★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。
★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。