实用卷积神经网络_运用Python实现高级深度学习模型 - (EPUB全文下载)

文件大小：0.51 mb。
文件格式：epub 格式。
书籍内容：

实用卷积神经网络:运用Python实现高级深度学习模型
第1章 深度神经网络概述
1.1 创建神经网络块
1.2 TensorFlow介绍
1.3 MNIST数据集介绍
1.4 Keras深度学习库概述
1.5 基于Keras和MNIST的手写数字识别
1.5.1 训练和测试数据的检索
1.5.2 训练数据的可视化
1.5.3 创建神经网络
1.5.4 训练神经网络
1.5.5 测试
1.6 理解反向传播
1.7 本章小结
第2章 卷积神经网络介绍
2.1 CNN历史
2.2 卷积神经网络
2.2.1 计算机如何解释图像
2.2.2 编码实现图像可视化
2.2.3 dropout
2.2.4 输入层
2.2.5 卷积层
2.2.6 池化层
2.3 实践示例：图像分类
2.4 本章小结
第3章 构建CNN并进行性能优化
3.1 CNN架构和DNN的缺点
3.1.1 卷积操作
3.1.2 池化、步长和填充操作
3.2 TensorFlow中的卷积和池化操作
3.2.1 在TensorFlow中应用池化操作
3.2.2 TensorFlow中的卷积操作
3.3 训练CNN
3.3.1 初始化权重和偏置
3.3.2 正则化
3.3.3 激活函数
3.4 创建、训练和评估第一个CNN
3.5 模型性能优化
3.5.1 隐含层数量
3.5.2 每个隐含层的神经元个数
3.5.3 批标准化
3.5.4 高级正则化及过拟合的避免
3.5.5 运用哪个优化器
3.5.6 内存调优
3.5.7 层的位置调优
3.5.8 综合所有操作创建第二个CNN
3.5.9 数据集描述和预处理
3.5.10 创建CNN模型
3.5.11 训练和评估网络
3.6 本章小结
第4章 经典的CNN模型架构
4.1 ImageNet介绍
4.2 LeNet
4.3 AlexNet架构
4.4 VGGNet架构
4.5 GoogLeNet架构
4.5.1 架构洞察
4.5.2 inception模块
4.6 ResNet架构
4.7 本章小结
第5章 转移学习
5.1 特征提取方法
5.1.1 目标数据集较小且与原始训练集相似
5.1.2 目标数据集较小且与原始训练集不同
5.1.3 目标数据集很大且与原始训练集相似
5.1.4 目标数据集很大且与原始训练集不同
5.2 转移学习示例
5.3 多任务学习
5.4 本章小结
第6章 CNN自编码器
6.1 自编码器介绍
6.2 卷积自编码器
6.3 应用
6.4 本章小结
第7章 CNN目标检测与实例分割
7.1 目标检测与图像分类的区别
7.2 传统的、非CNN的目标检测方法
7.3 R-CNN：CNN特征区
7.4 Fast R-CNN：基于区域快速识别的CNN
7.5 Faster R-CNN：基于快速区域生成网络的CNN
7.6 Mask R-CNN：CNN实例分割
7.7 实例分割的代码实现
7.7.1 创建环境
7.7.2 准备COCO数据集文件夹结构
7.7.3 在COCO数据集上运行预训练模型
7.8 参考文献
7.9 本章小结
第8章 GAN：使用CNN生成新图像
8.1 Pix2pix：基于GAN的图像翻译
8.1.1 CycleGAN
8.1.2 训练GAN模型
8.2 GAN的代码示例
8.2.1 计算损失
8.2.2 半监督学习和GAN
8.3 特征匹配
8.3.1 基于半监督分类的GAN示例
8.3.2 深度卷积GAN
8.4 本章小结
第9章 CNN和视觉模型的注意力机制
9.1 图像描述中的注意力机制
9.2 注意力类型
9.2.1 硬注意力
9.2.2 软注意力
9.3 运用注意力改善视觉模型
9.3.1 视觉CNN模型次优性能的原因
9.3.2 循环视觉注意力模型
9.4 参考文献
9.5 本章小结
第1章　深度神经网络概述
在过去几年，我们已经见证了人工智能（深度学习）领域的显著进步。如今，深度学习是许多先进技术应用的基础，从自动驾驶汽车到自动创作艺术作品和音乐。科学家的目标是要让计算机不仅能理解语音，而且还能讲自然语言。深度学习是一种基于学习数据表示的机器学习方法，而不是特定的算法。深度学习能够使计算机从更简单和更小的概念构建复杂的概念。例如，深度学习系统通过将较低的标记边缘和角结合起来，并以分层的方式将它们组合成身体的各部分来识别一个人的形象。在不远的将来，深度学习将扩展到能让机器独立思考的相关应用。
本章将讨论以下主题：
·创建神经网络块。
·TensorFlow介绍。
·Keras介绍。
·反向传播。
1.1　创建神经网络块
神经网络由很多人工神经元组成。它是大脑的一种表征还是某种知识的数学表征？这里将试图讲解如何在实践中使用神经网络。卷积神经网络（CNN）是一种非常特殊的多层神经网络。CNN设计的目的是，以最小的数据处理代价直接从图像中识别出视觉模式。此网络的图形表示如图1-1所示。神经网络领域最初是受生物神经系统建模目标所启发的，但是从那时起，它就向不同的方向发展，成为一个工程问题，并在机器学习任务中取得良好效果。
图1-1　CNN的图形表示
人工神经元是一个接收输入并产生输出的函数。使用神经元的个数取决于要解决的问题。可能少至两个，也可能多至几千。有很多种将人工神经元连接在一起构建CNN的方法。一种常用的拓扑结构是前馈网络。
每个神经元接收来自其他神经元的输入。每个输入项对神经元的影响由权重控制，权重可以是正的也可以是负的。整个神经网络通过理解这种范式进而执行有效的计算来识别对象。现在我们把这些神经元连接成一个网络，称之为前馈网络。这意味着每一层的神经元将其输出向前传递到下一层，直到得到最终输出。相应公式如下：
前向传播神经元的实现如下： ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。