深度学习之图像识别：核心技术与案例实战 - (EPUB全文下载)

文件大小：0.8 mb。
文件格式：epub 格式。
书籍内容：

深度学习之图像识别：核心技术与案例实战
第1章 神经网络基础
1.1 神经网络的生物基础与数学模型
1.1.1 神经元
1.1.2 感知机
1.1.3 BP算法
1.2 卷积神经网络基础
1.2.1 卷积神经网络的基本结构
1.2.2 卷积与权值共享
1.2.3 感受野与池化
第2章 深度学习优化基础
2.1 深度学习主流开源框架
2.1.1 Caffe简介
2.1.2 TensorFlow简介
2.1.3 PyTorch简介
2.1.4 Theano简介
2.1.5 Keras简介
2.1.6 MXNet简介
2.1.7 Chainer简介
2.2 网络优化参数
2.2.1 常用激活函数
2.2.2 参数初始化方法
2.2.3 最优化方法
2.2.4 归一化方法
2.2.5 正则化方法
第3章 深度学习中的数据
3.1 深度学习通用数据集的发展
3.1.1 MNIST数据集
3.1.2 CIFAR10和CIFAR100数据集
3.1.3 PASCAL数据集
3.1.4 ImageNet数据集
3.1.5 Microsoft COCO数据集
3.2 常见的计算机视觉任务数据集
3.2.1 人脸数据集
3.2.2 自动驾驶数据集
3.2.3 医学数据集
3.3 数据增强
3.3.1 有监督数据增强
3.3.2 无监督数据增强
3.4 数据的收集与标注
3.4.1 数据收集
3.4.2 数据标注
3.4.3 数据清洗与整理
第4章 图像分类
4.1 图像分类基础
4.1.1 图像分类问题
4.1.2 深度学习图像分类发展简史
4.1.3 评测指标与优化目标
4.1.4 图像分类的挑战
4.2 移动端实时表情分类实战
4.2.1 项目背景
4.2.2 数据预处理
4.2.3 项目方案
4.2.4 模型训练与测试
4.2.5 项目总结
4.3 细粒度图像分类实战
4.3.1 项目背景
4.3.2 项目方案
4.3.3 模型训练与测试
4.3.4 参数调试
4.3.5 项目总结
第5章 图像分割
5.1 传统图像分割方法
5.1.1 阈值法
5.1.2 区域生长法与超像素
5.1.3 图切割
5.1.4 活动轮廓模型
5.2 深度学习图像分割
5.2.1 基本流程
5.2.2 反卷积
5.2.3 多尺度与感受野
5.2.4 CRF方法
5.2.5 Image Matting与图像融合
5.3 移动端实时图像分割项目
5.3.1 项目背景
5.3.2 项目方案
5.3.3 模型训练与总结
5.4 一个实时肖像换背景项目
5.4.1 项目背景
5.4.2 项目方案
5.4.3 模型训练与测试
5.4.4 项目总结
第6章 目标检测
6.1 目标检测基础
6.1.1 检测窗口选择
6.1.2 特征提取
6.1.3 分类器
6.1.4 V-J人脸检测算法
6.2 深度学习目标检测方法
6.2.1 Selective search与R-CNN
6.2.2 RoI Pooling与SPPNet
6.2.3 Fast R-CNN与Faster R-CNN
6.2.4 YOLO方法
6.2.5 SSD方法
6.2.6 目标检测中的关键技术
6.3 实战Faster-R-CNN目标检测
6.3.1 项目背景
6.3.2 py-faster-rcnn框架解读
6.3.3 模型定义与分析
6.3.4 模型训练与测试
6.3.5 项目总结
第7章 数据与模型可视化
7.1 数据可视化
7.1.1 低维数据可视化
7.1.2 高维数据可视化
7.2 模型可视化
7.2.1 模型结构可视化
7.2.2 模型权重可视化
7.2.3 特征图可视化
7.3 可视化案例
7.3.1 项目背景
7.3.2 数据接口定义
7.3.3 网络结构定义
7.3.4 可视化代码添加
7.3.5 可视化训练指标
第8章 模型压缩
8.1 模型压缩方法
8.1.1 模型设计压缩
8.1.2 网络剪枝与量化
8.1.3 张量分解
8.1.4 模型蒸馏与迁移学习
8.2 模型压缩实战
8.2.1 网络分析
8.2.2 输入尺度和第一层卷积设计
8.2.3 网络宽度与深度压缩
8.2.4 弥补通道损失
8.2.5 总结
第9章 损失函数
9.1 分类任务损失
9.1.1 什么是0-1 loss
9.1.2 熵与交叉熵loss
9.1.3 softmax loss及其变种
9.1.4 KL散度
9.1.5 Hinge loss简介
9.1.6 Exponential loss与Logistic loss
9.1.7 多标签分类任务loss
9.2 回归任务损失
9.2.1 L1 loss与L2 loss
9.2.2 L1 loss与L2 loss的改进
9.3 常见图像任务与loss使用
9.3.1 图像基础任务
9.3.2 风格化与图像复原，超分辨重建
9.3.3 生成对抗网络
9.3.4 总结
第10章 模型部署与上线
10.1 微信小程序前端开发
10.1.1 小程序的技术特点与定位
10.1.2 Web前端基础
10.1.3 小程序开发工具
10.1.4 小程序前端目录
10.1.5 小程序前端开发
10.2 微信小程序服务端开发
10.2.1 域名注册与管理
10.2.2 服务端框架简介
10.2.3 算法搭建与实现
10.3 Caffe环境配置
10.3.1 依赖库安装
10.3.2 Caffe编译安装
第1章　神经网络基础
自计算机发展以来，人们逐渐使用计算机来代替繁杂冗余的计算及任务。在传统的编程方法中，我们需要告诉计算机如何去做，人为地将大问题划分为许多小问题，精确定义任务以便计算机执行。这些方法在解决图像识别、语音识别和自然语言处理等领域的疑难问题时，往往效果不佳；而使用神经网络处理问题时，不需要我们告诉计算机如何分解问题，而是由神经网络自发地从观测数据中进行学习，并找到解决方案。
深度学习作为目前最热门的技术研究方向之一，为许多通过传统方法解决不了的问题 ............

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。