掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能系統與技術叢書深度學習進階:卷積神經網絡和對象檢測 版權信息
- ISBN：9787111660927
- 條形碼：9787111660927 ; 978-7-111-66092-7
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能系統與技術叢書深度學習進階:卷積神經網絡和對象檢測 內容簡介
本書介紹卷積神經網絡的核心——錯綜復雜的細節和算法的微妙之處。主要包括卷積神經網絡的不錯主題和使用Keras和TensorFlow的對象檢測。
智能系統與技術叢書深度學習進階:卷積神經網絡和對象檢測 目錄
前言
致謝
第1章 簡介和設置開發環境 1
1.1 GitHub存儲庫和配套網站 2
1.2 **的數學知識 3
1.3 Python開發環境 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 應用Eager Execution 的MNIST數據分類 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 設備名稱 31
2.3.3 顯式設備使用 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 僅特定層訓練 36
2.4.1 僅特定層訓練示例 37
2.4.2 層移除 40
2.5 Keras回調函數 42
2.5.1 自定義回調類 42
2.5.2 自定義回調類示例 44
2.6 模型存儲與加載 47
2.6.1 手動保存權重 52
2.6.2 保存整個模型 53
2.7 數據集抽象類 53
2.7.1 遍歷數據集 55
2.7.2 簡單批處理 56
2.7.3 使用MNIST數據集進行簡單批處理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小結 60
第3章 卷積神經網絡的基礎 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的權重數量 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數據集 85
3.8 CNN學習的可視化 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與遷移學習 95
4.1 多通道卷積 95
4.2 初始網絡的歷史和基礎 98
4.2.1 初始模塊：初始版本 99
4.2.2 初始模塊中的參數數量 100
4.2.3 具有降維功能的初始模塊 100
4.3 多種成本函數：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 如何使用預先訓練過的網絡 108
4.7 遷移學習簡介 111
4.8 貓狗問題 114
4.8.1 遷移學習的經典方法 114
4.8.2 遷移學習實驗 120
第5章 成本函數與風格轉換 123
5.1 神經網絡模型的構成 123
5.1.1 訓練被視為優化問題 124
5.1.2 具體示例：線性回歸 125
5.2 成本函數 126
5.2.1 數學符號 126
5.2.2 典型成本函數 127
5.3 神經風格轉換 134
5.3.1 神經風格轉換背后的數學原理 135
5.3.2 Keras中的圖像風格轉換示例 139
5.3.3 使用神經風格轉換生成剪影 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 重要的可用數據集 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 基于區域的卷積神經網絡 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 167
7.1 YOLO方法 167
7.1.1 YOLO工作機制 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 172
7.2 YOLO在Python和OpenCV中的實現 173
7.2.1 YOLO的Darknet實現 173
7.2.2 應用Darknet測試對象檢測 175
7.3 為特定圖像訓練YOLO模型 180
7.4 本章小結 181
第8章 組織學組織分類 183
8.1 數據分析和準備 184
8.2 建立模型 192
8.3 數據增強 201
8.3.1 水平和垂直移動 202
8.3.2 垂直翻轉圖像 203
8.3.3 隨機旋轉圖像 204
8.3.4 圖像縮放 205
8.3.5 綜合操作 206
8.4 帶有數據增強的VGG16 206
8.4.1 fit()函數 207
8.4.2 fit_generator()函數 207
8.4.3 train_on_batch()函數 208
8.4.4 訓練網絡 208
8.5 現在好好享受 209
致謝
第1章 簡介和設置開發環境 1
1.1 GitHub存儲庫和配套網站 2
1.2 **的數學知識 3
1.3 Python開發環境 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 應用Eager Execution 的MNIST數據分類 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 設備名稱 31
2.3.3 顯式設備使用 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 僅特定層訓練 36
2.4.1 僅特定層訓練示例 37
2.4.2 層移除 40
2.5 Keras回調函數 42
2.5.1 自定義回調類 42
2.5.2 自定義回調類示例 44
2.6 模型存儲與加載 47
2.6.1 手動保存權重 52
2.6.2 保存整個模型 53
2.7 數據集抽象類 53
2.7.1 遍歷數據集 55
2.7.2 簡單批處理 56
2.7.3 使用MNIST數據集進行簡單批處理 57
2.7.4 在Eager Execution模式下使用tf.data.Dataset 60
2.8 本章小結 60
第3章 卷積神經網絡的基礎 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的權重數量 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數據集 85
3.8 CNN學習的可視化 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與遷移學習 95
4.1 多通道卷積 95
4.2 初始網絡的歷史和基礎 98
4.2.1 初始模塊：初始版本 99
4.2.2 初始模塊中的參數數量 100
4.2.3 具有降維功能的初始模塊 100
4.3 多種成本函數：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 如何使用預先訓練過的網絡 108
4.7 遷移學習簡介 111
4.8 貓狗問題 114
4.8.1 遷移學習的經典方法 114
4.8.2 遷移學習實驗 120
第5章 成本函數與風格轉換 123
5.1 神經網絡模型的構成 123
5.1.1 訓練被視為優化問題 124
5.1.2 具體示例：線性回歸 125
5.2 成本函數 126
5.2.1 數學符號 126
5.2.2 典型成本函數 127
5.3 神經風格轉換 134
5.3.1 神經風格轉換背后的數學原理 135
5.3.2 Keras中的圖像風格轉換示例 139
5.3.3 使用神經風格轉換生成剪影 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 重要的可用數據集 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 基于區域的卷積神經網絡 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 167
7.1 YOLO方法 167
7.1.1 YOLO工作機制 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 172
7.2 YOLO在Python和OpenCV中的實現 173
7.2.1 YOLO的Darknet實現 173
7.2.2 應用Darknet測試對象檢測 175
7.3 為特定圖像訓練YOLO模型 180
7.4 本章小結 181
第8章 組織學組織分類 183
8.1 數據分析和準備 184
8.2 建立模型 192
8.3 數據增強 201
8.3.1 水平和垂直移動 202
8.3.2 垂直翻轉圖像 203
8.3.3 隨機旋轉圖像 204
8.3.4 圖像縮放 205
8.3.5 綜合操作 206
8.4 帶有數據增強的VGG16 206
8.4.1 fit()函數 207
8.4.2 fit_generator()函數 207
8.4.3 train_on_batch()函數 208
8.4.4 訓練網絡 208
8.5 現在好好享受 209
展開全部
書友推薦
- >
詩經-先民的歌唱
- >
山海經
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
伯納黛特,你要去哪(2021新版)
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
月亮虎
- >
我從未如此眷戀人間
本類暢銷
