內容簡介

深度學習：使用Keras


內容簡介

本書將帶領您認識各種進階的深度學習技術，以及如何建立您專屬的劃時代AI。透過Keras完成各種實做專題，您會知道如何運用最新技術來建立高效率AI服務。

本書將會介紹MLP、CNN與RNN等神經網路，這些是諸多進階技術的基石。藉由本書，您可以了解如何運用Keras與Tensorflow來實作深度學習。本書也會帶領您深入探討深度神經網路架構，包括ResNet、DenseNet以及自動編碼器。

本書後半著眼於各種對抗生成網路（GAN），以及為什麼它們可以讓AI效能更上一層樓。實作變分編碼器（VAE）之後，您就能理解如何運用GAN與VAE強大的生成能力，並合成出讓人類信以為真的合成資料。最後介紹的是深度強化學習（DRL），例如深度Q學習與策略梯度方法等等，這些對於近年AI的發展上至關重要。

本書精彩內容：
．讓AI效能足以比美人類的各種尖端技術
．使用Keras實作各種進階深度學習模型
．各種進階技術的基石 - MLP、CNN與RNN
．深度神經網路 – ResNet與DenseNet
．自動編碼器與變分編碼器（VAE）
．生成對抗網路（GAN）與各種嶄新的AI技術
．抽離語義特徵GAN與跨域GAN
．深度強化學習（DRL）的理論與實作
．使用 OpenAI gym 建立符合業界標準的應用
．深度Q學習與策略梯度方法

內容目錄

目錄

第1章｜認識進階深度學習與Keras
介紹了深度學習領域的重要觀念，例如最佳化、正規化、損失函數、常用的網路與層以及如何用Keras來實作。本章也使用了Sequential API複習了深度學習與Keras。

第2章｜深度神經網路
介紹Keras的Functional API，並使用這個API來在Keras中驗證並實作兩款常用的深度網路架構：ResNet與 DenseNet。

第3章｜自動編碼器
介紹自動編碼器這個常見的網路架構，可用來找出輸入資料中潛在表示。本章使用Keras來討論並實作了自動編碼器的兩種應用：降噪與上色。

第4章｜生成對抗網路GAN
介紹了當前深度學習領域最重要的進展。GAN可用於生成全新的合成資料，看起來和真的一樣。本章介紹了GAN的基本原理，並使用Keras來實作了兩種GAN：DCGAN與CGAN。

第5章｜各種改良版GAN
介紹用於改良基礎GAN的各種演算法。這些演算法解決了訓練GAN時的難點，並提升了合成資料的品質。本章介紹了WGAN、LSGAN與ACGAN，並用Keras來實作。

第6章｜抽離語義特徵GAN
討論了如何控制GAN所產生之合成資料的各種屬性。在抽離了潛在特徵之後，就可以控制所要的屬性了。本章介紹了兩種抽離語義特徵技術：InfoGAN與StackedGAN，並用Keras來實作。

第7章｜跨域GAN
介紹GAN的一項實務應用：將某個領域的影像轉譯到另一個領域，也就是俗稱的跨域轉換。本章一樣使用Keras來討論並實作了CycleGAN這款廣泛運用的跨域GAN，另外也示範了如何使用CycleGAN來進行上色與風格轉換。

第8章｜變分自動編碼器
類似於GAN，VAE也是一款能夠產生合成資料的生成模型。但又有點不一樣，VAE專攻可解碼的連續型潛在空間，適合用於進行變分推論。本章也介紹並用Keras實作了VAE與其變形款：CVAE and β -VAE。

第9章｜深度強化學習
介紹強化學習與Q學習的運作原理，說明了兩種在離散型動作空間中實作Q-學習的技術：Q表更新與深度Q網路（DQN）。接著，使用Python來實作Q-學習以及用Keras來實作DQN，兩者都是在OpenAI gym環境中來完成。

第10章｜策略梯度方法
說明如何讓神經網路學會強化學習中的決策策略。本章介紹並用Keras與OpenAI gym環境實做了四種方法：REINFORCE法、具基準的REINFORCE法、動作-評價法與優勢動作-評價法（A2C）。本章的範例說明了如何在連續型動作空間中執行策略梯度方法。