消息首页搜索举报

keras深度学人工智能作者

深度学技术综合指南，代码基于python3，多个实战案例，可下载全书源代码和彩图

51.45 5.8折 89 全新

库存5件

北京丰台

认证卖家担保交易快速发货售后保障

作者作者

出版社机械工业出版社

ISBN9787111647966

出版时间2020-05

版次1

装帧平装

开本16

页数271页

字数416千字

定价89元

货号xhwx_1202067131

上书时间2024-10-19

智胜图书专营店

七年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 27小时
好评率暂无

最新上架

功夫熊猫卡通漫画童趣出版有限公司编 ¥15.05

大出风头的子儿童文学车培晶 ¥11.35

路边数据分析:深度学交通运输 (澳)布里杰什·维尔马,张立刚,(澳)大卫·斯托克韦尔 ¥54.05

浮云魅影武侠小说常博涵 ¥24.25

剑来(第3辑)(15-21) 中国科幻,侦探小说烽火戏诸侯 ¥116.45

投资学(第2版) 大中专理科计算机黄福广,李西文编 ¥40.55

酒水服务实务 mooc版大中专文科经管王晓洋,宋桂友编 ¥28.55

子曹泽毅2021观点妇产科曹泽毅 ¥57.75

药食同源与健康家庭保健洪巧瑜,樊长征,卜训生编 ¥34.95

商品详情

品相描述：全新: 正版特价新书

商品描述: 主编：

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.关注深度学技术，包括自、生成对抗网络、变分自和深度强化学等。4.本书源代码和彩图片，可通过书中前言提供的地址进行下载。

目录：

译者序

原书前言

章  keras深度学入门

1.1  为什么keras是的深度学库

1.1.1  安装keras和tensorflow

1.2  实现核心深度学模型——mlp、n和rnn

1.2.1  mlp、n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  能评价

1.3.7  模型概述

1.4  卷积神经网络（n）

1.4.1  卷积

1.4.2  池化作

1.4.3  能评价与模型概要

1.5  循环神经网络（rnn）

1.6  小结

参文献

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（res）

2.3  resv2

2.4  密集连接卷积网络（dense)）

2.4.1  为cifar10数据集构建一个100层的dense-bc网络

2.5  小结

参文献

第3章  自

3.1  自

3.2  使用keras构建自

3.3  去噪自（dae）

3.4  自动彩迁移自

3.5  小结

参文献

第4章  生成对抗网络

4.1  gan概要

4.2  gan

4.3  keras中的gan实现

4.4  条件gan

4.5  小结

参文献

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  小二乘gan（lsgan）

5.3  辅助分类器gan（acgan）

5.4  小结

参文献

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

参文献

第7章  跨域gan

7.1  cyclegan

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

参文献

第8章  变分自

8.1  vae

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

8.1.5  解码测试

8.1.6  vae的keras实现

8.1.7  将n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

参文献

第9章  深度强化学

9.1  强化学

9.2  q值

9.3  q-learning例子

9.3.1  用python实现q-learning

9.4  非确定环境

9.5  时序差分学

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

参文献

0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  策略梯度方法的能评估

10.8  小结

参文献

内容简介：

本书是深度学技术的综合指南，内容包括自、生成对抗网络（gan）、变分自（vae）和深度强化学（drl），在这些技术的推动下，ai于近期取得了令人瞩目的成。
    本书首先对多层感知器（mlp）、卷积神经网络（n）和循环神经网络（rnn）进行了概述，这些是本书中介绍的更技术的构建模块。之后探索了包括re和dene在内的深度神经网络架构以及如何创建自。读者将学如何使用kera和tenorflow实现深度学模型，并进一步实现其应用。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能提升到新的水。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技术，读者将会学如何实现drl，例如深度qlearning和策略梯度方法，这些方法对于ai在现代取得很多成至关重要。本书适合想要深入了解深度学主题的机器学工程师，以及高等院校人工智能、数据科学、计算机科学等相关专业阅读。

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。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。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（dot）、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研究所（chedpcari）的多项科研资助。

— 没有更多了 —

keras深度学 人工智能 作者

智胜图书专营店

商品详情

相关推荐

keras深度学人工智能作者