孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台 占位居中 孔夫子旧书网-网上买书卖书、古旧书收藏品交易平台
商品
拍卖区
在售
已售
搜索历史
搜索
高级搜索

深度学习进阶：卷积神经网络和对象检测

深度学习进阶：卷积神经网络和对象检测
分享
扫描下方二维码分享到微信
打开微信，点击右上角”+“，
使用”扫一扫“即可将网页分享到朋友圈。
作者: （Umberto Michelucci） 著 , 译 , 译
出版社: 机械工业出版社
2020-07
版次: 1
ISBN: 9787111660927
定价: 79.00
装帧: 平装
开本: 16开
纸张: 胶版纸
页数: 220页
分类: 计算机与互联网
10人买过
  • 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。 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
  • 内容简介:
    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。
  • 目录:
    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
查看详情
相关分类
计算机理论 编程与开发 操作系统 大数据与云计算 图形图像/多媒体 网站设计与网页开发 网络与通讯 硬件、嵌入式开发 办公软件 信息安全 辅助设计与工程计算 软件工程/开发项目管理
12
相关图书 / 更多
深度学习进阶：卷积神经网络和对象检测
深度：潜入隐藏的世界
杰斯-麦吉辛
￥25.36 起
深度学习进阶：卷积神经网络和对象检测
深度教学研究（第二辑）
郭元祥 主编
￥13.99 起
深度学习进阶：卷积神经网络和对象检测
深度对话茅奖作家（1-11届）
舒晋瑜
￥35.38 起
深度学习进阶：卷积神经网络和对象检测
深度关系
武志红
￥21.77 起
深度学习进阶：卷积神经网络和对象检测
深度阅读训练册 3年级b版 小学同步阅读 新华正版
深度阅读教学研究中心
￥34.00 起
深度学习进阶：卷积神经网络和对象检测
深度学习在复杂系统健康监测中的应用
吴军；程一伟；邓超；朱海平
￥66.80 起
深度学习进阶：卷积神经网络和对象检测
深度阅读训练册4年级B版
深度阅读教学研究中心 编
￥34.00 起
深度学习进阶：卷积神经网络和对象检测
深度学习教程 杨小远 刘建伟著
杨小远；刘建伟
￥57.25 起
深度学习进阶：卷积神经网络和对象检测
深度学习——模型、算法优化与实战
张洪朋
￥31.09 起
深度学习进阶：卷积神经网络和对象检测
深度陪伴RAP养育法
张杨
￥24.38 起
深度学习进阶：卷积神经网络和对象检测
深度思维
隋继周
￥14.90 起
深度学习进阶：卷积神经网络和对象检测
深度财务分析报告案例示范
本书编委会
￥30.18 起
您可能感兴趣 / 更多
深度学习进阶：卷积神经网络和对象检测
符号学理论（翁贝托·埃科作品系列）
翁贝托·埃科
￥30.00 起
深度学习进阶：卷积神经网络和对象检测
诠释与过度诠释
翁贝托·埃科 著；王宇根 译
￥24.00 起
深度学习进阶：卷积神经网络和对象检测
洛阿娜女王的神秘火焰
翁贝托·埃科 著；王永年 译
￥45.00 起
深度学习进阶：卷积神经网络和对象检测
英国鸟类史
翁贝托·阿尔巴雷拉 著；周爽 译；[英]德里克·亚尔登
￥30.00 起
深度学习进阶：卷积神经网络和对象检测
丑的历史
翁贝托·艾柯
￥87.00 起
深度学习进阶：卷积神经网络和对象检测
无限的清单
翁贝托·艾柯
￥84.90 起
深度学习进阶：卷积神经网络和对象检测
美的历史
翁贝托·艾柯
￥50.00 起
深度学习进阶：卷积神经网络和对象检测
美的历史·丑的历史
翁贝托·艾柯
￥150.00 起
深度学习进阶：卷积神经网络和对象检测
中世纪之美（意大利国宝级作家翁贝托·艾柯经典作品，颠覆认知，看尽中世纪艺术与美学，高定印刷、海量美图，尽显中古欧洲的华美）
翁贝托·艾柯 著；刘慧宁 译
￥49.00 起
深度学习进阶：卷积神经网络和对象检测
为什么？100位哲学家的哲思故事
翁贝托·加林贝蒂；伊雷妮·梅利尼；马里亚
￥18.00 起
深度学习进阶：卷积神经网络和对象检测
昨日之岛（翁贝托·埃科作品系列）
翁贝托·埃科 著；刘月樵 译
￥20.00 起
深度学习进阶：卷积神经网络和对象检测
玫瑰的名字（修订版）（精装）
翁贝托·埃科
￥24.80 起
© 2002-2024 Kongfz.com 孔夫子旧书网 版权所有
关于孔网 联系我们 帮助中心 版权隐私 广告业务 工作机会 移动版 图书目录 图书标签 热搜书籍 作家大全