計算機視覺：基于Python、Keras和TensorFlow的深度學(xué)習(xí)方法

定　價：￥69.00

作　者：	[愛]維哈夫·弗登（Vaibhav Verdhan）著，陳朗汪雄飛汪榮貴譯
出版社：	清華大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302599425	出版時間：	2022-05-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書聚焦深度學(xué)習(xí)架構(gòu)和技術(shù)，使用Keras和TensorFlow庫創(chuàng)建解決方案。涉及多種神經(jīng)網(wǎng)絡(luò)架構(gòu)，包括LeNet、AlexNet、VGG、Inception、R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN、YOLO和SqueezeNet，并通過實踐了解如何基于Python實現(xiàn)深度學(xué)習(xí)架構(gòu)。書中對所有代碼片段進行詳細分解并徹底分析，以便可以在各自的環(huán)境中實現(xiàn)相同的原則。

作者簡介

暫缺《計算機視覺：基于Python、Keras和TensorFlow的深度學(xué)習(xí)方法》作者簡介

圖書目錄

第1章計算機視覺和深度學(xué)習(xí)簡介
1.1使用OpenCV處理圖像
1.1.1使用OpenCV檢測顏色
1.1.2使用OpenCV檢測形狀
1.1.3使用OpenCV檢測人臉
1.2深度學(xué)習(xí)的基礎(chǔ)知識
1.2.1神經(jīng)網(wǎng)絡(luò)背后的動力
1.2.2神經(jīng)網(wǎng)絡(luò)中的層
1.2.3神經(jīng)元
1.2.4超參數(shù)
1.2.5ANN的連接與權(quán)重
1.2.6偏置項
1.2.7激活函數(shù)
1.2.8學(xué)習(xí)率
1.2.9反向傳播
1.2.10過度擬合
1.2.11梯度下降算法
1.2.12損失函數(shù)
1.3深度學(xué)習(xí)的工作原理
1.3.1深度學(xué)習(xí)過程
1.3.2流行的深度學(xué)習(xí)程序庫
1.4小結(jié)
習(xí)題
拓展閱讀
第2章面向計算機視覺的深度學(xué)習(xí)
2.1使用TensorFlow和Keras進行深度學(xué)習(xí)
2.2張量
2.3卷積神經(jīng)網(wǎng)絡(luò)
2.3.1卷積
2.3.2池化層
2.3.3全連接層
2.4開發(fā)基于CNN的深度學(xué)習(xí)解決方案
2.5小結(jié)
習(xí)題
拓展閱讀

第3章使用LeNet進行圖像分類
3.1深度學(xué)習(xí)的網(wǎng)絡(luò)架構(gòu)
3.2LeNet架構(gòu)
3.2.1LeNet1架構(gòu)
3.2.2LeNet4架構(gòu)
3.2.3LeNet5架構(gòu)
3.2.4增強LeNet4架構(gòu)
3.3使用LeNet創(chuàng)建圖像分類模型
3.3.1使用LeNet進行MNIST分類
3.3.2使用LeNet進行德國交通標(biāo)志分類
3.4小結(jié)
習(xí)題
拓展閱讀
第4章VGG和AlexNet網(wǎng)絡(luò)
4.1AlexNet和VGG神經(jīng)網(wǎng)絡(luò)模型
4.1.1AlexNet模型架構(gòu)
4.1.2VGG模型架構(gòu)
4.2使用AlexNet和VGG開發(fā)應(yīng)用案例
4.2.1CIFAR數(shù)據(jù)集
4.2.2使用AlexNet模型處理CIFAR10數(shù)據(jù)集
4.2.3使用VGG模型處理CIFAR10數(shù)據(jù)集
4.3AlexNet模型和VGG模型的比較
4.4使用CIFAR100數(shù)據(jù)集
4.5小結(jié)
習(xí)題
拓展閱讀
第5章使用深度學(xué)習(xí)進行目標(biāo)檢測
5.1目標(biāo)檢測
5.1.1目標(biāo)分類、目標(biāo)定位與目標(biāo)檢測
5.1.2目標(biāo)檢測的應(yīng)用案例
5.2目標(biāo)檢測方法
5.3目標(biāo)檢測的深度學(xué)習(xí)框架
5.3.1目標(biāo)檢測的滑窗法
5.3.2邊界框方法
5.3.3重疊度指標(biāo)
5.3.4非極大性抑制
5.3.5錨盒
5.4深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)
5.4.1基于區(qū)域的 CNN
5.4.2Fast RCNN
5.4.3Faster RCNN
5.4.4YOLO算法
5.4.5單階段多框檢測器
5.5遷移學(xué)習(xí)
5.6實時的目標(biāo)檢測Python實現(xiàn)
5.7小結(jié)
習(xí)題
拓展閱讀
第6章人臉識別與手勢識別
6.1人臉識別
6.1.1人臉識別的應(yīng)用
6.1.2人臉識別的過程
6.2人臉識別的深度學(xué)習(xí)模式
6.2.1Facebook的DeepFace解決方案
6.2.2FaceNet的人臉識別
6.3FaceNet的Python實現(xiàn)
6.4手勢識別Python解決方案
6.5小結(jié)
習(xí)題
拓展閱讀
第7章基于深度學(xué)習(xí)的視頻分析
7.1視頻處理
7.2視頻分析的應(yīng)用
7.3梯度消失和梯度爆炸
7.3.1梯度消失
7.3.2梯度爆炸
7.4ResNet架構(gòu)
7.5Inception網(wǎng)絡(luò)
7.5.11×1卷積
7.5.2GoogLeNet架構(gòu)
7.5.3Inception v2中的改進
7.5.4Inception v3模型
7.6視頻分析
7.7使用Inception v3和ResNet創(chuàng)建Python解決方案
7.8小結(jié)
習(xí)題
拓展閱讀
第8章端到端的網(wǎng)絡(luò)模型開發(fā)
8.1深度學(xué)習(xí)項目需求
8.2深度學(xué)習(xí)項目的開發(fā)過程
8.2.1業(yè)務(wù)問題的定義
8.2.2源數(shù)據(jù)或數(shù)據(jù)收集階段
8.2.3數(shù)據(jù)存儲與管理
8.2.4數(shù)據(jù)準(zhǔn)備和擴充
8.2.5圖像樣本增強
8.3深度學(xué)習(xí)的建模過程
8.3.1遷移學(xué)習(xí)
8.3.2常見錯誤/挑戰(zhàn)和模型性能提高
8.3.3模型的部署與維護
8.4小結(jié)
習(xí)題
拓展閱讀
附錄A
A1CNN中的主要激活函數(shù)與網(wǎng)絡(luò)層
A2Google Colab