幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

實用卷積神經網路(運用Python實現高級深度學習模型)/智能系統與技術叢書

  • 作者：(印度)莫希特·賽瓦克//(孟加拉)穆罕默德·禮薩·卡里姆//(美)普拉蒂普·普賈里|譯者:王彩霞
  • 出版社：機械工業
  • ISBN：9787111621966
  • 出版日期：2019/04/01
  • 裝幀：平裝
  • 頁數：181
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    卷積神經網路（CNN）正在對視覺識別系統、自動駕駛汽車、醫學發現、創新電子商務等多個應用領域產生革命性的影響。本書首先基於圖像分類的例子概述深度神經網路，併為人臉識別構建一個CNN。隨後構建一個高級視覺相關演算法，用於目標檢測、實例分割、生成式對抗網路、圖像描述、視覺注意力機制和視覺循環模型。本書完結時，你應該可以在專業項目中利用複雜的圖像、視頻數據來實現先進和高效的CNN模型。
    本書內容：
    構建CNN模型，了解它們的實際應用領域
    建立一個CNN圖像分類器模型，理解不同組件的相互作用，然後學習如何優化
    學慣用于目標檢測和實例分割的不同演算法
    學習諸如CNN注意力機制等先進的概念以提高預測精度
    理解轉移學習，並實現如AlexNet、VGG、GoogLeNet、ResNet等CNN結構設計
    了解生成式對抗網路的工作原理，以及如何創建新的不可見的圖像
作者介紹
(印度)莫希特·賽瓦克//(孟加拉)穆罕默德·禮薩·卡里姆//(美)普拉蒂普·普賈里|譯者:王彩霞
目錄
前言
關於作者
關於審閱者
第1章  深度神經網路概述
  1.1  創建神經網路塊
  1.2  TensorFlow介紹
  1.3  MNIST數據集介紹
  1.4  Keras深度學習庫概述
  1.5  基於Keras和MNIST的手寫數字識別
    1.5.1  訓練和測試數據的檢索
    1.5.2  訓練數據的可視化
    1.5.3  創建神經網路
    1.5.4  訓練神經網路
    1.5.5  測試
  1.6  理解反向傳播
  1.7  本章小結
第2章  卷積神經網路介紹
  2.1  CNN歷史
  2.2  卷積神經網路
    2.2.1  電腦如何解釋圖像
    2.2.2  編碼實現圖像可視化
    2.2.3  dropout
    2.2.4  輸入層
    2.2.5  卷積層
    2.2.6  池化層
  2.3  實踐示例：圖像分類
  2.4  本章小結
第3章  構建CNN並進行性能優化
  3.1  CNN架構和DNN的缺點
    3.1.1  卷積操作
    3.1.2  池化、步長和填充操作
  3.2  TensorFlow中的卷積和池化操作
    3.2.1  在TensorFlow中應用池化操作
    3.2.2  TensorFlow中的卷積操作
  3.3  訓練CNN
    3.3.1  初始化權重和偏置
    3.3.2  正則化
    3.3.3  激活函數
  3.4  創建、訓練和評估第一個CNN
  3.5  模型性能優化
    3.5.1  隱含層數量
    3.5.2  每個隱含層的神經元個數
    3.5.3  批標準化
    3.5.4  高級正則化及過擬合的避免
    3.5.5  運用哪個優化器
    3.5.6  內存調優
    3.5.7  層的位置調優
    3.5.8  綜合所有操作創建第二個CNN
    3.5.9  數據集描述和預處理
    3.5.10  創建CNN模型

    3.5.11  訓練和評估網路
  3.6  本章小結
第4章  經典的CNN模型架構
  4.1  ImageNet介紹
  4.2  LeNet
  4.3  AlexNet架構
  4.4  VGGNet架構
  4.5  GoogLeNet架構
    4.5.1  架構洞察
    4.5.2  inception模塊
  4.6  ResNet架構
  4.7  本章小結
第5章  轉移學習
  5.1  特徵提取方法
    5.1.1  目標數據集較小且與原始訓練集相似
    5.1.2  目標數據集較小且與原始訓練集不同
    5.1.3  目標數據集很大且與原始訓練集相似
    5.1.4  目標數據集很大且與原始訓練集不同
  5.2  轉移學習示例
  5.3  多任務學習
  5.4  本章小結
第6章  CNN自編碼器
  6.1  自編碼器介紹
  6.2  卷積自編碼器
  6.3  應用
  6.4  本章小結
第7章  CNN目標檢測與實例分割
  7.1  目標檢測與圖像分類的區別
  7.2  傳統的、非CNN的目標檢測方法
  7.3  R-CNN：CNN特徵區
  7.4  Fast R-CNN：基於區域快速識別的CNN
  7.5  Faster R-CNN：基於快速區域生成網路的CNN
  7.6  Mask R-CNN：CNN實例分割
  7.7  實例分割的代碼實現
    7.7.1  創建環境
    7.7.2  準備COCO數據集文件夾結構
    7.7.3  在COCO數據集上運行預訓練模型
  7.8  參考文獻
  7.9  本章小結
第8章  GAN：使用CNN生成新圖像
  8.1  Pix2pix：基於GAN的圖像翻譯
    8.1.1  CycleGAN
    8.1.2  訓練GAN模型
  8.2  GAN的代碼示例
    8.2.1  計算損失
    8.2.2  半監督學習和GAN
  8.3  特徵匹配
    8.3.1  基於半監督分類的GAN示例
    8.3.2  深度卷積GAN
  8.4  本章小結

第9章  CNN和視覺模型的注意力機制
  9.1  圖像描述中的注意力機制
  9.2  注意力類型
    9.2.1  硬注意力
    9.2.2  軟注意力
  9.3  運用注意力改善視覺模型
    9.3.1  視覺CNN模型次優性能的原因
    9.3.2  循環視覺注意力模型
  9.4  參考文獻
  9.5  本章小結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032