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

深度學習與圖像識別(原理與實踐彩色印刷)/智能系統與技術叢書

  • 作者：魏溪含//塗銘//張修鵬
  • 出版社：機械工業
  • ISBN：9787111630036
  • 出版日期：2019/07/01
  • 裝幀：平裝
  • 頁數：265
人民幣：RMB 129 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    這是一部從技術原理、演算法和工程實踐3個維度系統講解圖像識別的著作，由阿里巴巴達摩院演算法專家、阿里巴巴技術發展專家、阿里巴巴數據架構師聯合撰寫。
    在知識點的選擇上，本書廣度和深度兼顧，既能讓完全沒有基礎的讀者迅速入門，又能讓有基礎的讀者深入掌握圖像識別的核心技術；在寫作方式上，本書避開了複雜的數學公式及其推導，從問題的前因後果、創造者的思考過程角度展開，利用簡單的數學計算來做模型分析和講解，通俗易懂。更重要的是，本書不僅聚焦于技術，更是將重點放在了如何用技術解決實際的業務問題。
    全書一共13章：
    第1?2章主要介紹了圖像識別的應用場景、工具和工作環境的搭建；
    第3?6章詳細講解了圖像分類演算法、機器學習、神經網路、誤差反向傳播等圖像識別的基礎技術及其原理；
    第7章講解了如何利用PyTorch來實現神經網路的圖像分類，專註于實操，是從基礎向高階的過渡；
    第8?12章深入講解了圖像識別的核心技術及其原理，包括卷積神經網路、目標檢測、分割、產生式模型、神經網路可視化等主題；
    第13章從工程實踐的角度講解了圖像識別演算法的部署模式。
作者介紹
魏溪含//塗銘//張修鵬
目錄
前言
第1章  機器視覺在行業中的應用
  1.1  機器視覺的發展背景
    1.1.1  人工智慧
    1.1.2  機器視覺
  1.2  機器視覺的主要應用場景
    1.2.1  人臉識別
    1.2.2  視頻監控分析
    1.2.3  工業瑕疵檢測
    1.2.4  圖片識別分析
    1.2.5  自動駕駛/駕駛輔助
    1.2.6  三維圖像視覺
    1.2.7  醫療影像診斷
    1.2.8  文字識別
    1.2.9  圖像/視頻的生成及設計
  1.3  本章小結
第2章  圖像識別前置技術
  2.1  深度學習框架
    2.1.1  Theano
    2.1.2  Tensorflow
    2.1.3  MXNet
    2.1.4  Keras
    2.1.5  PyTorch
    2.1.6  Caffe
  2.2  搭建圖像識別開發環境
    2.2.1  Anaconda
    2.2.2  conda
    2.2.3  Pytorch的下載與安裝
  2.3  Numpy使用詳解
    2.3.1  創建數組
    2.3.2  創建Numpy數組
    2.3.3  獲取Numpy屬性
    2.3.4  Numpy數組索引
    2.3.5  切片
    2.3.6  Numpy中的矩陣運算
    2.3.7  數據類型轉換
    2.3.8  Numpy的統計計算方法
    2.3.9  Numpy中的arg運算
    2.3.10  FancyIndexing
    2.3.11  Numpy數組比較
  2.4  本章小結
第3章  圖像分類之KNN演算法
  3.1  KNN的理論基礎與實現
    3.1.1  理論知識
    3.1.2  KNN的演算法實現
  3.2  圖像分類識別預備知識
    3.2.1  圖像分類
    3.2.2  圖像預處理
  3.3  KNN實戰
    3.3.1  KNN實現MNIST數據分類

    3.3.2  KNN實現Cifar10數據分類
  3.4  模型參數調優
  3.5  本章小結
第4章  機器學習基礎
  4.1  線性回歸模型
    4.1.1  一元線性回歸
    4.1.2  多元線性回歸
  4.2  邏輯回歸模型
    4.2.1  Sigmoid函數
    4.2.2  梯度下降法
    4.2.3  學習率的分析
    4.2.4  邏輯回歸的損失函數
    4.2.5  Python實現邏輯回歸
  4.3  本章小結
第5章  神經網路基礎
  5.1  神經網路
    5.1.1  神經元
    5.1.2  激活函數
    5.1.3  前向傳播
  5.2  輸出層
    5.2.1  Softmax
    5.2.2  one-hotencoding
    5.2.3  輸出層的神經元個數
    5.2.4  MNIST數據集的前向傳播
  5.3  批處理
  5.4  廣播原則
  5.5  損失函數
    5.5.1  均方誤差
    5.5.2  交叉熵誤差
    5.5.3  Mini-batch
  5.6  最優化
    5.6.1  隨機初始化
    5.6.2  跟隨梯度（數值微分）
  5.7  基於數值微分的反向傳播
  5.8  基於測試集的評價
  5.9  本章小結
第6章  誤差反向傳播
  6.1  激活函數層的實現
    6.1.1  ReLU反向傳播實現
    6.1.2  Sigmoid反向傳播實現
  6.2  Affine層的實現
  6.3  Softmaxwithloss層的實現
  6.4  基於數值微分和誤差反向傳播的比較
  6.5  通過反向傳播實現MNIST識別
  6.6  正則化懲罰
  6.7  本章小結
第7章  PyTorch實現神經網路圖像分類
  7.1  PyTorch的使用
    7.1.1  Tensor
    7.1.2  Variable

    7.1.3  激活函數
    7.1.4  損失函數
  7.2  PyTorch實戰
    7.2.1  PyTorch實戰之MNIST分類
    7.2.2  PyTorch實戰之Cifar10分類
  7.3  本章小結
第8章  卷積神經網路
  8.1  卷積神經網路基礎
    8.1.1  全連接層
    8.1.2  卷積層
    8.1.3  池化層
    8.1.4  批規範化層
  8.2  常見卷積神經網路結構
    8.2.1  AlexNet
    8.2.2  VGGNet
    8.2.3  GoogLeNet
    8.2.4  ResNet
    8.2.5  其他網路結構
  8.3  VGG16實現Cifar10分類
    8.3.1  訓練
    8.3.2  預測及評估
  8.4  本章小結
  8.5  參考文獻
第9章  目標檢測
  9.1  定位+分類
  9.2  目標檢測
    9.2.1  R-CNN
    9.2.2  Fast R-CNN
    9.2.3  Faster R-CNN
    9.2.4  YOLO
    9.2.5  SSD
  9.3  SSD實現VOC目標檢測
    9.3.1  PASCAL VOC數據集
    9.3.2  數據準備
    9.3.3  構建模型
    9.3.4  定義Loss
    9.3.5  SSD訓練細節
    9.3.6  訓練
    9.3.7  測試
  9.4  本章小結
  9.5  參考文獻
第10章  分割
  10.1  語義分割
    10.1.1  FCN
    10.1.2  UNet實現裂紋分割
    10.1.3  SegNet
    10.1.4  PSPNet
  10.2  實例分割
    10.2.1  層疊式
    10.2.2  扁平式

  10.3  本章小結
  10.4  參考文獻
第11章  產生式模型
  11.1  自編碼器
  11.2  對抗生成網路
  11.3  DCGAN及實戰
    11.3.1  數據集
    11.3.2  網路設置
    11.3.3  構建產生網路
    11.3.4  構建判別網路
    11.3.5  定義損失函數
    11.3.6  訓練過程
    11.3.7  測試
  11.4  其他GAN
  11.5  本章小結
  11.6  參考文獻
第12章  神經網路可視化
  12.1  卷積核
  12.2  特徵層
    12.2.1  直接觀測
    12.2.2  通過重構觀測
    12.2.3  末端特徵激活情況
    12.2.4  特徵層的作用
  12.3  圖片風格化
    12.3.1  理論介紹
    12.3.2  代碼實現
  12.4  本章小結
  12.5  參考文獻
第13章  圖像識別演算法的部署模式
  13.1  圖像演算法部署模式介紹
  13.2  實際應用場景和部署模式的匹配
  13.3  案例介紹
  13.4  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