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

深度學習進階(卷積神經網路和對象檢測)/智能系統與技術叢書

  • 作者：(瑞士)翁貝托·米凱盧奇|責編:孫榕舒|譯者:陶陽//李亞楠
  • 出版社：機械工業
  • ISBN：9787111660927
  • 出版日期：2020/07/01
  • 裝幀：平裝
  • 頁數：210
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書包含卷積神經網路的核心演算法的複雜細節和精妙內容。在本書中，你能學到有關使用Keras和TensorFlow實現CNN和對象檢測的高級主題。
    在學習的過程中，你會看到CNN中的基本操作，例如卷積和池化，然後學習更高級架構，例如初始網路、ResNet等。在學習理論主題的同時，你將學到很多Keras的高效應用技巧，包括如何使用自定義回調類自定義Keras中的日誌、Eager Execution的概念以及如何在模型中使用它。
    最後，本書將研究對象檢測的工作原理，並使用Keras和TensorFlow構建YOLO演算法的完整實現。學習完本書時，你將會使用Keras實現各種模型，並學到許多高級技巧，使你的技能更上一層樓。
    本書包含以下內容
    卷積神經網路和對象檢測的工作原理。
    如何將權重和模型保存到磁碟上。
    如何暫停訓練並重新啟動。
    如何在代碼中使用硬體加速（GPU）。
    如何使用Dataset TensorFlow抽象、使用預訓練的模型和進行遷移學習。
    如何在預訓練的網路中刪除和添加層，以使其適應特定項目。
    如何將經過預訓練的模型（例如Alexnet和VGG16）應用於新數據集。
作者介紹
(瑞士)翁貝托·米凱盧奇|責編:孫榕舒|譯者:陶陽//李亞楠
目錄
前言
致謝
第1章  簡介和設置開發環境
  1.1  GitHub存儲庫和配套網站
  1.2  必備的數學知識
  1.3  Python開發環境
    1.3.1  Google Colab
    1.3.2  Anaconda
    1.3.3  Docker映像
    1.3.4  你選擇哪個選項
第2章  TensorFlow：高級主題
  2.1  Eager Execution簡介
    2.1.1  啟用Eager Execution
    2.1.2  Eager Execution多項式擬合
    2.1.3  應用Eager Execution的MNIST數據分類
  2.2  TensorFlow和Numpy兼容性
  2.3  硬體加速
    2.3.1  檢測GPU的可用性
    2.3.2  設備名稱
    2.3.3  顯式設備使用
    2.3.4  GPU加速器演示：矩陣乘法
    2.3.5  MNIST示例上的GPU加速效果
  2.4  僅特定層訓練
    2.4.1  僅特定層訓練示例
    2.4.2  層移除
  2.5  Keras回調函數
    2.5.1  自定義回調類
    2.5.2  自定義回調類示例
  2.6  模型存儲與載入
    2.6.1  手動保存權重
    2.6.2  保存整個模型
  2.7  數據集抽象類
    2.7.1  遍曆數據集
    2.7.2  簡單批處理
    2.7.3  使用MNIST數據集進行簡單批處理
    2.7.4  在Eager Execution模式下使用tf.data.Dataset
  2.8  本章小結
第3章  卷積神經網路的基礎
  3.1  核和過濾器
  3.2  卷積
  3.3  卷積示例
  3.4  池化
  3.5  CNN的構建基塊
    3.5.1  卷積層
    3.5.2  池化層
    3.5.3  疊加層
  3.6  CNN的權重數量
    3.6.1  卷積層
    3.6.2  池化層
    3.6.3  稠密層

  3.7  CNN的示例：MNIST數據集
  3.8  CNN學習的可視化
    3.8.1  keras.backend.function()簡介
    3.8.2  核的作用效果
    3.8.3  最大池化的作用效果
第4章  高級CNN與遷移學習
  4.1  多通道卷積
  4.2  初始網路的歷史和基礎
    4.2.1  初始模塊：初始版本
    4.2.2  初始模塊中的參數數量
    4.2.3  具有降維功能的初始模塊
  4.3  多種成本函數：GoogLeNet
  4.4  Keras中的初始模塊示例
  4.5  偏離：Keras中的自定義損失
  4.6  如何使用預先訓練過的網路
  4.7  遷移學習簡介
  4.8  貓狗問題
    4.8.1  遷移學習的經典方法
    4.8.2  遷移學習實驗
第5章  成本函數與風格轉換
  5.1  神經網路模型的構成
    5.1.1  訓練被視為優化問題
    5.1.2  具體示例：線性回歸
  5.2  成本函數
    5.2.1  數學符號
    5.2.2  典型成本函數
  5.3  神經風格轉換
    5.3.1  神經風格轉換背後的數學原理
    5.3.2  Keras中的圖像風格轉換示例
    5.3.3  使用神經風格轉換生成剪影
    5.3.4  masking
第6章  對象分類簡介
  6.1  什麼是對象定位
    6.1.1  重要的可用數據集
    6.1.2  交並比
  6.2  一種簡單的對象定位方法：滑動窗口法
  6.3  分類和定位
  6.4  基於區域的卷積神經網路
  6.5  快速R-CNN
  6.6  更快的R-CNN
第7章  對象定位：基於Python的實現
  7.1  YOLO方法
    7.1.1  YOLO工作機制
    7.1.2  YOLOv2
    7.1.3  YOLOv3
    7.1.4  非極大值抑制
    7.1.5  損失函數
  7.2  YOLO在Python和OpenCV中的實現
    7.2.1  YOLO的Darknet實現
    7.2.2  應用Darknet測試對象檢測

  7.3  為特定圖像訓練YOLO模型
  7.4  本章小結
第8章  組織學組織分類
  8.1  數據分析和準備
  8.2  建立模型
  8.3  數據增強
    8.3.1  水平和垂直移動
    8.3.2  垂直翻轉圖像
    8.3.3  隨機旋轉圖像
    8.3.4  圖像縮放
    8.3.5  綜合操作
  8.4  帶有數據增強的VGG16
    8.4.1  fit()函數
    8.4.2  fit_generator()函數
    8.4.3  train_on_batch()函數
    8.4.4  訓練網路
  8.5  現在好好享受

  • 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