Python深度学习实战 基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别

图书标准信息

• 作者 [印]纳温·库马尔·马纳西（Navin Kumar Manaswi）
• 出版社 机械工业出版社
• 出版时间 2019-04
• 版次 1
• ISBN 9787111622765
• 定价 69.00元
• 装帧 平装
• 开本 其他
• 页数 168页
• 字数 0.085千字

【内容简介】

本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。

【作者简介】

纳温·库马尔·马纳西（Navin Kumar Manaswi）多年来一直使用人工智能相关的很好技术开发AI解决方案。曾在位于马来西亚、新加坡的咨询公司以及迪拜智慧城市项目任职。他拥有自己的公司，曾开发出一种多方法混合的技术，用于端到端的人工智能解决方案的分发，包括视频智能、文本智能以及类人聊天机器人。目前，他致力于解决医疗保健、企业应用、工业IoT方向的B2B问题，并作为一名深度学习AI架构师在SymphonyAI Incubator兼职。在本书中，他希望面向开发者、数据科学家、软件工程师、数据库工程师、数据分析师以及C级管理者介绍认知计算与服务。

【目录】

序
章TensorFlow基础1
1.1张量2
1.2计算图与会话2
1.3常量、占位符与变量4
1.4占位符6
1.5创建张量8
1.5.1固定张量9
1.5.2序列张量11
1.5.3随机张量11
1.6矩阵操作12
1.7激活函数13
1.7.1双曲正切函数与Sigmoid函数13
1.7.2ReLU与ELU15
1.7.3ReLU615
1.8损失函数17
1.8.1损失函数实例18
1.8.2常用的损失函数18
1.9优化器19
1.9.1优化器实例20
1.9.2常用的优化器21
1.10度量21
??1.10.1度量实例22
??1.10.2常用的度量22
第2章理解并运用Keras25
2.1深度学习模型构建的主要步骤25
2.1.1载入数据26
2.1.2预处理数据27
2.1.3定义模型27
2.1.4编译模型29
2.1.5拟合模型29
2.1.6评估模型30
2.1.7预测30
2.1.8保存与重载模型31
2.1.9可选：总结模型31
2.2改进Keras模型的附加步骤32
2.3Keras联合TensorFlow33
第3章多层感知机35
3.1人工神经网络35
3.2单层感知机37
3.3多层感知机37
3.4逻辑斯谛回归模型38
第4章TensorFlow中的回归到MLP45
4.1TensorFlow搭建模型的步骤45
4.2TensorFlow中的线性回归46
4.3逻辑斯谛回归模型49
4.4TensorFlow中的多层感知机52
第5章Keras中的回归到MLP55
5.1对数-线性模型55
5.2线性回归的Keras神经网络56
5.3逻辑斯谛回归58
5.3.1scikit-learn逻辑斯谛回归58
5.3.2逻辑斯谛回归的Keras神经网络59
5.3.3流行的MNIST数据：Keras中的逻辑斯谛回归60
5.4基于Iris数据的MLP62
5.4.1编写代码62
5.4.2构建一个序列Keras模型63
5.5基于MNIST数据的MLP数字分类66
5.6基于随机生成数据的MLP68
第6章卷积神经网络71
6.1CNN中的各种层71
6.2CNN结构74
第7章TensorFlow中的CNN77
7.1为什么用TensorFlow搭建CNN模型77
7.2基于MNIST数据集搭建图片分类器的TensorFlow代码78
7.3使用不错API搭建CNN模型82
第8章Keras中的CNN83
8.1在Keras中使用MNIST数据集搭建图片分类器83
8.1.1定义网络结构85
8.1.2定义模型架构85
8.2使用CIFAR-10数据集搭建图片分类器86
8.2.1定义网络结构87
8.2.2定义模型架构88
8.3预训练模型89
第9章RNN与LSTM91
9.1循环神经网络的概念91
9.2长短时记忆网络的概念93
9.3LSTM常见模式93
9.4序列预测94
9.4.1数字序列预测94
9.4.2序列分类95
9.4.3序列生成95
9.4.4序列到序列预测95
9.5利用LSTM模型处理时间序列预测问题96
0章语音-文本转换及其逆过程101
10.1语音-文本转换101
10.2语音数据102
10.3语音特征：将语音映射为矩阵103
10.4声谱图：将语音映射为图像104
10.5利用MFCC特征构建语音识别分类器104
10.6利用声谱图构建语音识别分类器105
10.7开源方法106
10.8使用API的例子107
10.8.1使用PocketSphinx107
10.8.2使用GoogleSpeechAPI108
10.8.3使用GoogleCloudSpeechAPI108
10.8.4使用Wit.aiAPI108
10.8.5使用HoundifyAPI109
10.8.6使用IBMSpeechtoTextAPI109
10.8.7使用BingVoiceRecognitionAPI110
10.9文本-语音转换110
10.9.1使用pyttsx110
10.9.2使用SAPI111
10.9.3使用SpeechLib111
10.10音频剪辑代码111
10.11认知服务提供商112
10.11.1MicrosoftAzure113
10.11.2AmazonCognitiveServices113
10.11.3IBMWatsonServices113
10.12语音分析的未来113
1章创建聊天机器人115
11.1为什么是聊天机器人116
11.2聊天机器人的设计和功能116
11.3构建聊天机器人的步骤116
11.3.1预处理文本和消息117
11.3.2用API构建聊天机器人130
11.4聊天机器人开发的最佳实践133
11.4.1了解潜在用户133
11.4.2读入用户情感使得机器人情感更丰富133
2章人脸检测与识别135
12.1人脸检测、人脸识别与人脸分析135
12.2OpenCV136
12.2.1特征脸137
12.2.2LBPH137
12.2.3费歇脸138
12.3检测人脸139
12.4跟踪人脸141
12.5人脸识别144
12.6基于深度学习的人脸识别147
12.7迁移学习149
12.7.1为什么要用迁移学习150
12.7.2迁移学习实例150
12.7.3计算迁移值152
12.8API158
附录1图像处理的Keras函数161
附录2可用的优质图像数据集165
附录3医学成像：DICOM文件格式167