輕鬆學會Google TensorFlow 2人工智慧深度學習實作開發(第三版)

輕鬆學會Google TensorFlow 2人工智慧深度學習實作開發(第三版)
作者:黃士嘉、林邑撰 出版社:博碩文化 出版日期:2021-02-04 00:00:00
<內容簡介>
※深入探討使用於自駕車的核心技術─先進駕駛輔助系統(ADAS)的物件偵測模型
※運用TensorFlow 2和Keras API的強大靈活性和控制性
[ TensorFlow 2語法更簡潔 ]學習門檻較低,使初學者更容易上手
[ TensorFlow 2支援多個平台 ]可以在多種平台上訓練生成的網路模型
[ TensorFlow 2內建Keras高階API ]Keras與TensorFlow的相容性、方便性和效率更高
[ TensorFlow 2簡化API ]只保留tf.keras,清除較少人使用和重複的API
在人工智慧(AI)的時代,TensorFlow已經成為深度學習開發的主流程式庫,其功能強大、運算效率高、支援多個平台,造就了業界和學術界的廣泛使用。然而,TensorFlow 1的學習門檻高,對於剛入門的初學者來說相當難上手,針對這個問題,Google開發團隊推出TensorFlow 2。TensorFlow 2引入了Eager Execution動態圖模式、Keras高階API和tf.data等三個功能,讓學習門檻大幅降低。本書使用最新的TensorFlow 2深度學習套件,並透過十三個章節的內容,讓讀者同時學習到理論與實務應用。
【本書精彩內容】
◎利用TensorFlow Keras API,並能充分理解使用簡潔指令、自由組合且容易擴展的模塊化API的優勢。
◎利用tf.data資料輸入管道,速度更快、更簡單。
◎學習TensorFlow高階技巧:客製化網路層、損失函數、指標函數和回調函數。
◎學習TensorBoard高階技巧:TensorBoard低階API和超參數調校工具。
◎使用TensorFlow Datasets資料集平台,更方便下載和使用。
◎使用TensorFlow Hub開放預訓練模型平台,更方便搭建和使用預訓練權重。
◎了解神經網路反向傳遞的原理。
◎了解及實作全連接神經網路。
◎了解及實作卷積神經網路。
◎了解及實作遷移學習任務。
◎掌握訓練網路的技巧:權重初始化的重要性、權重正規化、Dropout、Batch Normalization。
◎運用深度學習經典網路架構:LeNet、AlexNet、VGG、GoogLeNet和ResNet。
◎生成模型:AE、VAE、GAN、WGAN、WGAN-GP全面解說和實作。
◎了解R-CNN、Fast R-CNN、Faster R-CNN、YOLO v1、SSD、YOLO v2、FPN、RetinaNet、Mask R-CNN、YOLO v3、CornetNet、CFF-SSD 和DSNet等代表性的物件偵測架構。
◎實現YOLO v3物件偵測方法。
★目錄:
|CHAPTER 00| 環境安裝
0.1 Python安裝
0.2 TensorFlow安裝
0.3 Python擴充套件安裝
0.4 Jupyter Notebook
-
新聞關鍵字:
CNN、 Google、 IEEE、 人工智慧、 寶可夢
‧ TensorFlow 、 學習 、 網路 、 實驗 、 使用 、 CHAPTER 、 API 、 參考 、 文獻 、 深度 、 訓練 、 技巧 、 神經 、 實作 、 Keras 、 問題 、 介紹 、 模型 、 高階 、 TensorBoard 、 架構 、 科技 、 大學 、 物件 、 偵測 、 平台 、 tf 、 權重 、 了解 、 WGAN 、 YOLO 、 Auto 、 國立 、 臺北 、 開發 、 00 、 函數 、 遷移 、 CNN 、 實現 、 安裝 、 程式碼 、 分類 、 10 、 進階 、 Variational 、 Encoder 、 國際 、 Google 、 人工‧ LeNet 、 國立臺北科技大學電子工程系 、 架構 、 Variational Auto-Encoder10.1 Auto-Encoder 、 工程系 、 林邑撰 、 函數 、 寶可夢 、 Faster R-CNN 、 學會 、 7.3 、 技巧 、 Mask R-CNN 、 CIFAR-10 、 人工 、 類別 、 強大 、 模型 、 AlexNet 、 Keras 、 Execution1.6 Keras1.7 tf.data|CHAPTER 02 、 |文獻 、 遷移 、 門檻 、 AI 、 學習 、 套件 、 權重 、 IEEE BigData Congress 、 智慧 、 了解 、 生成 、 黃士嘉 、 運用 、 經典 、 電子 、 分類 、 Variational Auto-Encoder 、 GitHub 、 ◎加拿大安大略理工大學 、 介紹 、 IEEE CloudCom Conference 、 API 、 方法 、 實驗 、 臺北 、 Batch Normalization 、 Batch 、 ResNet 、 tf‧ TensorFlow 、 Keras 、 國立臺北科技大學電子工程系 、 林邑撰 、 李國鼎 、 黃士嘉 、 臺北科技大學 、 ◎加拿大安大略理工大學 、 神基科技 AI工程師◎工研院‧ Google TensorFlow 2 、 Keras 、 TensorFlow 、 tf.keras 、 Google 、 TensorFlow 2 、 TensorBoard 、 TensorFlow Hub 、 Dropout 、 LeNet 、 AlexNet 、 VGG 、 GoogLeNet 、 ResNet 、 AE 、 VAE 、 GAN 、 WGAN 、 WGAN-GP 、 Faster R-CNN 、 SSD 、 FPN 、 RetinaNet 、 Mask R-CNN 、 CornetNet 、 CFF-SSD 、 DSNet 、 GitHub 、 Execution1.6 Keras1.7 tf.data|CHAPTER 02 、 |Kaggle 、 CIFAR-10 、 Batch 、 Batch Normalization 、 7.3 、 Variational Auto-Encoder10.1 Auto-Encoder 、 Variational Auto-Encoder 、 IEEE Sensors Journal 、 IEEE BigData Congress 、 IEEE CloudCom Conference 、 ACM 、 Shechtman 、 AI
- 新聞來源:PChome書店
- 更多科技新聞 »
‧
TensorFlow
、
學習
、
網路
、
實驗
、
使用
、
CHAPTER
、
API
、
參考
、
文獻
、
深度
、
訓練
、
技巧
、
神經
、
實作
、
Keras
、
問題
、
介紹
、
模型
、
高階
、
TensorBoard
、
架構
、
科技
、
大學
、
物件
、
偵測
、
平台
、
tf
、
權重
、
了解
、
WGAN
、
YOLO
、
Auto
、
國立
、
臺北
、
開發
、
00
、
函數
、
遷移
、
CNN
、
實現
、
安裝
、
程式碼
、
分類
、
10
、
進階
、
Variational
、
Encoder
、
國際
、
Google
、
人工
‧
LeNet
、
國立臺北科技大學電子工程系
、
架構
、
Variational Auto-Encoder10.1 Auto-Encoder
、
工程系
、
林邑撰
、
函數
、
寶可夢
、
Faster R-CNN
、
學會
、
7.3
、
技巧
、
Mask R-CNN
、
CIFAR-10
、
人工
、
類別
、
強大
、
模型
、
AlexNet
、
Keras
、
Execution1.6 Keras1.7 tf.data|CHAPTER 02
、
|文獻
、
遷移
、
門檻
、
AI
、
學習
、
套件
、
權重
、
IEEE BigData Congress
、
智慧
、
了解
、
生成
、
黃士嘉
、
運用
、
經典
、
電子
、
分類
、
Variational Auto-Encoder
、
GitHub
、
◎加拿大安大略理工大學
、
介紹
、
IEEE CloudCom Conference
、
API
、
方法
、
實驗
、
臺北
、
Batch Normalization
、
Batch
、
ResNet
、
tf
‧
TensorFlow
、
Keras
、
國立臺北科技大學電子工程系
、
林邑撰
、
李國鼎
、
黃士嘉
、
臺北科技大學
、
◎加拿大安大略理工大學
、
神基科技 AI工程師◎工研院
‧
Google TensorFlow 2
、
Keras
、
TensorFlow
、
tf.keras
、
Google
、
TensorFlow 2
、
TensorBoard
、
TensorFlow Hub
、
Dropout
、
LeNet
、
AlexNet
、
VGG
、
GoogLeNet
、
ResNet
、
AE
、
VAE
、
GAN
、
WGAN
、
WGAN-GP
、
Faster R-CNN
、
SSD
、
FPN
、
RetinaNet
、
Mask R-CNN
、
CornetNet
、
CFF-SSD
、
DSNet
、
GitHub
、
Execution1.6 Keras1.7 tf.data|CHAPTER 02
、
|Kaggle
、
CIFAR-10
、
Batch
、
Batch Normalization
、
7.3
、
Variational Auto-Encoder10.1 Auto-Encoder
、
Variational Auto-Encoder
、
IEEE Sensors Journal
、
IEEE BigData Congress
、
IEEE CloudCom Conference
、
ACM
、
Shechtman
、
AI