TensorFlow計(jì)算機(jī)視覺原理與實(shí)戰(zhàn)

第1章深度學(xué)習(xí)簡(jiǎn)介及TensorFlow環(huán)境搭建 （21min）
1.1什么是深度學(xué)習(xí)
1.2深度學(xué)習(xí)語(yǔ)言與工具
1.3TensorFlow的優(yōu)勢(shì)
1.4TensorFlow的安裝與環(huán)境配置
1.4.1Windows下配置GPU版TensorFlow
1.4.2Linux下配置GPU版TensorFlow
1.4.3直接通過Anaconda解決環(huán)境依賴
1.4.4安裝CPU版本的TensorFlow
1.5小結(jié)
第2章常用的Python數(shù)據(jù)處理工具
2.1NumPy的使用
2.1.1NumPy中的數(shù)據(jù)類型
2.1.2NumPy中數(shù)組的使用
2.2Matplotlib的使用
2.2.1Matplotlib中的相關(guān)概念
2.2.2使用Matplotlib繪圖
2.3Pandas的使用
2.3.1Pandas中的數(shù)據(jù)結(jié)構(gòu)
2.3.2使用Pandas讀取數(shù)據(jù)
2.3.3使用Pandas處理數(shù)據(jù)
2.4SciPy的使用
2.4.1使用SciPy寫入mat文件
2.4.2使用SciPy讀取mat文件
2.5scikitlearn的使用
2.5.1scikitlearn的使用框架
2.5.2使用scikitlearn進(jìn)行回歸
2.5.3使用scikitlearn進(jìn)行分類
2.6Pillow的使用
2.6.1使用Pillow讀取并顯示圖像
2.6.2使用Pillow處理圖像
2.7OpenCV的使用
2.7.1使用OpenCV讀取與顯示圖像
2.7.2使用OpenCV處理圖像
2.8argparse的使用
2.8.1argparse的使用框架
2.8.2使用argparse解析命令行參數(shù)
2.9JSON的使用
2.9.1使用JSON寫入數(shù)據(jù)
2.9.2使用JSON讀取數(shù)據(jù)
2.10小結(jié)
第3章TensorFlow基礎(chǔ)
3.1TensorFlow的基本原理
3.2TensorFlow中的計(jì)算圖與會(huì)話機(jī)制
3.2.1計(jì)算圖
3.2.2會(huì)話機(jī)制
3.3TensorFlow中的張量表示
3.3.1tf.constant
3.3.2tf.Variable
3.3.3tf.placeholder
3.4TensorFlow中的數(shù)據(jù)類型
3.5TensorFlow中的命名空間
3.5.1tf.get_variable
3.5.2tf.name_scope
3.5.3tf.variable_scope
3.6TensorFlow中的控制流
3.6.1TensorFlow中的分支結(jié)構(gòu)
3.6.2TensorFlow中的循環(huán)結(jié)構(gòu)
3.6.3TensorFlow中指定節(jié)點(diǎn)執(zhí)行順序
3.7TensorFlow模型的輸入與輸出
3.8TensorFlow的模型持久化
3.8.1模型的保存
3.8.2模型的讀取
3.9使用TensorBoard進(jìn)行結(jié)果可視化
3.9.1計(jì)算圖的可視化
3.9.2矢量變化的可視化
3.9.3圖像的可視化
3.10小結(jié)
第4章深度學(xué)習(xí)的基本概念 （108min）
4.1深度學(xué)習(xí)相較于傳統(tǒng)方法的優(yōu)勢(shì)
4.2深度學(xué)習(xí)中的激活函數(shù)
4.2.1Sigmoid
4.2.2Softmax
4.2.3Tanh
4.2.4ReLU
4.2.5Leaky ReLU
4.2.6PReLU
4.2.7RReLU
4.2.8ReLU6
4.2.9ELU
4.2.10Swish
4.2.11Mish
4.3深度學(xué)習(xí)中的損失函數(shù)
4.3.1回歸任務(wù)
4.3.2分類任務(wù)
4.4深度學(xué)習(xí)中的歸一化/標(biāo)準(zhǔn)化方法
4.4.1歸一化方法
4.4.2標(biāo)準(zhǔn)化方法
4.5深度學(xué)習(xí)中的優(yōu)化器
4.5.1不帶動(dòng)量的優(yōu)化器
4.5.2帶動(dòng)量的優(yōu)化器
4.6深度學(xué)習(xí)中的技巧
4.6.1輸入數(shù)據(jù)的處理
4.6.2激活函數(shù)的選擇
4.6.3損失函數(shù)的選擇
4.6.4標(biāo)準(zhǔn)化方法的選擇
4.6.5batch_size的選擇
4.6.6優(yōu)化器的選擇
4.6.7學(xué)習(xí)率的選擇
4.7小結(jié)
第5章常用數(shù)據(jù)集及其使用方式
5.1IRIS鳶尾花數(shù)據(jù)集
5.2MNIST手寫數(shù)字?jǐn)?shù)據(jù)集
5.3SVHN數(shù)據(jù)集
5.4CIFAR10與CIFAR100數(shù)據(jù)集
5.4.1CIFAR10
5.4.2CIFAR100
5.4.3對(duì)圖像進(jìn)行數(shù)據(jù)增強(qiáng)
5.5Oxford Flower數(shù)據(jù)集
5.6ImageNet數(shù)據(jù)集
5.7小結(jié)
第6章全連接神經(jīng)網(wǎng)絡(luò)
6.1什么是全連接神經(jīng)網(wǎng)絡(luò)
6.1.1感知機(jī)
6.1.2全連接神經(jīng)網(wǎng)絡(luò)
6.2使用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸
6.3使用全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行分類
6.4使用全連接神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)降維
6.5使用全連接神經(jīng)網(wǎng)絡(luò)完成手寫數(shù)字識(shí)別
6.5.1訓(xùn)練模型
6.5.2保存權(quán)重
6.5.3交互接收用戶輸入
6.5.4加載權(quán)重并預(yù)測(cè)
6.6小結(jié)
第7章卷積神經(jīng)網(wǎng)絡(luò) （77min）
7.1什么是卷積
7.1.1卷積的概念
7.1.2卷積操作的參數(shù)
7.1.3卷積的計(jì)算方式
7.2卷積神經(jīng)網(wǎng)絡(luò)中常用的層
7.2.1輸入層
7.2.2卷積層
7.2.3激活層
7.2.4標(biāo)準(zhǔn)化層
7.2.5池化層
7.2.6全連接層
7.3常用的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
7.3.1VGGNet
7.3.2Inception
7.3.3ResNet
7.3.4DenseNet
7.3.5ResNeXt
7.3.6MobileNet
7.3.7Dual Path Network
7.3.8SENet
7.3.9SKNet
7.3.10ResNeSt
7.4使用卷積神經(jīng)網(wǎng)絡(luò)完成圖像分類
7.4.1定義命令行參數(shù)
7.4.2模型訓(xùn)練函數(shù)
7.4.3模型測(cè)試函數(shù)
7.4.4主函數(shù)
7.4.5訓(xùn)練模型識(shí)別手寫數(shù)字
7.4.6訓(xùn)練模型識(shí)別自然場(chǎng)景圖像
7.5卷積神經(jīng)網(wǎng)絡(luò)究竟學(xué)到了什么
7.5.1卷積核的可視化
7.5.2類激活映射的可視化
7.5.3卷積神經(jīng)網(wǎng)絡(luò)輸出預(yù)測(cè)值的可視化
7.6使用卷積神經(jīng)網(wǎng)絡(luò)給全連接神經(jīng)網(wǎng)絡(luò)傳授知識(shí)
7.7轉(zhuǎn)置卷積層
7.7.1什么是轉(zhuǎn)置卷積層
7.7.2使用轉(zhuǎn)置卷積層讓圖像變得清晰
7.7.3使用轉(zhuǎn)置卷積層給圖像上色
7.8使用卷積層與反卷積層做自編碼器
7.9小結(jié)
第8章生成式模型
8.1什么是生成式模型
8.2變分自編碼器
8.2.1什么是變分自編碼器
8.2.2使用變分自編碼器生成手寫數(shù)字
8.2.3使用變分自編碼器生成指定的數(shù)字
8.3生成式對(duì)抗網(wǎng)絡(luò)
8.3.1什么是生成式對(duì)抗網(wǎng)絡(luò)
8.3.2使用生成式對(duì)抗網(wǎng)絡(luò)生成手寫數(shù)字
8.3.3使用生成式對(duì)抗網(wǎng)絡(luò)生成指定的數(shù)字
8.3.4使用生成式對(duì)抗網(wǎng)絡(luò)生成自然圖像
8.3.5使用生成式對(duì)抗網(wǎng)絡(luò)進(jìn)行圖像域轉(zhuǎn)換
8.4小結(jié)