新一代 Keras 3.x 重磅回歸：跨 TensorFlow 與 PyTorch 建構 Transformer、CNN、RNN、LSTM 深度學習模型

✧✦第一本 Keras 3 深度學習入門書✦✧

✧✦一本搞定影像辨識與自然語言處理✦✧

✧✦先圖解、再實作、而後實務應用✦✧

本書以淺顯易懂的方式與大量圖例介紹深度學習的理論基礎，並使用 Keras 3 來建構 MLP、CNN、RNN、LSTM、GRU、Transformer 模型，實作多種熱門分類、迴歸問題，最後再介紹資料預處理、超參數調整、預訓練模型的遷移學習等，讓讀者能夠應對未來的實務應用。

深度學習是一種實現機器學習的技術，能夠使用模仿人類大腦功能的「類神經網路」，訓練模型從大量資料中學習，進而處理如視覺、聽覺等感知問題。

而 Keras 3 是 Keras 的重磅回歸，這是架構在 TensorFlow 和 PyTorch 等後台框架上的高階前端函式庫，可以讓使用者輕鬆取得不同後台框架的優點，來打造出最佳的神經網路模型。

書中內容包含：普遍應用於影像辨識的 CNN、善於處理序列資料的 LSTM，還有近幾年爆紅、多被應用於自然語言、語音或音樂資料的 Transformer 模型，以及基於 Transformer 的 BERT 和 GPT 等大型語言模型的應用，還有結合文字與圖像的 StableDiffusion 文字生圖等豐富內容。

除了講述深度學習理論基礎之外，還提供大量實作範例：

☛ MLP 多層感知器 - 疾病預測、房價預測的迴歸問題
☛ CNN 卷積神經網路 - 手寫辨識、彩色圖片辨識
☛ RNN 循環神經網路、GRU 閘門循環單元神經網路 - 影評的情緒分析
☛ LSTM 長短期記憶神經網路 - 股價預測、新聞主題分類
☛ Transformer 模型 - 文字的情感分析、語言翻譯
 

以及預訓練模型與遷移學習：

☛ CV 電腦視覺 - ResNet50 圖片分類、YOLO 物體偵測、StableDiffusion 文字生圖
☛ NLP 自然語言處理 - BERT 情感分析、GPT-2 唐詩生成

還有 AE 自編碼器、Functional API 客製化神經網路、AutoML 自動調校模型超參數等多種主題等著你來學習！

本書特色:

✓ 跨 TensorFlow 和 PyTorch 的 Keras 開發環境
✓ 人工智慧、機器學習、深度學習的理論基礎
✓ 從最根本的感知器、到當紅的 Transformer 模型
✓ 逐步建構並調校自己的神經網路模型
✓ 影像、文字資料的預處理與模型視覺化
✓ YOLO、StableDiffusion 等電腦視覺模型的應用
✓ BERT、GPT 等大型預訓練模型的遷移學習
✓ 打造支援 GPU 的 Keras 開發環境

陳會安

學歷：美國猶他州州立大學電腦碩士
經歷：多所大專院校企業講師、松崗電腦產品經理、美商 PH 出版經理、專業電腦書作者
國內知名資訊技術作家，已出版逾 100 本電腦著作，包括：程式設計、網頁設計、資料庫、系統分析、資料結構等各種不同主題。

近年研究人工智慧、機器學習 / 深度學習、資料科學、網路爬蟲、大數據分析和物聯網相關課程與圖書寫作，也熱衷利用 Raspberry Pi、Arduino、ESP8266 / ESP32 和 Micro:bit 等開發板製作創客作品，投入創客領域的教學與寫作。
 

▍第一篇 人工智慧與深度學習的基礎
第 1 章 認識人工智慧與機器學習
1-1 人工智慧概論
1-2 認識機器學習
1-3 機器學習的種類

第 2 章 建構跨 TensorFlow 和 PyTorch 的 Keras 開發環境
2-1 認識 TensorFlow、PyTorch 與 Keras
2-2 建立與管理 Python 虛擬環境
2-3 建構 Python 深度學習的開發環境
2-4 使用 Spyder 整合開發環境
2-5 Jupyter Notebook 基本使用
2-6 使用 Google Colaboratory 雲端服務

第 3 章 深度學習的基礎
3-1 認識深度學習
3-2 深度學習的基礎知識
3-3 深度學習的神經網路 – 建構你的計算圖
3-4 深度學習的資料 – 張量

▍第二篇 多層感知器 – 迴歸與分類問題
第 4 章 圖解神經網路 – 多層感知器 (MLP)
4-1 線性不可分問題
4-2 認識多層感知器 (MLP)
4-3 神經網路的學習過程 – 正向與反向傳播
4-4 啟動函數與損失函數
4-5 反向傳播演算法與梯度下降法
4-6 神經網路的樣本和標籤資料

第 5 章 打造你的神經網路 – 多層感知器
5-1 如何使用 Keras 打造神經網路
5-2 打造分類問題的神經網路：糖尿病預測
5-3 認識線性迴歸
5-4 打造迴歸問題的神經網路：波士頓房價預測
5-5 儲存與載入神經網路模型

第 6 章 多層感知器的實作案例
6-1 實作案例：鳶尾花資料集的多元分類
6-2 實作案例：鐵達尼號資料集的生存分析
6-3 實作案例：加州房價預測的迴歸問題

▍第三篇 卷積神經網路 – 電腦視覺
第 7 章 圖解卷積神經網路 (CNN)
7-1 影像資料的穩定性問題
7-2 卷積運算與池化運算
7-3 認識卷積神經網路 CNN
7-4 卷積層
7-5 池化層與 Dropout 層
7-6 打造你的卷積神經網路

第 8 章 打造你的卷積神經網路
8-1 認識 MNIST 手寫數字資料集
8-2 使用 MLP 打造 MNIST 手寫辨識
8-3 使用 CNN 打造 MNIST 手寫辨識
8-4 MNIST 手寫辨識的預測結果

第 9 章 卷積神經網路的實作案例
9-1 實作案例：辨識 CIFAR-10 資料集的彩色圖片
9-2 實作案例：使用 MLP 或 CNN 實作自編碼器
9-3 實作案例：使用 CNN 自編碼器去除圖片的雜訊

▍第四篇 循環神經網路 – 自然語言處理
第 10 章 圖解 RNN、LSTM 和 GRU 神經網路
10-1 認識序列資料
10-2 自然語言處理的基礎
10-3 循環神經網路 (RNN)
10-4 長短期記憶神經網路 (LSTM)
10-5 閘門循環單元神經網路 (GRU)
10-6 文字資料向量化 Text Data Vectorization

第 11 章 打造你的循環神經網路
11-1 認識 IMDb 網路電影資料集
11-2 資料預處理與 Embedding 層
11-3 使用 MLP 和 CNN 打造 IMDb 情緒分析
11-4 如何使用 Keras 打造循環神經網路
11-5 使用 RNN、LSTM 和 GRU 打造 IMDb 情緒分析
11-6 堆疊 CNN 和 LSTM 打造 IMDb 情緒分析

第 12 章 循環神經網路的實作案例
12-1 實作案例：使用 LSTM 打造 MNIST 手寫辨識
12-2 實作案例：使用 LSTM 模型預測 Google 股價
12-3 實作案例：Reuters 路透社資料集的新聞主題分類

▍第五篇 建構出你自己的深度學習模型
第 13 章 訓練資料、預處理層與神經層資訊
13-1 多種資料來源的訓練資料
13-2 取得神經層資訊與中間層視覺化
13-3 載入文字檔資料集與文字預處理層
13-4 載入圖檔資料集與圖片預處理層
13-5 資料增強的圖片增強層
13-6 實作案例：在 Keras 模型使用圖片預處理層與增強層

第 14 章 調校你的深度學習模型
14-1 識別出模型的過度擬合問題
14-2 避免低度擬合與過度擬合
14-3 加速神經網路的訓練：選擇優化器
14-4 加速神經網路的訓練：批次正規化
14-5 在正確的時間點停止模型訓練
14-6 在模型訓練時自動儲存最佳權重
14-7 自動調校神經網路模型的超參數：KerasTuner

第 15 章 預訓練模型與遷移學習
15-1 Keras 預訓練模型的圖片分類
15-2 KerasCV 的 YOLO 物體偵測與 StableDiffusion 文生圖
15-3 KerasNLP 的 GPT-2 生成文字與 BERT 情感分析
15-4 認識遷移學習
15-5 實作案例：MNIST 手寫辨識的遷移學習
15-6 實作案例：Keras 預訓練模型的遷移學習

第 16 章 Functional API、客製化神經網路與 Transformer 模型
16-1 深度學習模型視覺化
16-2 再談 Functional API
16-3 共享層模型與多輸入 / 多輸出模型
16-4 客製化 Keras 神經網路
16-5 認識 Seq2Seq 模型與 Transformer 模型
16-6 實作案例：Transformer 情感分析與英譯中
16-7 實作案例：微調 KerasNLP 的 GPT-2 生成唐詩

▍電子書
附錄 A Python 程式語言與開發環境建立
A-1 Python 開發環境的建立
A-2 變數、資料型別與運算子
A-3 流程控制
A-4 函式、模組與套件
A-5 容器型別
A-6 類別與物件

附錄 B 使用 WSL 2 安裝支援 GPU 的 Keras 與 KerasNLP 開發環境
B-1 安裝 WSL 2、終端機與 Linux 子系統
B-2 在 Linux 子系統安裝 Anaconda
B-3 建立支援 GPU 的 Keras 與 KerasNLP 開發環境
B-4 使用 Jupyter Notebook 測試 GPU 開發環境