輕鬆學會Google TensorFlow 2.0人工智慧深度學習實作開發（第二版）


	♔初學者更容易上手的TensorFlow 2.0 　　♔透過Keras API可更加容易且快速搭建網路　　♔運用TensorFlow 2.0和Keras API的強大靈活性和控制性　　♔解析業界和學術界最流行的生成模型－VAE、GAN 　　[ TensorFlow 2.0語法更簡潔 ]學習門檻較低，使初學者更容易上手　　[ TensorFlow 2.0支援多個平台 ]可以在多種平台上訓練生成的網路模型　　　　[ TensorFlow 2.0內建Keras高階API ]Keras與TensorFlow的相容性、方便性和效率更高　　[ TensorFlow 2.0簡化API ]只保留tf.keras，清除較少人使用和重複的API 　　在人工智慧（AI）的時代，TensorFlow已經成為深度學習開發的主流程式庫，其功能強大、運算效率高、支援多個平台，造就了業界和學術界的廣泛使用。然而，TensorFlow 1.x版的學習門檻高，對於剛入門的初學者來說相當難上手，針對這個問題，Google開發團隊推出了TensorFlow 2.0版。TensorFlow 2.0引入了Eager Execution動態圖模式、Keras高階API和tf.data等三個功能，讓學習門檻大幅降低。本書使用最新的TensorFlow 2.0深度學習套件，並透過十二個章節的內容，讓讀者同時學習到理論與實務應用。　　拿起這本書，你將學到：　　◎利用TensorFlow Keras API，並能充分理解使用簡潔指令、自由組合且容易擴展的模塊化API的優勢。　　◎利用tf.data資料輸入管道，速度更快、更簡單。　　◎學習TensorFlow高階技巧：客製化網路層、損失函數、指標函數和回調函數。　　◎學習TensorBoard高階技巧：TensorBoard低階API和超參數調校工具。　　◎使用TensorFlow Datasets資料集平台，更方便下載和使用。　　◎使用TensorFlow Hub開放預訓練模型平台，更方便搭建和使用預訓練權重。　　◎了解神經網路反向傳遞的原理。　　◎了解及實作全連接神經網路。　　◎了解及實作卷積神經網路。　　◎了解及實作遷移學習任務。　　◎掌握訓練網路的技巧：權重初始化的重要性、權重正規化、Dropout、Batch Normalization。　　◎運用深度學習經典網路架構：LeNet、AlexNet、VGG、GoogLeNet和ResNet。　　◎生成模型：AE、VAE、GAN、WGAN、WGAN-GP全面解說和實作。


	目錄 \|CHAPTER 00\| 環境安裝 0.1　Python安裝 0.2　TensorFlow安裝 0.3　Python擴充套件安裝 0.4　Jupyter Notebook 0.5　GitHub程式碼 \|CHAPTER 01\| TensorFlow 2.0介紹 1.1　什麼是深度學習？ 1.2　建立專案 1.3　TensorFlow介紹 1.4　TensorFlow 2.0更動 1.5　Eager Execution 1.6　Keras 1.7　tf.data \|CHAPTER 02\| 迴歸問題 2.1　深度神經網路 2.2　Kaggle介紹 2.3　實驗一：房價預測模型 2.4　TensorBoard介紹 2.5　實驗二：過擬合問題 2.6　參考文獻 \|CHAPTER 03\| 二元分類問題 3.1　機器學習的四大類別 3.2　二元分類問題 3.3　實驗：精靈寶可夢對戰預測 3.4　參考文獻 \|CHAPTER 04\| 多類別分類問題 4.1　卷積神經網路 4.2　多類別分類問題 4.3　實驗：CIFAR-10影像識別 4.4　參考文獻 \|CHAPTER 05\| 神經網路訓練技巧 5.1　反向傳遞 5.2　權重初始化 5.3　Batch Normalization 5.4　實驗一：使用CIFAR-10資料集實驗三種權重初始化方法 5.5　實驗二：使用CIFAR-10資料集實驗Batch Normalization方法 5.6　總結各種網路架構的性能比較 5.7　參考文獻 \|CHAPTER 06\| TensorFlow 2.0進階技巧 6.1　TensorFlow進階技巧 6.2　Keras高階API與客製化API比較 6.3　實驗：比較Keras高階API和客製化API兩種網路訓練的結果 \|CHAPTER 07\| TensorBoard進階技巧 7.1　TensorBoard進階技巧 7.2　實驗一：使用tf.summary.image記錄訓練結果 7.3　實驗二：使用TensorBoard超參數調校工具來訓練多個網路模型 \|CHAPTER 08\| 卷積神經網路經典架構 8.1　神經網路架構 8.2　實驗：實作Inception V3網路架構 8.3　參考文獻 \|CHAPTER 09\| 遷移學習 9.1　遷移學習 9.2　實驗：遷移學習範例 9.3　參考文獻 \|CHAPTER 10\| Variational Auto-Encoder 10.1 Auto-Encoder介紹 10.2 Variational Auto-Encoder介紹 10.3 Variational Auto-Encoder損失函數 10.4 實驗：Variational Auto-Encoder程式碼實現 10.5 參考文獻 \|CHAPTER 11\| Generative Adversarial Network 11.1 Generative Adversarial Network 11.2 GAN、WGAN、WGAN-GP的演進 11.3 實驗：WGAN-GP程式碼實現 11.4 參考文獻