輕鬆學會Google TensorFlow 2：人工智慧深度學習實作開發（第三版）

 

　　[ 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。

 

 

　　【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

 

 

　　【學歷】

　　◎國立臺北科技大學電子工程系碩士

 

　　【經歷】

　　◎神基科技 AI工程師

　　◎工研院 特約深度學習講師

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

0.6 PyCharm IDE

 

1.1　什麼是深度學習？ 

1.2　建立專案 

1.3　TensorFlow介紹

1.4　TensorFlow 2更動

1.5　Eager Execution

1.6　Keras

1.7　tf.data

 

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

 

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

 

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

 

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

 

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

 

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

 

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

 

9.1　遷移學習

9.2　實驗：遷移學習範例

9.3　參考文獻

 

10.1 Auto-Encoder介紹

10.2 Variational Auto-Encoder介紹

10.3 Variational Auto-Encoder損失函數

10.4 實驗：Variational Auto-Encoder程式碼實現

10.5 參考文獻

 

11.1 Generative Adversarial Network

11.2 GAN、WGAN、WGAN-GP的演進

11.3 實驗：WGAN-GP程式碼實現

11.4 參考文獻

 

12.1 電腦視覺 

12.2 物件偵測介紹

12.3 物件偵測歷史進展

12.4 實驗：YOLO v3程式碼實現

12.5 參考文獻