返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • Keras高级深度学习 (菲)罗韦尔·阿蒂恩扎(Rowel Atienza) 著 蔡磊,潘华贤,程国建 译 专业科技
  • 新华书店正版
    • 作者: (菲)罗韦尔·阿蒂恩扎(Rowel Atienza)著 | | 蔡磊,潘华贤,程国建译
    • 出版社: 机械工业出版社
    • 出版时间:2020-05-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: (菲)罗韦尔·阿蒂恩扎(Rowel Atienza)著| 蔡磊,潘华贤,程国建译
    • 出版社:机械工业出版社
    • 出版时间:2020-05-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2020-05-01
    • 字数:416000
    • 页数:271
    • 开本:16开
    • 装帧:平装
    • ISBN:9787111647966
    • 国别/地区:中国
    • 版权提供:机械工业出版社

    Keras高级深度学习

    作  者:(菲)罗韦尔·阿蒂恩扎(Rowel Atienza) 著 蔡磊,潘华贤,程国建 译
    定  价:89
    出 版 社:机械工业出版社
    出版日期:2020年05月01日
    页  数:271
    装  帧:平装
    ISBN:9787111647966
    主编推荐

    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。

    内容简介

    本书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。 本书首先对多层感知器(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优选技术,读者将会学习null

    作者简介

    Rowel Atienza是菲律宾大学蒂利曼分校电气与电子工程学院副教授,并担任Dado和Maria Banatao研究所人工智能讲席教授。Rowel毕业于菲律宾大学,并一直对智能机器人十分着迷。他在新加坡国立大学从事AI增强四足机器人方面的工作,并以此获得工程学硕士学位。此后,他凭借其在人机交互主动视线跟踪领域的贡献,获得澳大利亚国立大学的博士学位。Rowel当前的研究重点是AI和计算视觉,他梦想着构建出可以感知、理解并推理的实用机器。Rowel获得了来自于菲律宾科学技术部(DOST)、菲律宾三星研究院和菲律宾高等教育委员会-菲律宾加利福尼亚高级研究所(CHED-PCARI)的多项科研资助。

    精彩内容

    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 ResNetv2
    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 WassersteinGAN
    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 β-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 OpenAIGym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

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购