[套装书]深度学习进阶：卷积神经网络和对象检测+深度学习：卷积神经网络从入门到精通（2册）

作者
翁贝托·米凯卢奇 李玉鑑 张婷 单传辉 刘兆英
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9782007271626
简要
简介
内容简介书籍计算机书籍 ---------------------------深度学习进阶：卷积神经网络和对象检测--------------------------- 本书介绍卷积神经网络的核心——错综复杂的细节和算法的微妙之处。主要包括卷积神经网络的高级主题和使用Keras和TensorFlow的对象检测。 ---------------------------深度学习：卷积神经网络从入门到精通--------------------------- 卷积神经网络是深度学习中为重要的模型，对引领深度学习的井喷式发展起到了不可或缺的作用。本书试图全面介绍卷积神经网络的模型和方法，详细讨论了其现代雏形、突破模型、加深模型、应变模型、跨连模型、区域模型、分割模型、特殊模型和强化模型，后是其成就AlphaGo。为了辅助读者理解有关内容，本书还结合应用案例分析了很多具体模型的代码实现及演示效果。
目录



---------------------------深度学习进阶：卷积神经网络和对象检测---------------------------


前言
致谢
第1章　简介和设置开发环境 1
1.1　GitHub存储库和配套网站 2
1.2　必备的数学知识 3
1.3　Python开发环境 3
1.3.1　Google Colab 4
1.3.2　Anaconda 6
1.3.3　Docker映像 14
1.3.4　你选择哪个选项 18
第2章　TensorFlow：高级主题 20
2.1　Eager Execution简介 21
2.1.1　启用Eager Execution 21
2.1.2　Eager Execution多项式拟合 22
2.1.3　应用Eager Execution 的MNIST数据分类 26
2.2　TensorFlow和Numpy兼容性 30
2.3　硬件加速 30
2.3.1　检测GPU的可用性 30
2.3.2　设备名称 31
2.3.3　显式设备使用 32
2.3.4　GPU加速器演示：矩阵乘法 33
2.3.5　MNIST示例上的GPU加速效果 34
2.4　仅特定层训练 36
2.4.1　仅特定层训练示例 37
2.4.2　层移除 40
2.5　Keras回调函数 42
2.5.1　自定义回调类 42
2.5.2　自定义回调类示例 44
2.6　模型存储与加载 47
2.6.1　手动保存权重 52
2.6.2　保存整个模型 53
2.7　数据集抽象类 53
2.7.1　遍历数据集 55
2.7.2　简单批处理 56
2.7.3　使用MNIST数据集进行简单批处理 57
2.7.4　在Eager Execution模式下使用tf.data.Dataset 60
2.8　本章小结 60
第3章　卷积神经网络的基础 61
3.1　核和过滤器 61
3.2　卷积 62
3.3　卷积示例 71
3.4　池化 77
3.5　CNN的构建基块 81
3.5.1　卷积层 82
3.5.2　池化层 83
3.5.3　叠加层 84
3.6　CNN的权重数量 84
3.6.1　卷积层 84
3.6.2　池化层 85
3.6.3　稠密层 85
3.7　CNN的示例：MNIST数据集 85
3.8　CNN学习的可视化 89
3.8.1　keras.backend.function()简介 89
3.8.2　核的作用效果 91
3.8.3　最大池化的作用效果 93
第4章　高级CNN与迁移学习 95
4.1　多通道卷积 95
4.2　初始网络的历史和基础 98
4.2.1　初始模块：初始版本 99
4.2.2　初始模块中的参数数量 100
4.2.3　具有降维功能的初始模块 100
4.3　多种成本函数：GoogLeNet 102
4.4　Keras中的初始模块示例 103
4.5　偏离：Keras中的自定义损失 106
4.6　如何使用预先训练过的网络 108
4.7　迁移学习简介 111
4.8　猫狗问题 114
4.8.1　迁移学习的经典方法 114
4.8.2　迁移学习实验 120
第5章　成本函数与风格转换 123
5.1　神经网络模型的构成 123
5.1.1　训练被视为优化问题 124
5.1.2　具体示例：线性回归 125
5.2　成本函数 126
5.2.1　数学符号 126
5.2.2　典型成本函数 127
5.3　神经风格转换 134
5.3.1　神经风格转换背后的数学原理 135
5.3.2　Keras中的图像风格转换示例 139
5.3.3　使用神经风格转换生成剪影 145
5.3.4　masking 146
第6章　对象分类简介 148
6.1　什么是对象定位 148
6.1.1　重要的可用数据集 150
6.1.2　交并比 152
6.2　一种简单的对象定位方法：滑动窗口法 153
6.3　分类和定位 159
6.4　基于区域的卷积神经网络 161
6.5　快速R-CNN 164
6.6　更快的R-CNN 165
第7章　对象定位：基于Python的实现 167
7.1　YOLO方法 167
7.1.1　YOLO工作机制 168
7.1.2　YOLOv2 170
7.1.3　YOLOv3 171
7.1.4　非极大值抑制 171
7.1.5　损失函数 172
7.2　YOLO在Python和OpenCV中的实现 173
7.2.1　YOLO的Darknet实现 173
7.2.2　应用Darknet测试对象检测 175
7.3　为特定图像训练YOLO模型 180
7.4　本章小结 181
第8章　组织学组织分类 183
8.1　数据分析和准备 184
8.2　建立模型 192
8.3　数据增强 201
8.3.1　水平和垂直移动 202
8.3.2　垂直翻转图像 203
8.3.3　随机旋转图像 204
8.3.4　图像缩放 205
8.3.5　综合操作 206
8.4　带有数据增强的VGG16 206
8.4.1　fit()函数 207
8.4.2　fit_generator()函数 207
8.4.3　train_on_batch()函数 208
8.4.4　训练网络 208
8.5　现在好好享受 209



---------------------------深度学习：卷积神经网络从入门到精通---------------------------


CONTENTS
目　　录
前言
第1章　概述 1
1.1　深度学习的起源和发展 1
1.2　卷积神经网络的形成和演变 4
1.3　卷积神经网络的应用和影响 6
1.4　卷积神经网络的缺陷和视图 9
1.5卷积神经网络的GPU实现和cuDNN库 10
1.6　卷积神经网络的平台和工具 10
1.7　本书的内容结构和案例数据 13
1.7.1　内容结构 13
1.7.2　案例数据 15
第2章　预备知识 22
2.1　激活函数 22
2.2　矩阵运算 23
2.3　导数公式 24
2.4　梯度下降算法 25
2.5　反向传播算法 26
2.5.1　通用反向传播算法 27
2.5.2　逐层反向传播算法 28
2.6　通用逼近定理 31
2.7　内外卷积运算 31
2.8　膨胀卷积运算 32
2.9　上下采样运算 33
2.10　卷积面计算 34
2.11　池化面计算 36
2.12　局部响应归一化 36
2.13　权值偏置初始化 37
2.14　丢失输出 37
2.15　丢失连接 38
2.16　随机梯度下降算法 39
2.17　块归一化 39
2.18　动态规划算法 40
第3章卷积神经网络的现代雏形——LeNet 41
3.1　LeNet的原始模型 41
3.2　LeNet的标准模型 43
3.3　LeNet的学习算法 44
3.4　LeNet的Caffe代码实现及说明 46
3.5　LeNet的手写数字识别案例 54
3.6　LeNet的交通标志识别案例 58
3.6.1交通标志数据集的格式转换 58
3.6.2　交通标志的识别分类 60
3.7　LeNet的交通路网提取案例 63
3.7.1　交通路网的人工标注 64
3.7.2　交通路网的图像块分类 67
3.7.3交通路网的图像块分类LeNet 69
3.7.4交通路网的自动提取代码及说明 71
3.7.5交通路网的自动提取程序运行结果 75
第4章卷积神经网络的突破模型 78
4.1　AlexNet的模型结构 78
4.2AlexNet的Caffe代码实现及说明 82
4.3AlexNet的Caffe大规模图像分类案例及演示效果 95
4.4AlexNet的TensorFlow代码实现及说明 97
4.5AlexNet的TensorFlow大规模图像分类案例及演示效果 103
4.6　AlexNet的改进模型ZFNet 107
第5章卷积神经网络的应变模型 109
5.1　SPPNet的模型结构 109
5.2SPPNet的Caffe代码实现及说明 112
5.3SPPNet的大规模图像分类案例及演示效果 114
第6章卷积神经网络的加深模型 118
6.1结构加深的卷积网络VGGNet 118
6.1.1　VGGNet的模型结构 118
6.1.2VGGNet的TensorFlow代码实现及说明 120
6.1.3VGGNet的物体图像分类案例 129
6.2结构更深的卷积网络GoogLeNet 130
6.2.1　GoogLeNet的模型结构 130
6.2.2GoogLeNet的TensorFlow代码实现及说明 136
6.2.3GoogLeNet的鲜花图像分类案例 149
第7章卷积神经网络的跨连模型 154
7.1　快道网络HighwayNet 154
7.2　残差网络ResNet 155
7.2.1　ResNet的模型结构 155
7.2.2ResNet的Caffe代码实现及说明 157
7.2.3ResNet的大规模图像分类案例 163
7.3　密连网络DenseNet 169
7.3.1　DenseNet的模型结构 169
7.3.2DenseNet的Caffe代码实现及说明 171
7.3.3DenseNet的物体图像分类案例 174
7.4　拼接网络CatNet 178
7.4.1　CatNet的模型结构 178
7.4.2CatNet的Caffe代码实现及说明 179
7.4.3CatNet的人脸图像性别分类案例 183
第8章卷积神经网络的区域模型 190
8.1　区域卷积网络R-CNN 190
8.2快速区域卷积网络Fast R-CNN 191
8.3更快区域卷积网络Faster R-CNN 193
8.3.1Faster R-CNN的模型结构 193
8.3.2Faster R-CNN的TensorFlow代码实现及说明 196
8.3.3Faster R-CNN的图像目标检测案例及演示效果 216
8.4　你只看一次网络YOLO 220
8.4.1　YOLO的模型结构 220
8.4.2YOLO的TensorFlow代码实现及说明 226
8.4.3YOLO的图像目标检测案例及演示效果 239
8.5　单次检测器SSD 242
8.5.1　SSD的模型结构 242
8.5.2SSD的TensorFlow代码实现及说明 245
8.5.3SSD的图像目标检测案例及演示效果 260
第9章卷积神经网络的分割模型 266
9.1　全卷积网络FCN 266
9.1.1　FCN的模型结构 266
9.1.2FCN的Caffe代码实现及说明 269
9.1.3FCN的图像语义和几何分割案例 272
9.2金字塔场景分析网络PSPNet 277
9.2.1　PSPNet的模型结构 277
9.2.2PSPNet的TensorFlow代码实现及说明 282
9.2.3PSPNet的图像语义分割案例及演示效果 291
9.3掩膜区域卷积网络Mask R-CNN 294
9.3.1Mask R-CNN的模型结构 294
9.3.2Mask R-CNN的Keras和TensorFlow代码实现及说明 297
9.3.3Mask R-CNN的图像实例分割案例及演示效果 318
第10章卷积神经网络的特殊模型 325
10.1　孪生网络SiameseNet 325
10.1.1SiameseNet的模型结构 325
10.1.2SiameseNet的Caffe代码实现及说明 326
10.1.3SiameseNet的手写数字验证案例 328
10.2　挤压网络SqueezeNet 331
10.2.1SqueezeNet的模型结构 331
10.2.2SqueezeNet的Caffe代码实现及说明 334
10.2.3SqueezeNet大规模图像分类案例 337
10.3深层卷积生成对抗网络DCGAN 339
10.3.1DCGAN的模型结构 339
10.3.2DCGAN的TensorFlow代码实现及说明 340
10.3.3DCGAN的CelebA人脸图像生成案例 345
10.4　网中网NIN 348
10.4.



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4