收藏
章節說明:第1章｜認識進階深度學習與Keras
介紹了深度學習領域的重要觀念，例如最佳化、正規化、損失函數、常用的網路與層以及如何用Keras來實作。本章也使用了Sequential API複習了深度學習與Keras。
第2章｜深度神經網路
介紹Keras的Functional API，並使用這個API來在Keras中驗證並實作兩款常用的深度網路架構：ResNet與 DenseNet。
第3章｜自動編碼器
介紹自動編碼器這個常見的網路架構，可用來找出輸入資料中潛在表示。本章使用Keras來討論並實作了自動編碼器的兩種應用：降噪與上色。
第4章｜生成對抗網路GAN
介紹了當前深度學習領域最重要的進展。GAN可用於生成全新的合成資料，看起來和真的一樣。本章介紹了GAN的基本原理，並使用Keras來實作了兩種GAN：DCGAN與CGAN。
第5章｜各種改良版GAN
介紹用於改良基礎GAN的各種演算法。這些演算法解決了訓練GAN時的難點，並提升了合成資料的品質。本章介紹了WGAN、LSGAN與ACGAN，並用Keras來實作。
第6章｜抽離語義特徵GAN
討論了如何控制GAN所產生之合成資料的各種屬性。在抽離了潛在特徵之後，就可以控制所要的屬性了。本章介紹了兩種抽離語義特徵技術：InfoGAN與StackedGAN，並用Keras來實作。
第7章｜跨域GAN
介紹GAN的一項實務應用：將某個領域的影像轉譯到另一個領域，也就是俗稱的跨域轉換。本章一樣使用Keras來討論並實作了CycleGAN這款廣泛運用的跨域GAN，另外也示範了如何使用CycleGAN來進行上色與風格轉換。
第8章｜變分自動編碼器
類似於GAN，VAE也是一款能夠產生合成資料的生成模型。但又有點不一樣，VAE專攻可解碼的連續型潛在空間，適合用於進行變分推論。本章也介紹並用Keras實作了VAE與其變形款：CVAE and β -VAE。
第9章｜深度強化學習
介紹強化學習與Q學習的運作原理，說明了兩種在離散型動作空間中實作Q-學習的技術：Q表更新與深度Q網路（DQN）。接著，使用Python來實作Q-學習以及用Keras來實作DQN，兩者都是在OpenAI gym環境中來完成。
第10章｜策略梯度方法
說明如何讓神經網路學會強化學習中的決策策略。本章介紹並用Keras與OpenAI gym環境實做了四種方法：REINFORCE法、具基準的REINFORCE法、動作-評價法與優勢動作-評價法（A2C）。本章的範例說明了如何在連續型動作空間中執行策略梯度方法。
2024專利防護中