师，以及高等院校人工智能、数据科学、计算机科学等相关专业学生阅读。
|
| 目錄：
|
目 录
译者序
原书前言
第 1章 Keras高级深度学习入门
1.1 为什么 Keras是完美的深度学习库
1.1.1 安装 Keras和 TensorFlow
1.2 实现核心深度学习模型MLP、CNN和 RNN
1.2.1 MLP、CNN和 RNN之间的差异
1.3 多层感知器（MLP）
1.3.1 MNIST数据集
1.3.2 MNIST数字分类模型
1.3.3 正则化
1.3.4 输出激活与损失函数
1.3.5 优化
1.3.6 性能评价
1.3.7 模型概述
1.4 卷积神经网络（ CNN）
1.4.1 卷积
1.4.2 池化操作
1.4.3 性能评价与模型概要
1.5 循环神经网络（RNN）
1.6 小结
参考文献
第 2章 深度神经网络
2.1 函数式 API
2.1.1 创建一个两输入单输出模型
2.2 深度残差网络（ResNet）
2.3 ResNet v2
2.4 密集连接卷积网络（DenseNet）
2.4.1 为 CIFAR10数据集构建一个 100层的 DenseNet-BC网络
2.5 小结
参考文献
第 3章 自编码器
3.1 自编码器原理
3.2 使用 Keras构建自编码器
3.3 去噪自编码器（DAE）
3.4 自动色彩迁移自编码器
3.5 小结
参考文献
第 4章 生成对抗网络
4.1 GAN概要
4.2 GAN原理
4.3 Keras中的 GAN实现
4.4 条件 GAN
4.5 小结
参考文献
第 5章 改进的 GAN方法
5.1 Wasserstein GAN
5.1.1 距离函数
5.1.2 GAN中的距离函数
5.1.3 Wasserstein损失函数的使用
5.1.4 使用 Keras实现 WGAN
5.2 最小二乘 GAN（LSGAN）
5.3 辅助分类器 GAN（ACGAN）
5.4 小结
参考文献
第 6章 分离表示 GAN
6.1 分离表示
6.2 InfoGAN
6.3 在 Keras中实现 InfoGAN
6.4 InfoGAN生成器的输出
6.5 StackedGAN
6.6 在 Keras中实现 StackedGAN
6.7 StackedGAN的生成器输出
6.8 小结
参考文献
第 7章 跨域 GAN
7.1 CycleGAN原理
7.1.1 CycleGAN模型
7.1.2 使用 Keras实现 CycleGAN
7.1.3 CycleGAN生成器的输出
7.1.4 CycleGAN用于 MNIST和 SVHN数据集
7.2 小结
参考文献
第 8章 变分自编码器
8.1 VAE原理
8.1.1 变分推断
8.1.2 核心公式
8.1.3 优化
8.1.4 再参数化的技巧
8.1.5 解码测试
8.1.6 VAE的 Keras实现
8.1.7 将 CNN应用于 VAE
8.2 条件 VAE CVAE
8.3 -VAE：可分离的隐式表示VAE
8.4 小结
参考文献
第 9章 深度强化学习
9.1 强化学习原理
9.2 Q值
9.3 Q-Learning例子
9.3.1 用 Python实现Q-Learning
9.4 非确定性环境
9.5 时序差分学习
9.5.1 OpenAI Gym中应用 Q-Learning
9.6 深度Q网络（DQN）
9.6.1 用 Keras实现 DQN
9.6.2 双 Q-Learning（DDQN）
9.7 小结
参考文献
第 10章 策略梯度方法
10.1 策略梯度定理
10.2 蒙特卡罗策略梯度（REINFORCE）方法
10.3 基线 REINFORCE方法
10.4 Actor-Critic方法
10.5 优势 Actor-Critic方法
10.6 Keras中的策略梯度方法
10.7 策略梯度方法的性能评估
10.8 小结
参考文献
|
| 內容試閱：
|
近年来，深度学习在视觉、语音、自然语言处理与理解等存在大量数据处理的难题中取得了空前的成功，进而引起了公司、高校和政府对该领域的研究兴趣，从而更加加速了该领域的发展。本书精选了深度学习当中一些高级内容。在本书中，这些高级理论通过介绍背景原理、挖掘概念背后的直观表述、使用Keras实现公式和算法并对实验结果进行检验的方式来进行讲述。
纵观今日，人工智能（ Artificial Intelligence, AI）仍不是一个易于理解的领域。深度学习作为AI的子领域，面临着相同的境遇。尽管深度学习还不是一个成熟的领域，但很多现实世界的应用，例如基于视觉的检测和识别、产品推荐、语音识别与合成、节能、药品开发、金融和市场营销，已经成功使用了深度学习算法。此外，更多的相关应用还会源源不断地被挖掘并实现。本书的目的就是尝试解释相关高级概念，并给出实现示例，让专家在其领域内识别出所需的应用目标。
尚未完全成熟的领域是一把双刃剑。一方面，它为探索和利用提供了诸多机会。深度学习中尚存大量未解决的问题。这些问题可转变为率先进入市场的机会，如产品开发、发布或认可。然而，另一方面，某些关键任务环境中很难信任一个尚未完全理解的领域。当被问及时，我们可以肯定地说，仅有极少数的机器学习工程师愿意去乘坐一架由深度学习系统所控制的自动驾驶飞机。要达到这种信任级别，还有很多工作需要去做。《Keras高级深度学习》中所讨论的高级概念，很有可能为达到这种信任级别而扮演了重要的角色。
深度学习的每一本书都不可能完全覆盖整个领域，《Keras高级深度学习》也是如此。在给定的时间和空间内，我们会接触到一些有趣的领域，例如检测、分割和识别、视觉理解、概率推理、自然语言处理和理解、语音合成以及自动机器学习。然而，本书相信，对这些精选领域的认知将有助于读者从事其他未涵盖的领域。
作为将要阅读《Keras高级深度学习》的读者，需谨记，您选择了一个令人兴奋的领域，并可以对社会产生重大的影响。我们很有幸，能从事一份早晨起来便迫不及待想为之奋斗的工作。
本书适用的读者
《Keras高级深度学习》面向希望深入了解深度学习高级主题的机器学习工程师和学生。书中所探讨的内容都通过 Keras代码进行了补充说明。本书适合那些想了解如何将理论通过 Keras转化成为可实际运行代码的读者。除了理解理论外，代码实现通常是将机器学习应用于实际问题的艰巨任务之一。
本书所覆盖的内容
第1章，Keras高级深度学习入门，介绍了深度学习的相关概念，例如优化、正则化、损失函数、基本层和网络，以及这些概念在Keras中的实现。本章同时介绍了深度学习和Keras中的Sequential API。
第2章，深度神经网络，讨论了Keras函数式API的应用，并使用函数式API在Keras中进行了检验，实现了两种广泛使用的深度网络架构ResNet和 DenseNet。
第3章，自编码器，涵盖了自编码器的通用网络架构，该架构用于发现输入数据的潜在表示。在Keras中讨论并实现了自编码器的两个示例应用，即去噪和色彩迁移。
第4章，生成对抗网络，讨论了深度学习最新的重大进展之一。生成对抗网络（GAN）用于生成以假乱真的新数据。本章介绍了GAN的原理，并在Keras中检验和实现了GAN的两个示例DCGAN和 CGAN。
第5章，改进的 GAN方法，介绍了对基本GAN进行改进的算法。该算法解决了GAN训练方面的困难，并提高了所合成数据的感知质量。
第6章，分离表示GAN，讨论了如何控制GAN所生成的合成数据的属性。如果潜表示可被分离，则属性可控制。在Keras中介绍并实现了两种解表征的技术，即InfoGAN和StackedGAN。
第7章，跨域 GAN，覆盖了GAN的一个实际应用，它可将图像从一个域转换到另一个域，该过程称为跨域转换。
第8章，变分自编码器，讨论了深度学习近期的另一个重大进展。与GAN类似，变分自编码器（VAE）是一个用于产生合成数据的生成模型。但与GAN不同的是， VAE专注于可解码的连续潜空间，该空间适用于变分推断。在Keras中涵盖并实现了VAE及其变种算法CVAE和-VAE。
第9章，深度强化学习，介绍了强化学习和Q-Learning的原理，提出了在离散动作空间实施Q-Learning的两种技术Q-Table更新和深度Q网络（DQN）。在Keras中使用Python和DAN对所实现的Q-Learning方法在OpenAI Gym环境下进行了演示。
第10章，策略梯度方法，介绍了如何使用神经网络对强化学习中的决策策略进行学习。在Keras和OpenAI Gym环境下实现了四种方法，分别是REINFORCE、基线REIN-FORCE、Actor-Critic和优势Actor-Critic。本章中的示例演示了在连续动作空间中的策略梯度方法。
如何充分利用本书
.深度学习和Python：读者应具备深度学习及其在Python中进行实现的基础知识。如果有使用过Keras实现深度学习算法的经验更好，但非必须。第1章介绍了深度学习的概念及其在Keras中的实现。
.数学：《Keras高级深度学习》中讨论的内容假设读者熟悉大学级别的微积分、线性代数、统计和概率论。
.GPU：《Keras高级深度学习》中绝大多数Keras实现都需要GPU。没有GPU，将会花费大量时间（数小时至数天），因此，很多代码示例的执行将不切实际。本书中的示例尽可能控制所使用数据的大小，以尽量减少使用高性能计算机的可能。推荐读者至少使用NVIDIA GTX 1060的显卡辅助计算。
.编辑器：《Keras高级深度学习》中的示例代码使用了Ubuntu Linux 16.04 LTS、Ubuntu Linux 17.04和macOS High Sierra中的vim进行编辑。任何支持 Python的编辑器都可行。
.TensorFlow： Keras需要一个后端。《Keras高级深度学习》中的所有示例代码采用以TensorFlow为后端的Keras完成。请确保GPU驱动和TensorFlow都正确安装。
.GitHub：为能通过示例和相关实验进行学习，请使用git pull或fork命令从GitHub代码库中获取《Keras高级深度学习》的代码集。获取成功后，可进行检验、运行、更改并再次运行。可通过调整示例代码的方式去完成所有创造性的实验。这也是领会章节中所展示理论知识的唯一方法。如果您能为本书的GitHub代码库加星点赞，我们将十分感激。
下载代码文件
《Keras高级深度学习》的代码集存放在 GitHub，可通过以下网址进行访问：
https：github.comPacktPublishingAdvanced-Deep-Learning-with-Keras
下载彩色图片
我们也提供《Keras高级深度学习》所涉及的截屏和流程图的彩色图片PDF文件。可从以下网址下载：
http：www.packtpub.comsitesdefault.lesdownloads9781788629416_ColorImages.pdf
目前业界与学界流行的热词是 ABCDIV（A人工智能、B区块链、C云计算、D数据科学与大数据、I物联网、V虚拟现实），而人工智能则包含了机器学习与深度学习。三位深度学习之父 Yoshua Bengio、Yann LeCun、Geoffrey Hinton因他们在神经计算领域的突出贡献获得了 2019年度计算机科学界的最高奖图灵奖。今天，深度学习已经成为人工智能技术领域最重要的技术之一。在最近数年中，计算机视觉、语音识别、自然语言处理和机器人技术取得的巨大进展都离不开深度学习。
Keras的命名来自古希腊语，含义为将梦境化为现实的牛角之门。出自《荷马史诗奥德赛》第19卷佩涅洛佩与奥德修斯的对话无法挽留的梦幻拥有两座门，一座门由牛角制成，一座门由象牙制成。象牙之门内光彩夺目，却仅是无法实现的梦境；唯有走进牛角之门，才能由梦境看见真实。Keras是一款用Python编写的AIML（人工智能与机器学习）深度学习函数库及API，它能够以开源平台TensorFlow、CNTK、Theano等作为后端运行。Keras的特点是支持敏捷开发及快速AIML实验环境搭建。它允许简单而快速的原型设计，可在CPU和GPU上无缝运行，能够以最小的时延把您的想法转换为实验结果。它允许实践者以尽可能少的限制将各模块组装在一起形成需要的网络结构，诸如神经网络层数、损失函数、优化器、初始化方法、激活函数、正则化方法等都可以结合起来构造成为新的集成模型，从而轻松地创建可以提高表现力的新模块。
《Keras高级深度学习》内容涵盖了AIML前沿技术介绍；使用Keras实现高级深度学习模块的集成；多层感知器（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）等模块的构建与组合；自编码器和变分自编码器（VAE）；生成对抗网络（GAN）及其AI实现技术；分离表示GAN和跨域 GAN；深度强化学习的方法及其实现；使用 OpenAI Gym产生符合行业标准的应用；深度 Q-Learning和策略梯度方法等。
《Keras高级深度学习》适合于本科院校作为培训教材，对研究生课题及其实现也有极大的帮助；对自学及实战者也是不可多得的辅助参考。本书的翻译出版得益于机械工业出版社刘星宁老师的推荐与鼓励，在此特致感谢。译者的几位在读研究生在全书的初稿形成、图表编辑等诸多方面给予了帮助，在此一并致谢。
由于译者水平有限、加之AIML领域新兴概念繁多，难免误译或词不达意，敬请读者赐教与原谅。
译 者
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
