Deep learning z TensorFlow 2 i Keras dla zaawansowanych. Sieci GAN i VAE, deep RL, uczenie nienadzorowane, wykrywanie i segmentacja obiektów i nie tylko. Wydanie 2 - ebook

Oto propozycja dla specjalistów zajmujących się programowaniem sztucznej inteligencji i studentów kształcących się w tej dziedzinie. Autor przybliża tajniki tworzenia sieci neuronowych stosowanych w uczeniu głębokim i pokazuje, w jaki sposób używać w tym celu bibliotek Keras i TensorFlow. Objaśnia zagadnienia dotyczące programowania AI zarówno w teorii, jak i praktyce. Liczne przykłady, czytelna oprawa graficzna i logiczne wywody sprawiają, że to skuteczne narzędzie dla każdego, kto chce się nauczyć budowania sieci neuronowych typu MLP, CNN i RNN.

Książka wprowadza w teoretyczne fundamenty uczenia głębokiego - znalazły się w niej wyjaśnienia podstawowych pojęć związanych z tą dziedziną i różnice pomiędzy poszczególnymi typami sieci neuronowych. Opisano tutaj również metody programowania algorytmów używanych w uczeniu głębokim i sposoby ich wdrażania. Dzięki lekturze lepiej zrozumiesz sieci neuronowe, nauczysz się ich tworzenia i zastosowania w różnych projektach z zakresu AI.

Polecamy tę książkę każdemu, kto:

• chce zrozumieć, jak działają sieci neuronowe i w jaki sposób się je tworzy
• specjalizuje się w uczeniu głębokim lub zamierza lepiej poznać tę dziedzinę
• posługuje się sieciami neuronowymi w programowaniu
• chce się nauczyć stosować biblioteki Keras i TensorFlow w uczeniu głębokim

O autorze

O recenzencie

Przedmowa

Rozdział 1. Wprowadzenie do uczenia głębokiego z Keras

• 1.1. Dlaczego Keras jest idealną biblioteką do uczenia głębokiego?
  • Instalowanie biblioteki Keras i TensorFlow
• 1.2. Sieci MLP, CNN i RNN
  • Różnice między MLP, CNN i RNN
• 1.3. Perceptron wielowarstwowy (MLP)
  • Zbiór danych MNIST
  • Model klasyfikatora cyfr MNIST
  • Budowanie modelu przy użyciu MLP i Keras
  • Regularyzacja
  • Funkcja aktywacji i funkcja straty
  • Optymalizacja
  • Ocena wydajności
  • Podsumowanie modelu MLP
• 1.4. Splotowa (konwolucyjna) sieć neuronowa
  • Splot
  • Operacje łączenia
  • Ocena wydajności i podsumowanie modelu
• 1.5. Rekurencyjna sieć neuronowa
• 1.6. Wnioski
• 1.7. Odwołania

Rozdział 2. Głębokie sieci neuronowe

• 2.1. Funkcyjne API Keras
  • Tworzenie modelu o dwóch wejściach i jednym wyjściu
• 2.2. Głęboka sieć resztkowa (ResNet)
• 2.3. ResNet v2
• 2.4. Gęsto połączona sieć splotowa (DenseNet)
  • Budowa stuwarstwowej sieci DenseNet-BC dla CIFAR10
• 2.5. Podsumowanie
• 2.6. Bibliografia

Rozdział 3. Sieci autokodujące

• 3.1. Zasada działania sieci autokodującej
• 3.2. Budowanie sieci autokodującej za pomocą Keras
• 3.3. Autokodujące sieci odszumiające (DAE)
• 3.4. Automatyczne kolorowanie z użyciem autokodera
• 3.5. Podsumowanie
• 3.6. Bibliografia

Rozdział 4. Generujące sieci współzawodniczące

• 4.1. GAN - informacje wprowadzające
  • Podstawy GAN
• 4.2. Implementacja DCGAN w Keras
• 4.3. Warunkowe sieci GAN
• 4.4. Podsumowanie
• 4.5. Bibliografia

Rozdział 5. Ulepszone sieci GAN

• 5.1. Sieć GAN Wassersteina
  • Funkcje odległości
  • Funkcja odległości w GAN
  • Wykorzystanie funkcji straty Wassersteina
  • Implementacja WGAN przy użyciu Keras
• 5.2. GAN z metodą najmniejszych kwadratów (LSGAN)
• 5.3. Pomocniczy klasyfikator GAN (ACGAN)
• 5.4. Podsumowanie
• 5.5. Bibliografia

Rozdział 6. Rozplątane reprezentacje w GAN

• 6.1. Rozplątane reprezentacje
• 6.2. Sieć InfoGAN
  • Implementacja InfoGAN w Keras
  • Ocena rezultatów działania generatora sieci InfoGAN
• 6.3. Sieci StackedGAN
  • Implementacja sieci StackedGAN w Keras
  • Ocena rezultatów działania generatora StackedGAN
• 6.4. Podsumowanie
• 6.5. Bibliografia

Rozdział 7. Międzydomenowe GAN

• 7.1. Podstawy sieci CycleGAN
  • Model sieci CycleGAN
  • Implementacja CycleGAN przy użyciu Keras
  • Wyjścia generatora CycleGAN
  • CycleGAN na zbiorach danych MNIST i SVHN
• 7.2. Podsumowanie
• 7.3. Bibliografia

Rozdział 8. Wariacyjne sieci autokodujące (VAE)

• 8.1. Podstawy sieci VAE
  • Wnioskowanie wariacyjne
  • Podstawowe równanie
  • Optymalizacja
  • Sztuczka z reparametryzacją
  • Testowanie dekodera
  • VAE w Keras
  • Korzystanie z CNN w sieciach autokodujących
• 8.2. Warunkowe VAE (CVAE)
• 8.3. B-VAE - VAE z rozplątanymi niejawnymi reprezentacjami
• 8.4. Podsumowanie
• 8.5. Bibliografia

Rozdział 9. Uczenie głębokie ze wzmocnieniem

• 9.1. Podstawy uczenia ze wzmocnieniem (RL)
• 9.2. Wartość Q
• 9.3. Przykład Q-uczenia
  • Q-uczenie w języku Python
• 9.4. Otoczenie niedeterministyczne
• 9.5. Uczenie z wykorzystaniem różnic czasowych
  • Q-uczenie w Open AI Gym
• 9.6. Głęboka sieć Q (DQN)
  • Implementacja DQN w Keras
  • Q-uczenie podwójnej sieci DQN (DDQN)
• 9.7. Podsumowanie
• 9.8. Bibliografia

Rozdział 10. Strategie w metodach gradientowych

• 10.1. Twierdzenie o gradiencie strategii
• 10.2. Metoda strategii gradientowych Monte Carlo (WZMOCNIENIE)
• 10.3. Metoda WZMOCNIENIE z wartością bazową
• 10.4. Metoda Aktor-Krytyk
• 10.5. Metoda Aktor-Krytyk z przewagą (A2C)
• 10.6. Metody strategii gradientowych przy użyciu Keras
• 10.7. Ocena wydajności metod strategii gradientowej
• 10.8. Podsumowanie
• 10.9. Bibliografia

Rozdział 11. Wykrywanie obiektów

• 11.1. Wykrywanie obiektów
• 11.2. Pole zakotwiczenia
• 11.3. Referencyjne pola zakotwiczenia
• 11.4. Funkcje strat
• 11.5. Architektura modelu SSD
• 11.6. Architektura modelu SSD w Keras
• 11.7. Obiekty SSD w Keras
• 11.8. Model SSD w Keras
• 11.9. Model generatora danych w Keras
• 11.10. Przykładowy zbiór danych
• 11.11. Szkolenie modelu SSD
• 11.12. Algorytm niemaksymalnego tłumienia (NMS)
• 11.13. Walidacja modelu SSD
• 11.14. Podsumowanie
• 11.15. Bibliografia

Rozdział 12. Segmentacja semantyczna

• 12.1. Segmentacja
• 12.2. Sieć do segmentacji semantycznej
• 12.3. Sieć do segmentacji semantycznej w Keras
• 12.4. Przykładowy zbiór danych
• 12.5. Walidacja segmentacji semantycznej
• 12.6. Podsumowanie
• 12.7. Bibliografia

Rozdział 13. Uczenie nienadzorowane z wykorzystaniem informacji wzajemnej

• 13.1. Informacja wzajemna
• 13.2. Informacja wzajemna i entropia
• 13.3. Uczenie nienadzorowane przez maksymalizację informacji wzajemnej o dyskretnych zmiennych losowych
• 13.4. Sieć koderów do grupowania nienadzorowanego
• 13.5. Implementacja nienadzorowanego grupowania w Keras
• 13.6. Walidacja na zbiorze cyfr MNIST
• 13.7. Uczenie nienadzorowane poprzez maksymalizację informacji wzajemnej ciągłych zmiennych losowych
• 13.8. Szacowanie informacji wzajemnej dwuwymiarowego rozkładu Gaussa
• 13.9. Grupowanie nienadzorowane z wykorzystaniem ciągłych zmiennych losowych w Keras
• 13.10. Podsumowanie
• 13.11. Bibliografia