內容簡介 　　深度學習是人工智慧(AI)中發展最快速的領域之一，其主要原因是因為深度學習技術模擬了人類大腦的神經網路運作。近年來由於圖形處理器(GPU)的興起，改善了電腦的運算速度，因此各式各樣的神經網路一一出現，而這些神經網路也被應用在我們常用的一些應用產品，例如：文字辨識、語音辨識、垃圾郵件過濾、翻譯等。書中先講述AI概論、Tensorflow的安裝、張量的基礎應用到進階應用，讓讀者能夠先掌握Tensorflow，接著經由Tensorflow來講述深度學習的各種實作項目，如類神經網路、神經網路的優化與調教、卷積神經網路及循環神經網路，藉此能夠將Tensorflow活用，並且對深度學習有更進一步的認識。 　　本書適用於大學、科大資工、電機、電子系「深度學習」(且使用TensorFlow 2.x)課程使用。 本書特色 　　1.由淺入深的神經網路介紹： 　　本書從最基本的深度神經網路架構敘述，接著介紹各種卷積神經網路，並利用Python語法完成各模型的架設。 　　2.使用最新的Tensorflow 2.x 版本： 　　本書使用Tensorflow 2.x 框架來演練多種的神經網路模型，並在利用簡短的程式範例讓讀者了解網路模型。 　　3.配合常見的訓練資料庫訓練： 　　本書使用常見的資料庫，讓網路訓練的過程中更加貼近日常生活。 　　4.圖表分析： 　　在書中藉由大量的2D、3D的圖表分析，讓使用者清楚瞭解網路訓練情況。 　　5.提供大量的網路論文模型與名稱： 　　書中介紹的網路模型大多來自於頂尖的會議論文，除了有詳細的模型解說外，還提供相對的論文名稱，讓讀者更深入的研讀學習。 目錄 CH1 人工智慧概論 1-1 人工智慧的興起 1-2 機器學習(Machine Learning ,ML)概述 1-3 深度學習(Deep Learning ,DL) 1-4 人工智慧應用領域 CH2 Tensorflow環境安裝與介紹 2-1 Tensorflow 簡介 2-2 Keras 簡介 2-3 開發環境安裝 CH3 常用工具介紹 3-1 NumPy 介紹 3-2 Matplotlib 介紹 3-3 Pandas 介紹 CH4 張量的基礎與進階應用 4-1 張量(tensor)介紹 4-2 數據類型介紹 4-3 張量的各種運算 CH5 類神經網路 5-1 類神經網路(Neural Network, NN)簡介 5-2 激勵函數(Activation Function)介紹 5-3 神經網路(多層感知機 Multilayer perceptron, MLP) 5-4 網路參數的優化 5-5 神經網路訓練實例(MNIST 手寫數字辨識) 5-6 使用keras 模組實現神經網路訓練(Fashion MNIST 識別) 5-7 網路的保存與載入 CH6 神經網路的優化與調教 6-1 過擬合(overfitting)與欠擬合(underfitting)問題 6-2 數據集劃分 6-3 提前停止(Early stopping) 6-4 設定模型層數對 6-5 使用Dropout 6-6 使用正則化(regularization) 6-7 數據增強(Data Augmentation) CH7 卷積神經網路 7-1 淺談卷積神經(Convolutional Neural Network)網路 7-2 卷積層(Convolution Layer) 7-3 池化層(Pooling Layer) 7-4 Flatten(展平)與Dense(全連接)層 7-5 卷積神經網路實作(LeNet-5 實作) 7-6 常見卷積神經網路(一)－AlexNet 網路 7-7 常見卷積神經網路(二)－VGG 網路 7-8 常見卷積神經網路(三)－GoogLeNet 網路 7-9 常見卷積神經網路(四)－ResNet 網路 7-10 常見卷積神經網路(五)－DenseNet 網路 CH8 循環神經網路 8-1 淺談循環神經網路 8-2 循環神經網路(Recurrent Neural Network) 8-3 循環神經網路(RNN)的梯度消失與爆炸 8-4 長短期記憶(Long Short-Term Memory, LSTM) 8-5 門控循環單元(Gate Recurrent Unit, GRU)