本书讨论使用TensorFlow和Keras等框架构建深度学习应用程序，集中于所需的模型和算法，帮助你在短时间内提高实践技能。内容涵盖了聊天机器人、自然语言处理、人脸和对象识别等主题。目标是提供创建能够执行深度学习的程序所需的概念、技术和算法实现。

讲述行业标准化的深度学习实践
详细解释人脸识别、人脸检测及物体检测算法，并附有代码
对比分析了Watson、Azure、Amazon等主流平台的开源API

计算机\人工智能

本书讨论使用TensorFlow和Keras等框架构建深度学习应用，如计算机视觉、语音识别以及聊天机器人。本书集中于深度学习应用所需的模型和算法，帮助你在短时间内提高实践技能。本书覆盖了聊天机器人、自然语言处理、人脸和物体识别等话题，目标是为创建能够执行深度学习的程序提供所需的概念、技术和算法实现。
本书涉及中高级的深度学习技术，其中包括卷积神经网络、循环神经网络以及多层感知机，同时探讨了一些比较流行的API，比如IBM Watson、Microsoft Azure以及scikit-learn。
通过阅读本书，你会学习：
如何运用各种各样的深度学习框架，如TensorFlow、Keras以及scikit-learn
如何构建人脸识别和人脸检测
如何实现语音到文本以及文本到语音的转换
如何用深度学习创建聊天机器人

序
第1章　TensorFlow基础 1
1.1　张量 2
1.2　计算图与会话 2
1.3　常量、占位符与变量 4
1.4　占位符 6
1.5　创建张量 8
1.5.1　固定张量 9
1.5.2　序列张量 11
1.5.3　随机张量 11
1.6　矩阵操作 12
1.7　激活函数 13
1.7.1　双曲正切函数与Sigmoid函数 13
1.7.2　ReLU与ELU 15
1.7.3　ReLU6 15
1.8　损失函数 17
1.8.1　损失函数实例 18
1.8.2　常用的损失函数 18
1.9　优化器 19
1.9.1　优化器实例 20
1.9.2　常用的优化器 21
1.10　度量 21
??1.10.1　度量实例 22
??1.10.2　常用的度量 22
第2章　理解并运用Keras 25
2.1　深度学习模型构建的主要步骤 25
2.1.1　载入数据 26
2.1.2　预处理数据 27
2.1.3　定义模型 27
2.1.4　编译模型 29
2.1.5　拟合模型 29
2.1.6　评估模型 30
2.1.7　预测 30
2.1.8　保存与重载模型 31
2.1.9　可选：总结模型 31
2.2　改进Keras模型的附加步骤 32
2.3　Keras联合TensorFlow 33
第3章　多层感知机 35
3.1　人工神经网络 35
3.2　单层感知机 37
3.3　多层感知机 37
3.4　逻辑斯谛回归模型 38
第4章　TensorFlow中的回归到MLP 45
4.1　TensorFlow搭建模型的步骤 45
4.2　TensorFlow中的线性回归 46
4.3　逻辑斯谛回归模型 49
4.4　TensorFlow中的多层感知机 52
第5章　Keras中的回归到MLP 55
5.1　对数-线性模型 55
5.2　线性回归的Keras神经网络 56
5.3　逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras神经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4　基于Iris数据的MLP 62
5.4.1　编写代码 62
5.4.2 构建一个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6　基于随机生成数据的MLP 68
第6章　卷积神经网络 71
6.1　CNN中的各种层 71
6.2　CNN结构 74
第7章　TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3　使用高级API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1　定义网络结构 85
8.1.2　定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1　定义网络结构 87
8.2.2　定义模型架构 88
8.3　预训练模型 89
第9章　RNN与LSTM 91
9.1　循环神经网络的概念 91
9.2　长短时记忆网络的概念 93
9.3　LSTM常见模式 93
9.4　序列预测 94
9.4.1　数字序列预测 94
9.4.2　序列分类 95
9.4.3　序列生成 95
9.4.4　序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
第10章　语音-文本转换及其逆过程 101
10.1　语音-文本转换 101
10.2　语音数据 102
10.3 语音特征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC特征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7　开源方法 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-语音转换 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音频剪辑代码 111
10.11　认知服务提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　语音分析的未来 113
第11章　创建聊天机器人 115
11.1　为什么是聊天机器人 116
11.2　聊天机器人的设计和功能 116
11.3　构建聊天机器人的步骤 116
11.3.1　预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的最佳实践 133
11.4.1　了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
第12章　人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2　OpenCV 136
12.2.1　特征脸 137
12.2.2　LBPH 137
12.2.3　费歇脸 138
12.3　检测人脸 139
12.4　跟踪人脸 141
12.5　人脸识别 144
12.6　基于深度学习的人脸识别 147
12.7　迁移学习 149
12.7.1 为什么要用迁移学习 150
12.7.2　迁移学习实例 150
12.7.3　计算迁移值 152
12.8　API 158
附录1　图像处理的Keras函数 161
附录2　可用的优质图像数据集 165
附录3　医学成像：DICOM文件格式 167