Python深度學習實戰(zhàn)：基于TensorFlow和Keras的聊天機器人以及人臉、物體和語音識別

定　價：￥69.00

作　者：	納溫·庫馬爾·馬納西著，劉毅冰薛明譯
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111622765	出版時間：	2019-05-01	包裝：	平裝
開本：	16開	頁數(shù)：	168	字數(shù)：

內(nèi)容簡介

　　本書討論使用TensorFlow和Keras等框架構(gòu)建深度學習應用，如計算機視覺、語音識別以及聊天機器人。第1章主要介紹TensorFlow基礎(chǔ)，包括張量、計算圖與會話等內(nèi)容；第2章介紹理解并運用Keras，涵蓋了深度學習模型構(gòu)建的主要步驟；第3章、第4章、第5章介紹多層感知機，并分別介紹了TensorFlow及Keras中回歸與多層感知機的實現(xiàn)；第6章、第7章、第8章介紹卷積神經(jīng)網(wǎng)絡(luò)，并分別介紹了TensorFlow及Keras中卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)；第9章進入序列相關(guān)的處理，介紹了RNN和LSTM；第10章介紹語音和文本的處理；第11章講述結(jié)合前面所學知識，創(chuàng)建聊天機器人；第12章介紹了人臉檢測與識別相關(guān)的內(nèi)容。

作者簡介

　　納溫·庫馬爾·馬納西（Navin Kumar Manaswi）多年來一直使用人工智能相關(guān)的尖端技術(shù)開發(fā)AI解決方案。曾在位于馬來西亞、新加坡的咨詢公司以及迪拜智慧城市項目任職。他擁有自己的公司，曾開發(fā)出一種多方法混合的技術(shù)，用于端到端的人工智能解決方案的分發(fā)，包括視頻智能、文本智能以及類人聊天機器人。目前，他致力于解決醫(yī)療保健、企業(yè)應用、工業(yè)IoT方向的B2B問題，并作為一名深度學習AI架構(gòu)師在SymphonyAI Incubator兼職。在本書中，他希望面向開發(fā)者、數(shù)據(jù)科學家、軟件工程師、數(shù)據(jù)庫工程師、數(shù)據(jù)分析師以及C級管理者介紹認知計算與服務。

圖書目錄

序

第1章　TensorFlow基礎(chǔ) 1

1.1　張量 2

1.2　計算圖與會話 2

1.3　常量、占位符與變量 4

1.4　占位符 6

1.5　創(chuàng)建張量 8

1.5.1　固定張量 9

1.5.2　序列張量 11

1.5.3　隨機張量 11

1.6　矩陣操作 12

1.7　激活函數(shù) 13

1.7.1　雙曲正切函數(shù)與Sigmoid函數(shù) 13

1.7.2　ReLU與ELU 15

1.7.3　ReLU6 15

1.8　損失函數(shù) 17

1.8.1　損失函數(shù)實例 18

1.8.2　常用的損失函數(shù) 18

1.9　優(yōu)化器 19

1.9.1　優(yōu)化器實例 20

1.9.2　常用的優(yōu)化器 21

1.10　度量 21

??1.10.1　度量實例 22

??1.10.2　常用的度量 22

第2章　理解并運用Keras 25

2.1　深度學習模型構(gòu)建的主要步驟 25

2.1.1　載入數(shù)據(jù) 26

2.1.2　預處理數(shù)據(jù) 27

2.1.3　定義模型 27

2.1.4　編譯模型 29

2.1.5　擬合模型 29

2.1.6　評估模型 30

2.1.7　預測 30

2.1.8　保存與重載模型 31

2.1.9　可選：總結(jié)模型 31

2.2　改進Keras模型的附加步驟 32

2.3　Keras聯(lián)合TensorFlow 33

第3章　多層感知機 35

3.1　人工神經(jīng)網(wǎng)絡(luò) 35

3.2　單層感知機 37

3.3　多層感知機 37

3.4　邏輯斯諦回歸模型 38

第4章　TensorFlow中的回歸到MLP 45

4.1　TensorFlow搭建模型的步驟 45

4.2　TensorFlow中的線性回歸 46

4.3　邏輯斯諦回歸模型 49

4.4　TensorFlow中的多層感知機 52

第5章　Keras中的回歸到MLP 55

5.1　對數(shù)-線性模型 55

5.2　線性回歸的Keras神經(jīng)網(wǎng)絡(luò) 56

5.3　邏輯斯諦回歸 58

5.3.1scikit-learn邏輯斯諦回歸 58

5.3.2邏輯斯諦回歸的Keras神經(jīng)網(wǎng)絡(luò) 59

5.3.3流行的MNIST數(shù)據(jù)：Keras中的邏輯斯諦回歸 60

5.4　基于Iris數(shù)據(jù)的MLP 62

5.4.1　編寫代碼 62

5.4.2構(gòu)建一個序列Keras模型 63

5.5基于MNIST數(shù)據(jù)的MLP數(shù)字分類 66

5.6　基于隨機生成數(shù)據(jù)的MLP 68

第6章　卷積神經(jīng)網(wǎng)絡(luò) 71

6.1　CNN中的各種層 71

6.2　CNN結(jié)構(gòu) 74

第7章　TensorFlow中的CNN 77

7.1為什么用TensorFlow搭建CNN模型 77

7.2基于MNIST數(shù)據(jù)集搭建圖片分類器的TensorFlow代碼 78

7.3　使用高級API搭建CNN模型 82

第8章　Keras中的CNN 83

8.1在Keras中使用MNIST數(shù)據(jù)集搭建圖片分類器 83

8.1.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 85

8.1.2　定義模型架構(gòu) 85

8.2使用CIFAR-10數(shù)據(jù)集搭建圖片分類器 86

8.2.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 87

8.2.2　定義模型架構(gòu) 88

8.3　預訓練模型 89

第9章　RNN與LSTM 91

9.1　循環(huán)神經(jīng)網(wǎng)絡(luò)的概念 91

9.2　長短時記憶網(wǎng)絡(luò)的概念 93

9.3　LSTM常見模式 93

9.4　序列預測 94

9.4.1　數(shù)字序列預測 94

9.4.2　序列分類 95

9.4.3　序列生成 95

9.4.4　序列到序列預測 95

9.5利用LSTM模型處理時間序列預測問題 96

第10章　語音-文本轉(zhuǎn)換及其逆過程 101

10.1　語音-文本轉(zhuǎn)換 101

10.2　語音數(shù)據(jù) 102

10.3語音特征：將語音映射為矩陣 103

10.4聲譜圖：將語音映射為圖像 104

10.5利用MFCC特征構(gòu)建語音識別分類器 104

10.6利用聲譜圖構(gòu)建語音識別分類器 105

10.7　開源方法 106

10.8　使用API的例子 107

10.8.1　使用PocketSphinx 107

10.8.2使用Google Speech API 108

10.8.3使用Google Cloud Speech API 108

10.8.4　使用Wit.ai API 108

10.8.5　使用Houndify API 109

10.8.6使用IBM Speech to Text API 109

10.8.7使用Bing Voice Recognition API 110

10.9　文本-語音轉(zhuǎn)換 110

10.9.1　使用pyttsx 110

10.9.2　使用SAPI 111

10.9.3　使用SpeechLib 111

10.10　音頻剪輯代碼 111

10.11　認知服務提供商 112

10.11.1　Microsoft Azure 113

10.11.2　 Cognitive Services 113

10.11.3　IBM Watson Services 113

10.12　語音分析的未來 113

第11章　創(chuàng)建聊天機器人 115

11.1　為什么是聊天機器人 116

11.2　聊天機器人的設(shè)計和功能 116

11.3　構(gòu)建聊天機器人的步驟 116

11.3.1　預處理文本和消息 117

11.3.2用API構(gòu)建聊天機器人 130

11.4聊天機器人開發(fā)的最佳實踐 133

11.4.1　了解潛在用戶 133

11.4.2讀入用戶情感使得機器人情感更豐富 133

第12章　人臉檢測與識別 135

12.1人臉檢測、人臉識別與人臉分析 135

12.2　OpenCV 136

12.2.1　特征臉 137

12.2.2　LBPH 137

12.2.3　費歇臉 138

12.3　檢測人臉 139

12.4　跟蹤人臉 141

12.5　人臉識別 144

12.6　基于深度學習的人臉識別 147

12.7　遷移學習 149

12.7.1為什么要用遷移學習 150

12.7.2　遷移學習實例 150

12.7.3　計算遷移值 152

12.8　API 158

附錄1　圖像處理的Keras函數(shù) 161

附錄2　可用的優(yōu)質(zhì)圖像數(shù)據(jù)集 165

附錄3　醫(yī)學成像：DICOM文件格式 167