这本Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别 [Deep Learning with Applications Using Python：Chatb]图书，是2019-05-01月由机械工业出版社所出版的，著作者信息： 纳温·库马尔·马纳西（Navin，Kumar，Manaswi） 著，刘毅冰 薛明 译，本版是第1次印刷， ISBN：9787111622765，品牌：机工出版, 这本书的包装是16开平装，所用纸张为胶版纸，全书页数168，字数有万字， 是本值得推荐的Python软件开发图书。
此书内容摘要
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。
第1章主要介绍TensorFlow基础，包括张量、计算图与会话等内容；
第2章介绍理解并运用Keras，涵盖了深度学习模型构建的主要步骤；
第3章、第4章、第5章介绍多层感知机，并分别介绍了TensorFlow及Keras中回归与多层感知机的实现；
第6章、第7章、第8章介绍卷积神经网络，并分别介绍了TensorFlow及Keras中卷积神经网络的实现；
第9章进入序列相关的处理，介绍了RNN和LSTM；
第10章介绍语音和文本的处理；
第11章讲述结合前面所学知识，创建聊天机器人；
第12章介绍了人脸检测与识别相关的内容。
关于此书作者
纳温·库马尔·马纳西（Navin Kumar Manaswi） 多年来一直使用人工智能相关的尖端技术开发AI解决方案。曾在位于马来西亚、新加坡的咨询公司以及迪拜智慧城市项目任职。他拥有自己的公司，曾开发出一种多方法混合的技术，用于端到端的人工智能解决方案的分发， 包括视频智能、文本智能以及类人聊天机器人。目前，他致力于解决医疗保健、企业应用、工业IoT方向的B2B问题，并作为一名深度学习AI架构师在SymphonyAI Incubator兼职。在本书中，他希望面向开发者、数据科学家、软件工程师、数据库工程师、数据分析师以及C级管理者介绍认知计算与服务。
编辑们的推荐
适读人群 ：深度学习从业者及研究人员本书讨论使用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
Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别 [Deep Learning with Applications Using Python：Chatb]图书的目录
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
1.7.2ReLU与ELU 15
1.7.3ReLU6 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
2.3Keras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
4.1TensorFlow搭建模型的步骤 45
4.2TensorFlow中的线性回归 46
4.3逻辑斯谛回归模型 49
4.4TensorFlow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
5.3.1scikit-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
6.1CNN中的各种层 71
6.2CNN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
9.3LSTM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
10.11.1Microsoft Azure 113
10.11.2 Cognitive Services 113
10.11.3IBM 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
12.2OpenCV 136
12.2.1特征脸 137
12.2.2LBPH 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
12.8API 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
部分内容试读
深度学习经历了很长时间的发展，从最初试图理解人类心智与观念联想论的概念—我们是如何理解事物以及物体和观点之间的关系是如何影响我们的思考和行为的，直到对联想行为进行建模。后者始于19世纪70年代，亚历山大·贝恩（Alexander Bain）通过组合神经元的方式开启了人工神经网络的篇章。
到2018年，我们看到了深度学习如何被显著改进并以各种各样的形式呈现出来—从物体检测、语音识别、机器翻译、自动驾驶、人脸检测以及人脸检测的日常应用（比如解锁你的iPhone X），到实现更复杂的任务（比如犯罪活动的甄别与预防）。
卷积神经网络（CNN）和循环神经网络（RNN）正熠熠生辉，因为它们接连不断地帮助人们解决世界性的问题，毫不夸张地说是在所有的行业领域，如自动化交通与运输、医疗卫生与保健、零售业等。这些领域正在取得重大进展，通过以下这些指标就足以说明深度学习领域的活力：
自1996年起，计算机科学的学术论文数已经飙升了10倍以上。
自2000年起，风险投资对AI初创公司的投资增加了6倍以上。
自2000年起，活跃的AI初创公司的数量增加了14倍以上。
自2013年起，所有AI相关的工作市场雇佣量增加了5倍以上，并且深度学习在2018年是最抢手的技能。
84%的企业相信投资AI会使它们具有强大的竞争优势。
图像分类的错误率已经从2012年的28%下降到了2017年的2.5%，并且还一直在下降！
尽管如此，研究者并不满足。我与我的同行们正在一起推动和发展新的胶囊网络（CapsNet），这将大为拓展深度学习的边界。我不是独自在战斗。很高兴能为Navin这本书作序， Navin是我熟知的深度学习领域中一位备受尊敬的专家。
这本书恰逢其时。 此刻，无论是业界从业者还是研究者都急需通过实践来提高他们对深度学习的理解并最终将其应用到实际工作中。
我确信Navin这本书能给学习者提供所需的知识。TensorFlow框架正在迅速成为市场的引领者， Keras也越来越多地被用来解决计算机视觉和自然语言处理中的问题。这两个框架如此重要，以至于还没有哪个相关行业的公司不使用它们。
期待这本书的出版！
Tarry Singh
Deepkapha.ai的建立者和AI神经科学研究员
Coursera的深度学习导师
关于此书评价
暂无.书摘内容
暂无.Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别 [Deep Learning with Applications Using Python：Chatb]最新最全的试读、书评、目录、简介信息由Python中文网整理提供。