滿額折
Python深度學習實戰：基於TensorFlow和Keras的聊天機器人以及人臉、物體和語音識別（簡體書）
商品資訊
相關商品
商品簡介
目次
商品簡介
本書討論使用TensorFlow和Keras等框架構建深度學習應用程序，集中於所需的模型和算法，幫助你在短時間內提高實踐技能。內容涵蓋了聊天機器人、自然語言處理、人臉和對象識別等主題。目標是提供創建能夠執行深度學習的程序所需的概念、技術和算法實現。
目次
序
第1章 TensorFlow基礎 1
1.1 張量 2
1.2 計算圖與會話 2
1.3 常量、占位符與變量 4
1.4 占位符 6
1.5 創建張量 8
1.5.1 固定張量 9
1.5.2 序列張量 11
1.5.3 隨機張量 11
1.6 矩陣操作 12
1.7 激活函數 13
1.7.1 雙曲正切函數與Sigmoid函數 13
1.7.2 ReLU與ELU 15
1.7.3 ReLU6 15
1.8 損失函數 17
1.8.1 損失函數實例 18
1.8.2 常用的損失函數 18
1.9 優化器 19
1.9.1 優化器實例 20
1.9.2 常用的優化器 21
1.10 度量 21
??1.10.1 度量實例 22
??1.10.2 常用的度量 22
第2章 理解並運用Keras 25
2.1 深度學習模型構建的主要步驟 25
2.1.1 載入數據 26
2.1.2 預處理數據 27
2.1.3 定義模型 27
2.1.4 編譯模型 29
2.1.5 擬合模型 29
2.1.6 評估模型 30
2.1.7 預測 30
2.1.8 保存與重載模型 31
2.1.9 可選：總結模型 31
2.2 改進Keras模型的附加步驟 32
2.3 Keras聯合TensorFlow 33
第3章 多層感知機 35
3.1 人工神經網絡 35
3.2 單層感知機 37
3.3 多層感知機 37
3.4 邏輯斯諦回歸模型 38
第4章 TensorFlow中的回歸到MLP 45
4.1 TensorFlow搭建模型的步驟 45
4.2 TensorFlow中的線性回歸 46
4.3 邏輯斯諦回歸模型 49
4.4 TensorFlow中的多層感知機 52
第5章 Keras中的回歸到MLP 55
5.1 對數-線性模型 55
5.2 線性回歸的Keras神經網絡 56
5.3 邏輯斯諦回歸 58
5.3.1scikit-learn邏輯斯諦回歸 58
5.3.2邏輯斯諦回歸的Keras神經網絡 59
5.3.3流行的MNIST數據：Keras中的邏輯斯諦回歸 60
5.4 基於Iris數據的MLP 62
5.4.1 編寫代碼 62
5.4.2構建一個序列Keras模型 63
5.5基於MNIST數據的MLP數字分類 66
5.6 基於隨機生成數據的MLP 68
第6章 卷積神經網絡 71
6.1 CNN中的各種層 71
6.2 CNN結構 74
第7章 TensorFlow中的CNN 77
7.1為什麼用TensorFlow搭建CNN模型 77
7.2基於MNIST數據集搭建圖片分類器的TensorFlow代碼 78
7.3 使用高級API搭建CNN模型 82
第8章 Keras中的CNN 83
8.1在Keras中使用MNIST數據集搭建圖片分類器 83
8.1.1 定義網絡結構 85
8.1.2 定義模型架構 85
8.2使用CIFAR-10數據集搭建圖片分類器 86
8.2.1 定義網絡結構 87
8.2.2 定義模型架構 88
8.3 預訓練模型 89
第9章 RNN與LSTM 91
9.1 循環神經網絡的概念 91
9.2 長短時記憶網絡的概念 93
9.3 LSTM常見模式 93
9.4 序列預測 94
9.4.1 數字序列預測 94
9.4.2 序列分類 95
9.4.3 序列生成 95
9.4.4 序列到序列預測 95
9.5利用LSTM模型處理時間序列預測問題 96
第10章 語音-文本轉換及其逆過程 101
10.1 語音-文本轉換 101
10.2 語音數據 102
10.3語音特徵：將語音映射為矩陣 103
10.4聲譜圖：將語音映射為圖像 104
10.5利用MFCC特徵構建語音識別分類器 104
10.6利用聲譜圖構建語音識別分類器 105
10.7 開源方法 106
10.8 使用API的例子 107
10.8.1 使用PocketSphinx 107
10.8.2使用Google Speech API 108
10.8.3使用Google Cloud Speech API 108
10.8.4 使用Wit.ai API 108
10.8.5 使用Houndify API 109
10.8.6使用IBM Speech to Text API 109
10.8.7使用Bing Voice Recognition API 110
10.9 文本-語音轉換 110
10.9.1 使用pyttsx 110
10.9.2 使用SAPI 111
10.9.3 使用SpeechLib 111
10.10 音頻剪輯代碼 111
10.11 認知服務提供商 112
10.11.1 Microsoft Azure 113
10.11.2 Amazon Cognitive Services 113
10.11.3 IBM Watson Services 113
10.12 語音分析的未來 113
第11章 創建聊天機器人 115
11.1 為什麼是聊天機器人 116
11.2 聊天機器人的設計和功能 116
11.3 構建聊天機器人的步驟 116
11.3.1 預處理文本和消息 117
11.3.2用API構建聊天機器人 130
11.4聊天機器人開發的最佳實踐 133
11.4.1 瞭解潛在用戶 133
11.4.2讀入用戶情感使得機器人情感更豐富 133
第12章 人臉檢測與識別 135
12.1人臉檢測、人臉識別與人臉分析 135
12.2 OpenCV 136
12.2.1 特徵臉 137
12.2.2 LBPH 137
12.2.3 費歇臉 138
12.3 檢測人臉 139
12.4 跟蹤人臉 141
12.5 人臉識別 144
12.6 基於深度學習的人臉識別 147
12.7 遷移學習 149
12.7.1為什麼要用遷移學習 150
12.7.2 遷移學習實例 150
12.7.3 計算遷移值 152
12.8 API 158
附錄1 圖像處理的Keras函數 161
附錄2 可用的優質圖像數據集 165
附錄3 醫學成像：DICOM文件格式 167
第1章 TensorFlow基礎 1
1.1 張量 2
1.2 計算圖與會話 2
1.3 常量、占位符與變量 4
1.4 占位符 6
1.5 創建張量 8
1.5.1 固定張量 9
1.5.2 序列張量 11
1.5.3 隨機張量 11
1.6 矩陣操作 12
1.7 激活函數 13
1.7.1 雙曲正切函數與Sigmoid函數 13
1.7.2 ReLU與ELU 15
1.7.3 ReLU6 15
1.8 損失函數 17
1.8.1 損失函數實例 18
1.8.2 常用的損失函數 18
1.9 優化器 19
1.9.1 優化器實例 20
1.9.2 常用的優化器 21
1.10 度量 21
??1.10.1 度量實例 22
??1.10.2 常用的度量 22
第2章 理解並運用Keras 25
2.1 深度學習模型構建的主要步驟 25
2.1.1 載入數據 26
2.1.2 預處理數據 27
2.1.3 定義模型 27
2.1.4 編譯模型 29
2.1.5 擬合模型 29
2.1.6 評估模型 30
2.1.7 預測 30
2.1.8 保存與重載模型 31
2.1.9 可選：總結模型 31
2.2 改進Keras模型的附加步驟 32
2.3 Keras聯合TensorFlow 33
第3章 多層感知機 35
3.1 人工神經網絡 35
3.2 單層感知機 37
3.3 多層感知機 37
3.4 邏輯斯諦回歸模型 38
第4章 TensorFlow中的回歸到MLP 45
4.1 TensorFlow搭建模型的步驟 45
4.2 TensorFlow中的線性回歸 46
4.3 邏輯斯諦回歸模型 49
4.4 TensorFlow中的多層感知機 52
第5章 Keras中的回歸到MLP 55
5.1 對數-線性模型 55
5.2 線性回歸的Keras神經網絡 56
5.3 邏輯斯諦回歸 58
5.3.1scikit-learn邏輯斯諦回歸 58
5.3.2邏輯斯諦回歸的Keras神經網絡 59
5.3.3流行的MNIST數據：Keras中的邏輯斯諦回歸 60
5.4 基於Iris數據的MLP 62
5.4.1 編寫代碼 62
5.4.2構建一個序列Keras模型 63
5.5基於MNIST數據的MLP數字分類 66
5.6 基於隨機生成數據的MLP 68
第6章 卷積神經網絡 71
6.1 CNN中的各種層 71
6.2 CNN結構 74
第7章 TensorFlow中的CNN 77
7.1為什麼用TensorFlow搭建CNN模型 77
7.2基於MNIST數據集搭建圖片分類器的TensorFlow代碼 78
7.3 使用高級API搭建CNN模型 82
第8章 Keras中的CNN 83
8.1在Keras中使用MNIST數據集搭建圖片分類器 83
8.1.1 定義網絡結構 85
8.1.2 定義模型架構 85
8.2使用CIFAR-10數據集搭建圖片分類器 86
8.2.1 定義網絡結構 87
8.2.2 定義模型架構 88
8.3 預訓練模型 89
第9章 RNN與LSTM 91
9.1 循環神經網絡的概念 91
9.2 長短時記憶網絡的概念 93
9.3 LSTM常見模式 93
9.4 序列預測 94
9.4.1 數字序列預測 94
9.4.2 序列分類 95
9.4.3 序列生成 95
9.4.4 序列到序列預測 95
9.5利用LSTM模型處理時間序列預測問題 96
第10章 語音-文本轉換及其逆過程 101
10.1 語音-文本轉換 101
10.2 語音數據 102
10.3語音特徵：將語音映射為矩陣 103
10.4聲譜圖：將語音映射為圖像 104
10.5利用MFCC特徵構建語音識別分類器 104
10.6利用聲譜圖構建語音識別分類器 105
10.7 開源方法 106
10.8 使用API的例子 107
10.8.1 使用PocketSphinx 107
10.8.2使用Google Speech API 108
10.8.3使用Google Cloud Speech API 108
10.8.4 使用Wit.ai API 108
10.8.5 使用Houndify API 109
10.8.6使用IBM Speech to Text API 109
10.8.7使用Bing Voice Recognition API 110
10.9 文本-語音轉換 110
10.9.1 使用pyttsx 110
10.9.2 使用SAPI 111
10.9.3 使用SpeechLib 111
10.10 音頻剪輯代碼 111
10.11 認知服務提供商 112
10.11.1 Microsoft Azure 113
10.11.2 Amazon Cognitive Services 113
10.11.3 IBM Watson Services 113
10.12 語音分析的未來 113
第11章 創建聊天機器人 115
11.1 為什麼是聊天機器人 116
11.2 聊天機器人的設計和功能 116
11.3 構建聊天機器人的步驟 116
11.3.1 預處理文本和消息 117
11.3.2用API構建聊天機器人 130
11.4聊天機器人開發的最佳實踐 133
11.4.1 瞭解潛在用戶 133
11.4.2讀入用戶情感使得機器人情感更豐富 133
第12章 人臉檢測與識別 135
12.1人臉檢測、人臉識別與人臉分析 135
12.2 OpenCV 136
12.2.1 特徵臉 137
12.2.2 LBPH 137
12.2.3 費歇臉 138
12.3 檢測人臉 139
12.4 跟蹤人臉 141
12.5 人臉識別 144
12.6 基於深度學習的人臉識別 147
12.7 遷移學習 149
12.7.1為什麼要用遷移學習 150
12.7.2 遷移學習實例 150
12.7.3 計算遷移值 152
12.8 API 158
附錄1 圖像處理的Keras函數 161
附錄2 可用的優質圖像數據集 165
附錄3 醫學成像：DICOM文件格式 167
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。