新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型 (1版)

類似書籍推薦給您

【簡介】 ✧✦第一本 Keras 3 深度學習入門書✦✧ ✧✦一本搞定影像辨識與自然語言處理✦✧ ✧✦先圖解、再實作、而後實務應用✦✧ 本書以淺顯易懂的方式與大量圖例介紹深度學習的理論基礎，並使用 Keras 3 來建構 MLP、CNN、RNN、LSTM、GRU、Transformer 模型，實作多種熱門分類、迴歸問題，最後再介紹資料預處理、超參數調整、預訓練模型的遷移學習等，讓讀者能夠應對未來的實務應用。 深度學習是一種實現機器學習的技術，能夠使用模仿人類大腦功能的「類神經網路」，訓練模型從大量資料中學習，進而處理如視覺、聽覺等感知問題。 而 Keras 3 是 Keras 的重磅回歸，這是架構在 TensorFlow 和 PyTorch 等後台框架上的高階前端函式庫，可以讓使用者輕鬆取得不同後台框架的優點，來打造出最佳的神經網路模型。 書中內容包含：普遍應用於影像辨識的 CNN、善於處理序列資料的 LSTM，還有近幾年爆紅、多被應用於自然語言、語音或音樂資料的 Transformer 模型，以及基於 Transformer 的 BERT 和 GPT 等大型語言模型的應用，還有結合文字與圖像的 StableDiffusion 文字生圖等豐富內容。 除了講述深度學習理論基礎之外，還提供大量實作範例： ☛ MLP 多層感知器 - 疾病預測、房價預測的迴歸問題 ☛ CNN 卷積神經網路 - 手寫辨識、彩色圖片辨識 ☛ RNN 循環神經網路、GRU 閘門循環單元神經網路 - 影評的情緒分析 ☛ LSTM 長短期記憶神經網路 - 股價預測、新聞主題分類 ☛ Transformer 模型 - 文字的情感分析、語言翻譯 以及預訓練模型與遷移學習： ☛ CV 電腦視覺 - ResNet50 圖片分類、YOLO 物體偵測、StableDiffusion 文字生圖 ☛ NLP 自然語言處理 - BERT 情感分析、GPT-2 唐詩生成 還有 AE 自編碼器、Functional API 客製化神經網路、AutoML 自動調校模型超參數等多種主題等著你來學習！ 本書特色: ✓ 跨 TensorFlow 和 PyTorch 的 Keras 開發環境 ✓ 人工智慧、機器學習、深度學習的理論基礎 ✓ 從最根本的感知器、到當紅的 Transformer 模型 ✓ 逐步建構並調校自己的神經網路模型 ✓ 影像、文字資料的預處理與模型視覺化 ✓ YOLO、StableDiffusion 等電腦視覺模型的應用 ✓ BERT、GPT 等大型預訓練模型的遷移學習 ✓ 打造支援 GPU 的 Keras 開發環境 【目錄】 目錄: ▍第一篇 人工智慧與深度學習的基礎 第 1 章 認識人工智慧與機器學習 1-1 人工智慧概論 1-2 認識機器學習 1-3 機器學習的種類 第 2 章 建構跨 TensorFlow 和 PyTorch 的 Keras 開發環境 2-1 認識 TensorFlow、PyTorch 與 Keras 2-2 建立與管理 Python 虛擬環境 2-3 建構 Python 深度學習的開發環境 2-4 使用 Spyder 整合開發環境 2-5 Jupyter Notebook 基本使用 2-6 使用 Google Colaboratory 雲端服務 第 3 章 深度學習的基礎 3-1 認識深度學習 3-2 深度學習的基礎知識 3-3 深度學習的神經網路 – 建構你的計算圖 3-4 深度學習的資料 – 張量 ▍第二篇 多層感知器 – 迴歸與分類問題 第 4 章 圖解神經網路 – 多層感知器 (MLP) 4-1 線性不可分問題 4-2 認識多層感知器 (MLP) 4-3 神經網路的學習過程 – 正向與反向傳播 4-4 啟動函數與損失函數 4-5 反向傳播演算法與梯度下降法 4-6 神經網路的樣本和標籤資料 第 5 章 打造你的神經網路 – 多層感知器 5-1 如何使用 Keras 打造神經網路 5-2 打造分類問題的神經網路：糖尿病預測 5-3 認識線性迴歸 5-4 打造迴歸問題的神經網路：波士頓房價預測 5-5 儲存與載入神經網路模型 第 6 章 多層感知器的實作案例 6-1 實作案例：鳶尾花資料集的多元分類 6-2 實作案例：鐵達尼號資料集的生存分析 6-3 實作案例：加州房價預測的迴歸問題 ▍第三篇 卷積神經網路 – 電腦視覺 第 7 章 圖解卷積神經網路 (CNN) 7-1 影像資料的穩定性問題 7-2 卷積運算與池化運算 7-3 認識卷積神經網路 CNN 7-4 卷積層 7-5 池化層與 Dropout 層 7-6 打造你的卷積神經網路 第 8 章 打造你的卷積神經網路 8-1 認識 MNIST 手寫數字資料集 8-2 使用 MLP 打造 MNIST 手寫辨識 8-3 使用 CNN 打造 MNIST 手寫辨識 8-4 MNIST 手寫辨識的預測結果 第 9 章 卷積神經網路的實作案例 9-1 實作案例：辨識 CIFAR-10 資料集的彩色圖片 9-2 實作案例：使用 MLP 或 CNN 實作自編碼器 9-3 實作案例：使用 CNN 自編碼器去除圖片的雜訊 ▍第四篇 循環神經網路 – 自然語言處理 第 10 章 圖解 RNN、LSTM 和 GRU 神經網路 10-1 認識序列資料 10-2 自然語言處理的基礎 10-3 循環神經網路 (RNN) 10-4 長短期記憶神經網路 (LSTM) 10-5 閘門循環單元神經網路 (GRU) 10-6 文字資料向量化 Text Data Vectorization 第 11 章 打造你的循環神經網路 11-1 認識 IMDb 網路電影資料集 11-2 資料預處理與 Embedding 層 11-3 使用 MLP 和 CNN 打造 IMDb 情緒分析 11-4 如何使用 Keras 打造循環神經網路 11-5 使用 RNN、LSTM 和 GRU 打造 IMDb 情緒分析 11-6 堆疊 CNN 和 LSTM 打造 IMDb 情緒分析 第 12 章 循環神經網路的實作案例 12-1 實作案例：使用 LSTM 打造 MNIST 手寫辨識 12-2 實作案例：使用 LSTM 模型預測 Google 股價 12-3 實作案例：Reuters 路透社資料集的新聞主題分類 ▍第五篇 建構出你自己的深度學習模型 第 13 章 訓練資料、預處理層與神經層資訊 13-1 多種資料來源的訓練資料 13-2 取得神經層資訊與中間層視覺化 13-3 載入文字檔資料集與文字預處理層 13-4 載入圖檔資料集與圖片預處理層 13-5 資料增強的圖片增強層 13-6 實作案例：在 Keras 模型使用圖片預處理層與增強層 第 14 章 調校你的深度學習模型 14-1 識別出模型的過度擬合問題 14-2 避免低度擬合與過度擬合 14-3 加速神經網路的訓練：選擇優化器 14-4 加速神經網路的訓練：批次正規化 14-5 在正確的時間點停止模型訓練 14-6 在模型訓練時自動儲存最佳權重 14-7 自動調校神經網路模型的超參數：KerasTuner 第 15 章 預訓練模型與遷移學習 15-1 Keras 預訓練模型的圖片分類 15-2 KerasCV 的 YOLO 物體偵測與 StableDiffusion 文生圖 15-3 KerasNLP 的 GPT-2 生成文字與 BERT 情感分析 15-4 認識遷移學習 15-5 實作案例：MNIST 手寫辨識的遷移學習 15-6 實作案例：Keras 預訓練模型的遷移學習 第 16 章 Functional API、客製化神經網路與 Transformer 模型 16-1 深度學習模型視覺化 16-2 再談 Functional API 16-3 共享層模型與多輸入 / 多輸出模型 16-4 客製化 Keras 神經網路 16-5 認識 Seq2Seq 模型與 Transformer 模型 16-6 實作案例：Transformer 情感分析與英譯中 16-7 實作案例：微調 KerasNLP 的 GPT-2 生成唐詩 ▍電子書 附錄 A Python 程式語言與開發環境建立 A-1 Python 開發環境的建立 A-2 變數、資料型別與運算子 A-3 流程控制 A-4 函式、模組與套件 A-5 容器型別 A-6 類別與物件 附錄 B 使用 WSL 2 安裝支援 GPU 的 Keras 與 KerasNLP 開發環境 B-1 安裝 WSL 2、終端機與 Linux 子系統 B-2 在 Linux 子系統安裝 Anaconda B-3 建立支援 GPU 的 Keras 與 KerasNLP 開發環境 B-4 使用 Jupyter Notebook 測試 GPU 開發環境

跟 NVIDIA 學深度學習！從基本神經網路到 CNN‧RNN‧LSTM‧seq2seq‧Transformer‧GPT‧BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎 (1版)

類似書籍推薦給您

內容介紹 ▍AI 界扛霸子 NVIDIA 的深度學習 (Deep Learning) 指定教材！ ▍GPT、Transformer、seq2seq、self-attention 機制...大型語言模型 (LLM) 背後的先進技術「硬派」揭密！ 近年來，在 NVIDIA (輝達) GPU、CUDA 技術的推波助瀾下，深度學習 (Deep Learning) 領域有著爆炸性的成長，例如最為人知的 ChatGPT 正是運用深度學習技術開發出來的當紅應用。 【★學深度學習，跟 AI 重要推手 - NVIDIA 學最到位！】 除了硬體上的助益外，為了幫助眾多初學者快速上手深度學習，任職於 NVIDIA 的本書作者 Magnus Ekman 凝聚了他多年來在 NVIDIA 所積累的 AI 知識撰寫了本書。除了介紹深度學習基礎知識外，也包括此領域的最新重要進展。本書同時也是 NVIDIA 的教育和培訓部門 -【深度學習機構 (Deep Learning Institute, DLI)】 指定的培訓教材 (https://www.nvidia.com/zh-tw/training/books/)。 要學深度學習，跟深度學習的重要推手 NVIDIA 學就對了！眾多紮實的內容保證讓你受益滿滿！ 【★機器視覺、生成式 AI 語言模型 100% 從零開始打造！】 在深度學習的教學上，本書將從神經網路的底層知識 (梯度下降、反向傳播...) 介紹起，帶你打好深度學習的底子。接著會介紹用 Colab 雲端開發環境 + tf.Keras 建構、調校多層神經網路，以及經典的 CNN (卷積神經網路) 圖形辨識模型建構...等機器視覺主題。最後則邁入自然語言處理 (NLP) 領域，在介紹完基本的 RNN / LSTM 知識後，以先進的 Transformer、GPT...語言模型架構做結。 尤其自從 ChatGPT 爆紅之後，自然語言處理 (NLP) 一直是深度學習的熱門研究話題，而這部分正是本書最精彩之處！ RNN / LSTM 神經網路雖然問世已有一段時間，現今一些先進的 NLP 模型或許不會用它們來建構，但由它們衍生出來的 hidden state (隱藏狀態) 概念可說是重中之重，我們會帶你好好熟悉，以便能跟後續章節順利銜接上。 之後則會利用各種神經網路技術帶你實作【多國語言翻譯模型】、【Auto-Complete 文字自動完成模型】...等範例。從處理原始文字訓練資料 → 切割資料集 → 建構模型 → 模型調校、優化，從頭到尾示範一遍，帶你紮穩大型語言模型 (LLM) 的建模基礎。 令小編最印象深刻的是，本書所設計的 NLP 章節內容可說是「環環相扣」，從 RNN / LSTM 章節初次觸及 NLP 模型開始，次一章的模型架構幾乎都是為了解決前一章模型的特定問題而生的。這種層層舖墊的獨到方式能讓你深刻理解 RNN / LSTM / seq2seq / encoder-decoder / attention / self-attention 機制...等技術的發展脈絡，對於看懂 Transformer、GPT 等最先進的神經網路技術有莫大的幫助，這絕對是其他書看不到的精彩內容！ 本書特色 □【徹底看懂 ChatGPT 背後核心技術 - GPT 的模型架構】 GPT、Transformer、encoder-decoder、seq2seq、self-attention 機制、attention 機制、query-key-value 機制、Multi-head、位置編碼 (positional encoding)、預訓練 (pre-train)、微調 (fine-tune)...各種建模技術輕鬆搞懂！ □【生成式 AI 語言模型 100% 從零開始打造！】 ‧用 Colab + tf.Keras 實作多國語言翻譯模型、Auto-Complete 文字自動完成模型 ‧從處理原始文字訓練資料 → 切割資料集 → 建構模型 → 模型調校、優化，從頭到尾示範一遍，帶你紮穩大型語言模型 (LLM) 的建模基礎 □【深度學習基礎知識學好學滿】 ‧紮穩根基！不被損失函數 / 梯度下降 / 反向傳播 / 正規化 / 常規化…一拖拉庫技術名詞搞的暈頭轉向！ ‧深度神經網路基礎 / CNN / RNN / LSTM...概念詳解。 ‧多模態學習 (multimodal learning)、多任務學習 (multitask learning)、自動化模型架構搜尋...熱門主題介紹。 □詳細解說, 流暢翻譯 本書由【施威銘研究室】監修, 書中針對原書進行大量補充, 並適當添加註解, 幫助讀者更加理解內容！ 書籍目錄 Ch01 從感知器看神經網路的底層知識 1-1 最早的人工神經元 - Rosenblatt 感知器 1-2 增加感知器模型的能力 1-3 用線性代數實現神經網路模型 Ch02 梯度下降法與反向傳播 2-1 導數的基礎概念 2-2 以梯度下降法 (gradient descent) 對模型訓練問題求解 2-3 反向傳播 (back propagation) Ch03 多層神經網路的建立與調校 3-1 動手實作：建立辨識手寫數字的多層神經網路 3-2 改善神經網路的訓練成效 3-3 實驗：調整神經網路與學習參數 Ch04 用卷積神經網路 (CNN) 進行圖片辨識 4-1 卷積神經網路 (CNN) 4-2 實作：以卷積神經網路做圖片分類 4-3 更深層的 CNN 與預訓練模型 Ch05 用循環神經網路 (RNN、LSTM...) 處理序列資料 5-1 RNN 的基本概念 5-2 RNN 範例：預測書店銷售額 5-3 LSTM (長短期記憶神經網路) 5-4 LSTM 範例：文字的 Auto-Complete 機制 Ch06 自然語言處理的重要前置工作：建立詞向量空間 6-1 詞向量空間的基本知識 6-2 做法(一)：在神經網路建模過程中「順便」生成詞向量空間 6-3 做法(二)：以 word2vec、GloVe 專用演算法生成詞向量空間 Ch07 用機器翻譯模型熟悉 seq2seq 架構 7-1 機器翻譯模型的基本知識 7-2 機器翻譯的範例實作 7-2-1 tf.Keras 函數式 API 簡介 7-2-2 建構模型前的工作 7-2-3 建構模型 7-2-4 訓練及測試模型 7-2-5 實驗結果 Ch08 認識 attention 與 self-attention 機制 8-1 熟悉 attention 機制 8-2 認識 self-attention 機制 8-2-1 self-attention 的基本概念 8-2-2 self-attention 機制的算法 8-2-3 multi-head (多頭) 的 self-attention 機制 Ch09 Transformer、GPT 及其他衍生模型架構 9-1 Transformer 架構 9-1-1 編碼器端的架構 9-1-2 解碼器端的架構 9-1-3 Transformer 內的其他設計 9-1-4 小編補充：觀摩 keras 官網上的 Transformer 範例 9-2 Transformer 架構的衍生模型：GPT、BERT 9-2-1 認識 GPT 模型 9-2-2 認識 BERT 模型 9-2-3 其他從 Transformer 衍生出的模型 附錄 A 延伸學習 (一)：多模態、多任務...等模型建構相關主題 附錄 B 延伸學習 (二)：自動化模型架構搜尋 附錄 C 延伸學習 (三)：後續學習方向建議 附錄 D 使用 Google 的 Colab 雲端開發環境