基本信息

书名:深度学习进阶：卷积神经网络和对象检测

定价：79.00元

作者:翁贝托·米凯卢奇（UmbertoMichelucci）著，陶阳李亚楠译 译

出版社：机械工业出版社

出版日期：2020-07-01

ISBN：9787111660927

字数：

页码：220

版次：220

装帧：平装

开本：16开

商品重量：

编辑推荐

内容提要

本书介绍卷积神经网络的核心——错综复杂的细节和算法的微妙之处。主要包括卷积神经网络的高级主题和使用Keras和TensorFlow的对象检测。

目录

前言 n
致谢 n
章　简介和设置开发环境 1 n
1.1　GitHub存储库和配套网站 2 n
1.2　的数学知识 3 n
1.3　Python开发环境 3 n
1.3.1　Google Colab 4 n
1.3.2　Anaconda 6 n
1.3.3　Docker映像 14 n
1.3.4　你选择哪个选项 18 n
第2章　TensorFlow：高级主题 20 n
2.1　Eager Execution简介 21 n
2.1.1　启用Eager Executio21 n
2.1.2　Eager Execution多项式拟合 22 n
2.1.3　应用Eager Executio的MNIST数据分类 26 n
2.2　TensorFlow和Numpy兼容性 30 n
2.3　硬件加速 30 n
2.3.1　检测GPU的可用性 30 n
2.3.2　设备名称 31 n
2.3.3　显式设备使用 32 n
2.3.4　GPU加速器演示：矩阵乘法 33 n
2.3.5　MNIST示例上的GPU加速效果 34 n
2.4　仅特定层训练 36 n
2.4.1　仅特定层训练示例 37 n
2.4.2　层移除 40 n
2.5　Keras回调函数 42 n
2.5.1　自定义回调类 42 n
2.5.2　自定义回调类示例 44 n
2.6　模型存储与加载 47 n
2.6.1　手动保存权重 52 n
2.6.2　保存整个模型 53 n
2.7　数据集抽象类 53 n
2.7.1　遍历数据集 55 n
2.7.2　简单批处理 56 n
2.7.3　使用MNIST数据集进行简单批处理 57 n
2.7.4　在Eager Execution模式下使用tf.data.Dataset 60 n
2.8　本章小结 60 n
第3章　卷积神经网络的基础 61 n
3.1　核和过滤器 61 n
3.2　卷积 62 n
3.3　卷积示例 71 n
3.4　池化 77 n
3.5　N的构建基块 81 n
3.5.1　卷积层 82 n
3.5.2　池化层 83 n
3.5.3　叠加层 84 n
3.6　N的权重数量 84 n
3.6.1　卷积层 84 n
3.6.2　池化层 85 n
3.6.3　稠密层 85 n
3.7　N的示例：MNIST数据集 85 n
3.8　N学习的可视化 89 n
3.8.1　keras.backend.function简介 89 n
3.8.2　核的作用效果 91 n
3.8.3　池化的作用效果 93 n
第4章　高级N与迁移学习 95 n
4.1　多通道卷积 95 n
4.2　初始网络的历史和基础 98 n
4.2.1　初始模块：初始版本 99 n
4.2.2　初始模块中的参数数量 100 n
4.2.3　具有降维功能的初始模块 100 n
4.3　多种成本函数：GoogLeNet 102 n
4.4　Keras中的初始模块示例 103 n
4.5　偏离：Keras中的自定义损失 106 n
4.6　如何使用预先训练过的网络 108 n
4.7　迁移学习简介 111 n
4.8　猫狗问题 114 n
4.8.1　迁移学习的经典方法 114 n
4.8.2　迁移学习实验 120 n
第5章　成本函数与风格转换 123 n
5.1　神经网络模型的构成 123 n
5.1.1　训练被视为优化问题 124 n
5.1.2　具体示例：线性回归 125 n
5.2　成本函数 126 n
5.2.1　数学符号 126 n
5.2.2　典型成本函数 127 n
5.3　神经风格转换 134 n
5.3.1　神经风格转换背后的数学原理 135 n
5.3.2　Keras中的图像风格转换示例 139 n
5.3.3　使用神经风格转换生成剪影 145 n
5.3.4　masking 146 n
第6章　对象分类简介 148 n
6.1　什么是对象定位 148 n
6.1.1　重要的可用数据集 150 n
6.1.2　交并比 152 n
6.2　一种简单的对象定位方法：滑动窗口法 153 n
6.3　分类和定位 159 n
6.4　基于区域的卷积神经网络 161 n
6.5　快速R-N 164 n
6.6　更快的R-N 165 n
第7章　对象定位：基于Python的实现 167 n
7.1　YOLO方法 167 n
7.1.1　YOLO工作机制 168 n
7.1.2　YOLOv2 170 n
7.1.3　YOLOv3 171 n
7.1.4　非极大值抑制 171 n
7.1.5　损失函数 172 n
7.2　YOLO在Python和OpenCV中的实现 173 n
7.2.1　YOLO的Dark实现 173 n
7.2.2　应用Dark测试对象检测 175 n
7.3　为特定图像训练YOLO模型 180 n
7.4　本章小结 181 n
第8章　组织学组织分类 183 n
8.1　数据分析和准备 184 n
8.2　建立模型 192 n
8.3　数据增强 201 n
8.3.1　水平和垂直移动 202 n
8.3.2　垂直翻转图像 203 n
8.3.3　旋转图像 204 n
8.3.4　图像缩放 205 n
8.3.5　综合操作 206 n
8.4　带有数据增强的VGG16 206 n
8.4.1　fit函数 207 n
8.4.2　fit_generator函数 207 n
8.4.3　train_on_batch函数 208 n
8.4.4　训练网络 208 n
8.5　现在好好享受 209

作者介绍

序言