Keras高级深度学习/深度学习系列

《Keras高级深度学习》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。 《Keras高级深度学习》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先进技术，读者将会学习如何实现DRL，例如深度Q-Learning和策略梯度方法，这些方法对于AI在现代取得很多成就至关重要。 《Keras高级深度学习》适合想要深入了解深度学习高级主题的机器学习工程师，以及高等院校人工智能、数据科学、计算机科学等相关专业学生阅读。

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。

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　ResNet v2 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　Wasserstein GAN 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　OpenAI Gym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