輕鬆學會Google TensorFlow 2.0人工智慧深度學習實作開發 ,

作者:黃士嘉, 林邑撰

出版社:博碩

ISBN:9789864344178

$36.50

產品號碼: 127998 貨號: 9789864344178 分類: , 標籤: , , , , ,
  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,可輕鬆學會深度學習

  [ 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。
 

目錄

|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

作者介紹

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
 

出版地

台灣

出版日期

08/30/2019

印刷

單色印刷

版別

初版

裝訂

平裝

語系

繁體中文

頁數

304