深度學習: 使用TensorFlow 2.x | 誠品線上

深度學習: 使用TensorFlow 2.x

內容簡介

內容簡介 深度學習是人工智慧(AI)中發展最快速的領域之一，其主要原因是因為深度學習技術模擬了人類大腦的神經網路運作。近年來由於圖形處理器(GPU)的興起，改善了電腦的運算速度，因此各式各樣的神經網路一一出現，而這些神經網路也被應用在我們常用的一些應用產品，例如：文字辨識、語音辨識、垃圾郵件過濾、翻譯等。書中先講述AI概論、Tensorflow的安裝、張量的基礎應用到進階應用，讓讀者能夠先掌握Tensorflow，接著經由Tensorflow來講述深度學習的各種實作項目，如類神經網路、神經網路的優化與調教、卷積神經網路及循環神經網路，藉此能夠將Tensorflow活用，並且對深度學習有更進一步的認識。本書適用於大學、科大資工、電機、電子系「深度學習」(且使用TensorFlow 2.x)課程使用。

產品目錄

產品目錄 CH1 人工智慧概論1-1 人工智慧的興起1-2 機器學習(Machine Learning ,ML)概述1-3 深度學習(Deep Learning ,DL)1-4 人工智慧應用領域CH2 Tensorflow環境安裝與介紹2-1 Tensorflow 簡介2-2 Keras 簡介2-3 開發環境安裝CH3 常用工具介紹3-1 NumPy 介紹3-2 Matplotlib 介紹3-3 Pandas 介紹CH4 張量的基礎與進階應用4-1 張量(tensor)介紹4-2 數據類型介紹4-3 張量的各種運算CH5 類神經網路5-1 類神經網路(Neural Network, NN)簡介5-2 激勵函數(Activation Function)介紹5-3 神經網路(多層感知機 Multilayer perceptron, MLP)5-4 網路參數的優化5-5 神經網路訓練實例(MNIST 手寫數字辨識)5-6 使用keras 模組實現神經網路訓練(Fashion MNIST 識別)5-7 網路的保存與載入CH6 神經網路的優化與調教6-1 過擬合(overfitting)與欠擬合(underfitting)問題6-2 數據集劃分6-3 提前停止(Early stopping)6-4 設定模型層數對6-5 使用Dropout6-6 使用正則化(regularization)6-7 數據增強(Data Augmentation)CH7 卷積神經網路7-1 淺談卷積神經(Convolutional Neural Network)網路7-2 卷積層(Convolution Layer)7-3 池化層(Pooling Layer)7-4 Flatten(展平)與Dense(全連接)層7-5 卷積神經網路實作(LeNet-5 實作)7-6 常見卷積神經網路(一)－AlexNet 網路7-7 常見卷積神經網路(二)－VGG 網路7-8 常見卷積神經網路(三)－GoogLeNet 網路7-9 常見卷積神經網路(四)－ResNet 網路7-10 常見卷積神經網路(五)－DenseNet 網路CH8 循環神經網路8-1 淺談循環神經網路8-2 循環神經網路(Recurrent Neural Network)8-3 循環神經網路(RNN)的梯度消失與爆炸8-4 長短期記憶(Long Short-Term Memory, LSTM)8-5 門控循環單元(Gate Recurrent Unit, GRU)

商品規格

最佳賣點

最佳賣點 : 1.由淺入深的神經網路介紹，並利用Python語法完成各模型的架設
2.使用最新的Tensorflow 2.x 版本，並在利用簡短的程式範例了解網路模型
3.配合常見的訓練資料庫訓練，讓網路訓練的過程中更加貼近日常生活
4.圖表分析，讓使用者清楚瞭解網路訓練情況

活動

• 4/24前 全站滿$1,500享92折
• 4/24前 全站滿$3,000享9折