掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
>
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)進(jìn)階:卷積神經(jīng)網(wǎng)絡(luò)和對象檢測
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)進(jìn)階:卷積神經(jīng)網(wǎng)絡(luò)和對象檢測
開本：
其他
頁數(shù)：
220
本類五星書更多>
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
深度學(xué)習(xí)
-
>
Unreal Engine 4藍(lán)圖完全學(xué)習(xí)教程
-
>
深入理解計算機(jī)系統(tǒng)-原書第3版
-
>
Word/Excel PPT 2013辦公應(yīng)用從入門到精通-(附贈1DVD.含語音視頻教學(xué)+辦公模板+PDF電子書)
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)進(jìn)階:卷積神經(jīng)網(wǎng)絡(luò)和對象檢測 版權(quán)信息
- ISBN：9787111660927
- 條形碼：9787111660927 ; 978-7-111-66092-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)進(jìn)階:卷積神經(jīng)網(wǎng)絡(luò)和對象檢測 內(nèi)容簡介
本書介紹卷積神經(jīng)網(wǎng)絡(luò)的核心——錯綜復(fù)雜的細(xì)節(jié)和算法的微妙之處。主要包括卷積神經(jīng)網(wǎng)絡(luò)的不錯主題和使用Keras和TensorFlow的對象檢測。
智能系統(tǒng)與技術(shù)叢書深度學(xué)習(xí)進(jìn)階:卷積神經(jīng)網(wǎng)絡(luò)和對象檢測 目錄
前言
致謝
第1章 簡介和設(shè)置開發(fā)環(huán)境 1
1.1 GitHub存儲庫和配套網(wǎng)站 2
1.2 **的數(shù)學(xué)知識 3
1.3 Python開發(fā)環(huán)境 3
1.3.1 Google Colab 4
1.3.2 Anaconda 6
1.3.3 Docker映像 14
1.3.4 你選擇哪個選項 18
第2章 TensorFlow：高級主題 20
2.1 Eager Execution簡介 21
2.1.1 啟用Eager Execution 21
2.1.2 Eager Execution多項式擬合 22
2.1.3 應(yīng)用Eager Execution 的MNIST數(shù)據(jù)分類 26
2.2 TensorFlow和Numpy兼容性 30
2.3 硬件加速 30
2.3.1 檢測GPU的可用性 30
2.3.2 設(shè)備名稱 31
2.3.3 顯式設(shè)備使用 32
2.3.4 GPU加速器演示：矩陣乘法 33
2.3.5 MNIST示例上的GPU加速效果 34
2.4 僅特定層訓(xùn)練 36
2.4.1 僅特定層訓(xùn)練示例 37
2.4.2 層移除 40
2.5 Keras回調(diào)函數(shù) 42
2.5.1 自定義回調(diào)類 42
2.5.2 自定義回調(diào)類示例 44
2.6 模型存儲與加載 47
2.6.1 手動保存權(quán)重 52
2.6.2 保存整個模型 53
2.7 數(shù)據(jù)集抽象類 53
2.7.1 遍歷數(shù)據(jù)集 55
2.7.2 簡單批處理 56
2.7.3 使用MNIST數(shù)據(jù)集進(jìn)行簡單批處理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小結(jié) 60
第3章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ) 61
3.1 核和過濾器 61
3.2 卷積 62
3.3 卷積示例 71
3.4 池化 77
3.5 CNN的構(gòu)建基塊 81
3.5.1 卷積層 82
3.5.2 池化層 83
3.5.3 疊加層 84
3.6 CNN的權(quán)重數(shù)量 84
3.6.1 卷積層 84
3.6.2 池化層 85
3.6.3 稠密層 85
3.7 CNN的示例：MNIST數(shù)據(jù)集 85
3.8 CNN學(xué)習(xí)的可視化 89
3.8.1 keras.backend.function()簡介 89
3.8.2 核的作用效果 91
3.8.3 *大池化的作用效果 93
第4章 高級CNN與遷移學(xué)習(xí) 95
4.1 多通道卷積 95
4.2 初始網(wǎng)絡(luò)的歷史和基礎(chǔ) 98
4.2.1 初始模塊：初始版本 99
4.2.2 初始模塊中的參數(shù)數(shù)量 100
4.2.3 具有降維功能的初始模塊 100
4.3 多種成本函數(shù)：GoogLeNet 102
4.4 Keras中的初始模塊示例 103
4.5 偏離：Keras中的自定義損失 106
4.6 如何使用預(yù)先訓(xùn)練過的網(wǎng)絡(luò) 108
4.7 遷移學(xué)習(xí)簡介 111
4.8 貓狗問題 114
4.8.1 遷移學(xué)習(xí)的經(jīng)典方法 114
4.8.2 遷移學(xué)習(xí)實驗 120
第5章 成本函數(shù)與風(fēng)格轉(zhuǎn)換 123
5.1 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成 123
5.1.1 訓(xùn)練被視為優(yōu)化問題 124
5.1.2 具體示例：線性回歸 125
5.2 成本函數(shù) 126
5.2.1 數(shù)學(xué)符號 126
5.2.2 典型成本函數(shù) 127
5.3 神經(jīng)風(fēng)格轉(zhuǎn)換 134
5.3.1 神經(jīng)風(fēng)格轉(zhuǎn)換背后的數(shù)學(xué)原理 135
5.3.2 Keras中的圖像風(fēng)格轉(zhuǎn)換示例 139
5.3.3 使用神經(jīng)風(fēng)格轉(zhuǎn)換生成剪影 145
5.3.4 masking 146
第6章 對象分類簡介 148
6.1 什么是對象定位 148
6.1.1 重要的可用數(shù)據(jù)集 150
6.1.2 交并比 152
6.2 一種簡單的對象定位方法：滑動窗口法 153
6.3 分類和定位 159
6.4 基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò) 161
6.5 快速R-CNN 164
6.6 更快的R-CNN 165
第7章 對象定位：基于Python的實現(xiàn) 167
7.1 YOLO方法 167
7.1.1 YOLO工作機(jī)制 168
7.1.2 YOLOv2 170
7.1.3 YOLOv3 171
7.1.4 非極大值抑制 171
7.1.5 損失函數(shù) 172
7.2 YOLO在Python和OpenCV中的實現(xiàn) 173
7.2.1 YOLO的Darknet實現(xiàn) 173
7.2.2 應(yīng)用Darknet測試對象檢測 175
7.3 為特定圖像訓(xùn)練YOLO模型 180
7.4 本章小結(jié) 181
第8章 組織學(xué)組織分類 183
8.1 數(shù)據(jù)分析和準(zhǔn)備 184
8.2 建立模型 192
8.3 數(shù)據(jù)增強(qiáng) 201
8.3.1 水平和垂直移動 202
8.3.2 垂直翻轉(zhuǎn)圖像 203
8.3.3 隨機(jī)旋轉(zhuǎn)圖像 204
8.3.4 圖像縮放 205
8.3.5 綜合操作 206
8.4 帶有數(shù)據(jù)增強(qiáng)的VGG16 206
8.4.1 fit()函數(shù) 207
8.4.2 fit_generator()函數(shù) 207
8.4.3 train_on_batch()函數(shù) 208
8.4.4 訓(xùn)練網(wǎng)絡(luò) 208
8.5 現(xiàn)在好好享受 209
致謝
第1章 簡介和設(shè)置開發(fā)環(huán)境 1
1.1 GitHub存儲庫和配套網(wǎng)站 2
1.2 **的數(shù)學(xué)知識 3
1.3 Python開發(fā)環(huán)境 3
1.3.1 Google Colab 4
1.3.2 Anaconda 6
1.3.3 Docker映像 14
1.3.4 你選擇哪個選項 18
第2章 TensorFlow：高級主題 20
2.1 Eager Execution簡介 21
2.1.1 啟用Eager Execution 21
2.1.2 Eager Execution多項式擬合 22
2.1.3 應(yīng)用Eager Execution 的MNIST數(shù)據(jù)分類 26
2.2 TensorFlow和Numpy兼容性 30
2.3 硬件加速 30
2.3.1 檢測GPU的可用性 30
2.3.2 設(shè)備名稱 31
2.3.3 顯式設(shè)備使用 32
2.3.4 GPU加速器演示：矩陣乘法 33
2.3.5 MNIST示例上的GPU加速效果 34
2.4 僅特定層訓(xùn)練 36
2.4.1 僅特定層訓(xùn)練示例 37
2.4.2 層移除 40
2.5 Keras回調(diào)函數(shù) 42
2.5.1 自定義回調(diào)類 42
2.5.2 自定義回調(diào)類示例 44
2.6 模型存儲與加載 47
2.6.1 手動保存權(quán)重 52
2.6.2 保存整個模型 53
2.7 數(shù)據(jù)集抽象類 53
2.7.1 遍歷數(shù)據(jù)集 55
2.7.2 簡單批處理 56
2.7.3 使用MNIST數(shù)據(jù)集進(jìn)行簡單批處理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小結(jié) 60
第3章 卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ) 61
3.1 核和過濾器 61
3.2 卷積 62
3.3 卷積示例 71
3.4 池化 77
3.5 CNN的構(gòu)建基塊 81
3.5.1 卷積層 82
3.5.2 池化層 83
3.5.3 疊加層 84
3.6 CNN的權(quán)重數(shù)量 84
3.6.1 卷積層 84
3.6.2 池化層 85
3.6.3 稠密層 85
3.7 CNN的示例：MNIST數(shù)據(jù)集 85
3.8 CNN學(xué)習(xí)的可視化 89
3.8.1 keras.backend.function()簡介 89
3.8.2 核的作用效果 91
3.8.3 *大池化的作用效果 93
第4章 高級CNN與遷移學(xué)習(xí) 95
4.1 多通道卷積 95
4.2 初始網(wǎng)絡(luò)的歷史和基礎(chǔ) 98
4.2.1 初始模塊：初始版本 99
4.2.2 初始模塊中的參數(shù)數(shù)量 100
4.2.3 具有降維功能的初始模塊 100
4.3 多種成本函數(shù)：GoogLeNet 102
4.4 Keras中的初始模塊示例 103
4.5 偏離：Keras中的自定義損失 106
4.6 如何使用預(yù)先訓(xùn)練過的網(wǎng)絡(luò) 108
4.7 遷移學(xué)習(xí)簡介 111
4.8 貓狗問題 114
4.8.1 遷移學(xué)習(xí)的經(jīng)典方法 114
4.8.2 遷移學(xué)習(xí)實驗 120
第5章 成本函數(shù)與風(fēng)格轉(zhuǎn)換 123
5.1 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成 123
5.1.1 訓(xùn)練被視為優(yōu)化問題 124
5.1.2 具體示例：線性回歸 125
5.2 成本函數(shù) 126
5.2.1 數(shù)學(xué)符號 126
5.2.2 典型成本函數(shù) 127
5.3 神經(jīng)風(fēng)格轉(zhuǎn)換 134
5.3.1 神經(jīng)風(fēng)格轉(zhuǎn)換背后的數(shù)學(xué)原理 135
5.3.2 Keras中的圖像風(fēng)格轉(zhuǎn)換示例 139
5.3.3 使用神經(jīng)風(fēng)格轉(zhuǎn)換生成剪影 145
5.3.4 masking 146
第6章 對象分類簡介 148
6.1 什么是對象定位 148
6.1.1 重要的可用數(shù)據(jù)集 150
6.1.2 交并比 152
6.2 一種簡單的對象定位方法：滑動窗口法 153
6.3 分類和定位 159
6.4 基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò) 161
6.5 快速R-CNN 164
6.6 更快的R-CNN 165
第7章 對象定位：基于Python的實現(xiàn) 167
7.1 YOLO方法 167
7.1.1 YOLO工作機(jī)制 168
7.1.2 YOLOv2 170
7.1.3 YOLOv3 171
7.1.4 非極大值抑制 171
7.1.5 損失函數(shù) 172
7.2 YOLO在Python和OpenCV中的實現(xiàn) 173
7.2.1 YOLO的Darknet實現(xiàn) 173
7.2.2 應(yīng)用Darknet測試對象檢測 175
7.3 為特定圖像訓(xùn)練YOLO模型 180
7.4 本章小結(jié) 181
第8章 組織學(xué)組織分類 183
8.1 數(shù)據(jù)分析和準(zhǔn)備 184
8.2 建立模型 192
8.3 數(shù)據(jù)增強(qiáng) 201
8.3.1 水平和垂直移動 202
8.3.2 垂直翻轉(zhuǎn)圖像 203
8.3.3 隨機(jī)旋轉(zhuǎn)圖像 204
8.3.4 圖像縮放 205
8.3.5 綜合操作 206
8.4 帶有數(shù)據(jù)增強(qiáng)的VGG16 206
8.4.1 fit()函數(shù) 207
8.4.2 fit_generator()函數(shù) 207
8.4.3 train_on_batch()函數(shù) 208
8.4.4 訓(xùn)練網(wǎng)絡(luò) 208
8.5 現(xiàn)在好好享受 209
展開全部
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
我與地壇
- >
名家?guī)阕x魯迅:故事新編
- >
莉莉和章魚
- >
二體千字文
- >
羅曼·羅蘭讀書隨筆-精裝
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
我從未如此眷戀人間
本類暢銷
