计算机视觉之深度学习：使用TensorFlow和Keras训练高级神经网络 - (EPUB全文下载)

文件大小：8.15 mb。
文件格式：epub 格式。
书籍内容：

版权信息
书名：计算机视觉之深度学习：使用TensorFlow和Keras训练高级神经网络
作者：[英] 拉贾林加帕 • 尚穆加马尼
译者：白勇
ISBN：978-7-115-53158-2
本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必究。
您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制和传播本书内容。
我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。
如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐号等维权措施，并可能追究法律责任。
图灵社区会员 peterhhk（1135061802@qq.com） 专享 尊重版权
版权声明
译者序
序
前言
读者对象
本书内容
如何充分利用本书
下载示例代码文件
排版约定
保持联系
评论
电子书
第 1 章　入门
1.1　理解深度学习
1.1.1　感知机
1.1.2　激活函数
1.1.3　人工神经网络
1.1.4　训练神经网络
1.1.5　尝试TensorFlow游乐场
1.1.6　卷积神经网络
1.1.7　循环神经网络
1.1.8　长短期记忆网络
1.2　计算机视觉深度学习
1.2.1　分类
1.2.2　检测或定位与分割
1.2.3　相似性学习
1.2.4　图像题注
1.2.5　生成模型
1.2.6　视频分析
1.3　建立开发环境
1.3.1　硬件和操作系统
1.3.2　安装软件包
1.4　小结
第 2 章　图像分类
2.1　在TensorFlow中训练MNIST模型
2.1.1　MNIST数据集
2.1.2　加载MNIST数据
2.1.3　建立一个感知机
2.1.4　构建多层卷积网络
2.2　在Keras中训练MNIST模型
2.2.1　准备数据集
2.2.2　构建模型
2.3　其他流行的图像测试数据集
2.3.1　CIFAR数据集
2.3.2　Fashion-MNIST数据集
2.3.3　ImageNet数据集和竞赛
2.4　更大的深度学习模型
2.4.1　AlexNet 模型
2.4.2　VGG-16模型
2.4.3　谷歌Inception-V3模型
2.4.4　微软ResNet-50模型
2.4.5　SqueezeNet模型
2.4.6　空间变换网络模型
2.4.7　DenseNet模型
2.5　训练猫与狗的模型
2.5.1　准备数据
2.5.2　使用简单CNN进行基准测试
2.5.3　增强数据集
2.5.4　迁移学习或微调模型
2.5.5　在深度学习中微调一些层
2.6　开发现实世界的应用
2.6.1　选择正确的模型
2.6.2　处理欠拟合和过拟合场景
2.6.3　从面部检测性别和年龄
2.6.4　微调服装模型
2.6.5　品牌安全
2.7　小结
第 3 章　图像检索
3.1　理解视觉特征
3.1.1　深度学习模型的可视化激活
3.1.2　嵌入可视化
3.1.3　DeepDream
3.1.4　对抗样本
3.2　模型推断
3.2.1　导出模型
3.2.2　提供训练好的模型
3.3　基于内容的图像检索
3.3.1　构建检索流水线
3.3.2　有效的检索
3.3.3　使用自编码器去噪
3.4　小结
第 4 章　目标检测
4.1　检测图像中的目标
4.2　探索数据集
4.2.1　ImageNet数据集
4.2.2　PASCAL VOC挑战
4.2.3　COCO目标检测挑战
4.2.4　使用指标评估数据集
4.3　目标定位算法
4.3.1　使用滑动窗口定位目标
4.3.2　将定位看作回归问题
4.4　检测目标
4.4.1　R-CNN（区域卷积神经网络）
4.4.2　Fast R-CNN
4.4.3　Faster R-CNN
4.4.4　SSD（单射多框探测器）
4.5　目标检测API
4.5.1　安装和设置
4.5.2　预训练模型
4.5.3　重新训练目标检测模型
4.5.4　为自动驾驶汽车训练行人检测
4.6　YOLO目标检测算法
4.7　小结
第 5 章　语义分割
5.1　预测像素
5.1.1　诊断医学图像
5.1.2　通过卫星图像了解地球
5.1.3　提供机器人视觉
5.2　数据集
5.3　语义分割算法
5.3.1　全卷积网络
5.3.2　SegNet架构
5.3.3　膨胀卷积
5.3.4　DeepLab
5.3.5　RefiNet
5.3.6　PSPnet
5.3.7　大卷积核的重要性
5.3.8　DeepLab v3
5.4　超神经分割
5.5　分割卫星图像
为分割建模FCN
5.6　分割实例
5.7　小结
第 6 章　相似性学习
6.1　相似性学习算法
6.1.1　孪生网络
6.1.2　FaceNet模型
6.1.3　DeepNet模型
6.1.4　DeepRank 模型
6.1.5　视觉推荐系统
6.2　人脸分析
6.2.1　人脸检测
6.2.2　人脸特征点和属性
6.2.3　人脸识别
6.2.4　人脸聚类
6.3　小结
第 7 章　图像题注
7.1　了解问题和数据集
7.2　理解图像题注的自然语言处理
7.2.1　用向量形式表达词
7.2.2　将词转换为向量
7.2.3　训练一个嵌入
7.3　图像题注和相关问题的方法
7.3.1　使用条件随机场来链接图像和文本
7.3.2　在CNN特征上使用RNN生成题注
7.3.3　使用图像排序创建题注
7.3.4　从图像检索题注与从题注检索图像
7.3.5　密集题注
7.3.6　使用RNN生成题注
7.3.7　使用多模态度量空间
7.3.8　使用注意网络生成题注
7.3.9　知道什么时候查看
7.4　实现基于注意力的图像题注
7.5　小结
第 8 章　生成模型
8.1　生成模型的应用
8.1.1　艺术风格迁移
8.1.2　预测视频中的下一帧
8.1.3　图像的超分辨率
8.1.4　交互式图像生成
8.1.5　图像到图像的翻译
8.1.6　文本到图像的生成
8.1.7　图像修复
8.1.8　图像混合
8.1.9　转换属性
8.1.10　创建训练数据
8.1 ............

书籍插图：

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。