Keras高級深度學(xué)習(xí)

目　錄
譯者序
原書前言
第 1章　Keras高級深度學(xué)習(xí)入門
1.1　為什么 Keras是完美的深度學(xué)習(xí)庫
1.1.1　安裝 Keras和 TensorFlow
1.2　實現(xiàn)核心深度學(xué)習(xí)模型——MLP、CNN和 RNN
1.2.1　MLP、CNN和 RNN之間的差異
1.3　多層感知器（MLP）
1.3.1　MNIST數(shù)據(jù)集
1.3.2　MNIST數(shù)字分類模型
1.3.3　正則化
1.3.4　輸出激活與損失函數(shù)
1.3.5　優(yōu)化
1.3.6　性能評價
1.3.7　模型概述
1.4　卷積神經(jīng)網(wǎng)絡(luò)（ CNN）
1.4.1　卷積
1.4.2　池化操作
1.4.3　性能評價與模型概要
1.5　循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
1.6　小結(jié)
參考文獻
第 2章　深度神經(jīng)網(wǎng)絡(luò)
2.1　函數(shù)式 API
2.1.1　創(chuàng)建一個兩輸入單輸出模型
2.2　深度殘差網(wǎng)絡(luò)（ResNet）
2.3　ResNet v2
2.4　密集連接卷積網(wǎng)絡(luò)（DenseNet)）
2.4.1　為 CIFAR10數(shù)據(jù)集構(gòu)建一個 100層的 DenseNet-BC網(wǎng)絡(luò)
2.5　小結(jié)
參考文獻
第 3章　自編碼器
3.1　自編碼器原理
3.2　使用 Keras構(gòu)建自編碼器
3.3　去噪自編碼器（DAE）
3.4　自動色彩遷移自編碼器
3.5　小結(jié)
參考文獻
第 4章　生成對抗網(wǎng)絡(luò)
4.1　GAN概要
4.2　GAN原理
4.3　Keras中的 GAN實現(xiàn)
4.4　條件 GAN
4.5　小結(jié)
參考文獻
第 5章　改進的 GAN方法
5.1　Wasserstein GAN
5.1.1　距離函數(shù)
5.1.2　GAN中的距離函數(shù)
5.1.3　Wasserstein損失函數(shù)的使用
5.1.4　使用 Keras實現(xiàn) WGAN
5.2　最小二乘 GAN（LSGAN）
5.3　輔助分類器 GAN（ACGAN）
5.4　小結(jié)
參考文獻
第 6章　分離表示 GAN
6.1　分離表示
6.2　InfoGAN
6.3　在 Keras中實現(xiàn) InfoGAN
6.4　InfoGAN生成器的輸出
6.5　StackedGAN
6.6　在 Keras中實現(xiàn) StackedGAN
6.7　StackedGAN的生成器輸出
6.8　小結(jié)
參考文獻
第 7章　跨域 GAN
7.1　CycleGAN原理
7.1.1　CycleGAN模型
7.1.2　使用 Keras實現(xiàn) CycleGAN
7.1.3　CycleGAN生成器的輸出??
7.1.4　CycleGAN用于 MNIST和 SVHN數(shù)據(jù)集
7.2　小結(jié)
參考文獻
第 8章　變分自編碼器
8.1　VAE原理
8.1.1　變分推斷
8.1.2　核心公式
8.1.3　優(yōu)化
8.1.4　再參數(shù)化的技巧
8.1.5　解碼測試
8.1.6　VAE的 Keras實現(xiàn)
8.1.7　將 CNN應(yīng)用于 VAE
8.2　條件 VAE (CVAE)
8.3　β-VAE：可分離的隱式表示VAE
8.4　小結(jié)
參考文獻
第 9章　深度強化學(xué)習(xí)
9.1　強化學(xué)習(xí)原理
9.2　Q值
9.3　Q-Learning例子
9.3.1　用 Python實現(xiàn)Q-Learning
9.4　非確定性環(huán)境
9.5　時序差分學(xué)習(xí)
9.5.1　OpenAI Gym中應(yīng)用 Q-Learning
9.6　深度Q網(wǎng)絡(luò)（DQN）
9.6.1　用 Keras實現(xiàn) DQN
9.6.2　雙 Q-Learning（DDQN）
9.7　小結(jié)
參考文獻
第 10章　策略梯度方法
10.1　策略梯度定理
10.2　蒙特卡羅策略梯度（REINFORCE）方法
10.3　基線 REINFORCE方法
10.4　Actor-Critic方法
10.5　優(yōu)勢 Actor-Critic方法
10.6　Keras中的策略梯度方法
10.7　策略梯度方法的性能評估
10.8　小結(jié)
參考文獻