0人評分過此書
本書從機器學習、圖像處理的基本概念入手，逐步闡述深度學習圖像處理技術的基本原理以及簡單的實現。繼而以幾個實戰案例來介紹如何使用深度學習方法，在數據分析競賽中取得較高的排名。最後，通過一個實戰案例，介紹如何將模型放入 iOS 程序，製作相應的人工智能手機App。 本書適用於對深度學習有興趣、希望入門這一領域的理工科大學生、研究生，以及希望瞭解該領域基本原理的軟件開發人員。此外，本書所有案例均提供了雲環境上的代碼，便於讀者複現結果，並進行深入學習。
- 封面页
- 书名页
- 版权页
- 内容简介
- 序
- 前言
- 目录
-
第1章 搭建指定的开发环境
-
1.1 为什么要使用指定的开发环境
-
1.2 硬件准备
-
1.2.1 在亚马逊租用云GPU服务器
-
1.2.2 在腾讯云租用GPU服务器
-
1.2.3 在云服务器中开启搭载开发环境的Docker服务
-
-
1.3 软件准备
-
1.3.1 在Ubuntu 16.04下配置环境
-
1.3.2 在CentOS 7下配置环境
-
-
1.4 参考文献及网页链接
-
-
第2章 温故知新——机器学习基础知识
-
2.1 人工智能、机器学习与深度学习
-
2.2 训练一个传统的机器学习模型
-
2.2.1 第一步，观察数据
-
2.2.2 第二步，预览数据
-
-
2.3 数据挖掘与训练模型
-
2.3.1 第一步，准备数据
-
2.3.2 第二步，挖掘数据特征
-
2.3.3 第三步，使用模型
-
2.3.4 第四步，代码实战
-
-
2.4 参考文献及网页链接
-
-
第3章 数形结合——图像处理基础知识
-
3.1 读取图像文件进行基本操作
-
3.1.1 使用python-opencv读取图片
-
3.1.2 借助python-opencv进行不同编码格式的转换
-
3.1.3 借助python-opencv改变图片尺寸
-
-
3.2 用简单的矩阵操作处理图像
-
3.2.1 对图像进行复制与粘贴
-
3.2.2 把图像当成矩阵进行处理——二维码转换成矩阵
-
-
3.3 使用OpenCV“抠图”——基于颜色通道以及形态特征
-
3.4 基于传统特征的传统图像分类方法
-
3.4.1 将图片简化为少数区域并计算每个区域轮廓特征的方向
-
3.4.2 将HOG变换运用在所有正负样本中
-
3.4.3 训练模型
-
3.4.4 将训练好的分类器运用在新的图片中
-
-
3.5 参考文献及网页链接
-
-
第4章 继往开来——使用深度神经网络框架
-
4.1 从逻辑回归说起
-
4.2 深度学习框架
-
4.3 基于反向传播算法的自动求导
-
4.4 简单的深度神经网络框架实现
-
4.4.1 数据结构部分
-
4.4.2 计算图部分
-
4.4.3 使用方法
-
4.4.4 训练模型
-
-
4.5 参考文献及网页链接
-
-
第5章 排列组合——深度神经网络框架的模型元件
-
5.1 常用层
-
5.1.1 Dense
-
5.1.2 Activation
-
5.1.3 Dropout
-
5.1.4 Flatten
-
-
5.2 卷积层
-
5.2.1 Conv2D
-
5.2.2 Cropping2D
-
5.2.3 ZeroPadding2D
-
-
5.3 池化层
-
5.3.1 MaxPooling2D
-
5.3.2 AveragePooling2D
-
5.3.3 GlobalAveragePooling2D
-
-
5.4 正则化层与过拟合
-
5.5 反卷积层
-
5.6 循环层
-
5.6.1 SimpleRNN
-
5.6.2 LSTM
-
5.6.3 GRU
-
-
5.7 参考文献及网页链接
-
-
第6章 少量多次——深度神经网络框架的输入处理
-
6.1 批量生成训练数据
-
6.2 数据增强
-
6.3 参考文献及网页链接
-
-
第7章 愚公移山——深度神经网络框架的模型训练
-
7.1 随机梯度下降
-
7.2 动量法
-
7.3 自适应学习率算法
-
7.4 实验案例
-
7.5 参考文献及网页链接
-
-
第8章 小试牛刀——使用深度神经网络进行CIFAR-10数据分类
-
8.1 上游部分——基于生成器的批量生成输入模块
-
8.2 核心部分——用各种零件搭建深度神经网络
-
8.3 下游部分——使用凸优化模块训练模型
-
8.4 参考文献及网页链接
-
-
第9章 见多识广——使用迁移学习提升准确率
-
9.1 猫狗大战1.0——使用卷积神经网络直接进行训练
-
9.1.1 导入数据
-
9.1.2 可视化
-
9.1.3 分割训练集和验证集
-
9.1.4 搭建模型
-
9.1.5 模型训练
-
9.1.6 总结
-
-
9.2 猫狗大战2.0——使用ImageNet数据集预训练模型
-
9.2.1 迁移学习
-
9.2.2 数据预处理
-
9.2.3 搭建模型
-
9.2.4 模型可视化
-
9.2.5 训练模型
-
9.2.6 提交到kaggle评估
-
-
9.3 猫狗大战3.0——使用多种预训练模型组合提升表现
-
9.3.1 载入数据集
-
9.3.2 使用正确的预处理函数
-
9.3.3 搭建特征提取模型并导出特征
-
9.3.4 搭建并训练全连接分类器模型
-
9.3.5 在测试集上预测
-
-
9.4 融合模型
-
9.4.1 获取特征
-
9.4.2 数据持久化
-
9.4.3 构建模型
-
9.4.4 在测试集上预测
-
-
9.5 总结
-
9.6 参考文献及网页链接
-
-
第10章 看图识字——使用深度神经网络进行文字识别
-
10.1 使用卷积神经网络进行端到端学习
-
10.1.1 编写数据生成器
-
10.1.2 使用生成器
-
10.1.3 构建深度卷积神经网络
-
10.1.4 模型可视化
-
10.1.5 训练模型
-
10.1.6 计算模型总体准确率
-
10.1.7 测试模型
-
10.1.8 模型总结
-
-
10.2 使用循环神经网络改进模型
-
10.2.1 CTC Loss
-
10.2.2 模型结构
-
10.2.3 模型可视化
-
10.2.4 数据生成器
-
10.2.5 评估模型
-
10.2.6 评估回调
-
10.2.7 训练模型
-
10.2.8 测试模型
-
10.2.9 再次评估模型
-
10.2.10 总结
-
-
10.3 识别四则混合运算验证码（初赛）
-
10.3.1 问题描述
-
10.3.2 数据集探索
-
10.3.3 模型结构
-
10.3.4 结果可视化
-
10.3.5 总结
-
-
10.4 识别四则混合运算验证码（决赛）
-
10.4.1 问题描述
-
10.4.2 数据集探索
-
10.4.3 数据预处理
-
10.4.4 模型结构
-
10.4.5 生成器
-
10.4.6 模型的训练
-
10.4.7 预测结果
-
10.4.8 模型结果融合
-
10.4.9 其他尝试
-
10.4.10 小结
-
-
10.5 参考文献及网页链接
-
-
第11章 见习医生——使用全卷积神经网络分割病理切片中的癌组织
-
11.1 任务描述
-
11.1.1 赛题设置
-
11.1.2 数据描述
-
11.1.3 数据标注
-
-
11.2 总体思路
-
11.3 构造模型
-
11.3.1 准备数据
-
11.3.2 构建模型
-
11.3.3 模型优化
-
-
11.4 程序执行
-
11.5 模型结果可视化
-
11.5.1 加载函数
-
11.5.2 选择验证集并编写预测函数
-
11.5.3 根据tensorborad可视化结果选择最好的模型
-
11.5.4 尝试逐步降低学习率
-
-
11.6 观察模型在验证集上的预测表现
-
11.7 参考文献及网页链接
-
-
第12章 知行合一——如何写一个深度学习App
-
12.1 CAM可视化
-
12.2 导出分类模型和CAM可视化模型
-
12.2.1 载入数据集
-
12.2.2 提取特征
-
12.2.3 搭建和训练分类器
-
12.2.4 搭建分类模型和CAM模型
-
12.2.5 可视化测试
-
12.2.6 保存模型
-
12.2.7 导出mlmodel模型文件
-
-
12.3 开始编写App
-
12.3.1 创建工程
-
12.3.2 配置工程
-
12.3.3 测试工程
-
12.3.4 运行程序
-
-
12.4 使用深度学习模型
-
12.4.1 将模型导入到工程中
-
12.4.2 数据类型转换函数
-
12.4.3 实施CAM可视化
-
12.4.4 模型效果
-
-
12.5 参考文献及网页链接
-
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
