實用卷積神經網絡：運用Python實現高級深度學習模型 ( 簡體 字) |
| 作者：〔印度〕莫希特·賽瓦克（Mohit Sewak） 〔孟加拉〕穆罕默德·禮薩·卡里姆（Md. Rezaul Karim） 著 〔美〕普拉蒂普·普賈里（Pradeep Pujari） | 類別：1. -> 程式設計 -> Python
2. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 50918
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：3/1/2019 |
| 頁數：180 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111621966 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：CNN正在革新幾個應用領域，如視覺識別系統、自動駕駛汽車、醫學發現、創新電子商務等。本書從構建CNN塊開始，基于最佳實踐來指導你實現真實的CNN模型并提供解決方案。你將學習創建圖像和視頻的創新解決方案，以解決復雜的機器學習和計算機視覺問題。
本書從深度神經網絡概述開始，通過一個圖像分類的例子帶你構建第一個CNN模型。你將學習一些概念，如轉移學習、CNN自編碼器等，這些概念將幫助你構建非常強大的模型，即使只有有限的監督學習（有標簽圖像）訓練集。
隨后，我們基于這些學習來實現高級視覺相關算法和解決方案，用于目標檢測、實例分割、生成式（對抗）網絡、圖像捕捉、注意力機制以及循環視覺注意模型。除了讓你動手實踐最有趣的視覺模型和架構外，本書還探索了CNN和計算機視覺領域最前沿的研究。這使得用戶能夠預見這個領域的未來，并運用高級CNN解決方案快速開始他們的創新之旅。
在本書的結尾，你應該可以在你的專業項目或個人方案中利用復雜的圖像和視頻數據集來實現先進、有效和高效的CNN模型。
本 書 受 眾
本書適合數據科學家、機器學習和深度學習實踐者以及想要進一步構建CNN的人工智能愛好者。獲取使用極大數據集和不同CNN架構的實踐經驗，從而構建高效、智能的卷積網絡模型。本書讀者最好對深度學習基本概念和Python編程語言基礎知識已經有所了解。
各 章 概 覽
第1章對深度神經網絡的科學原理和實現這種網絡的不同框架以及框架背后的數學機制提供一個快速回顧。
第2章向讀者介紹卷積神經網絡，并展示如何利用深度學習從圖像中提取信息。
第3章從零開始針對圖像分類問題構建一個簡單的CNN，并闡明如何調整參數、優化訓練時間以及CNN的性能，以分別提高效率和準確率。
第4章介紹幾種經典的（在競賽中勝出的）CNN架構的優勢和運作機制，以及它們之間的差異和如何使用這些架構。
第5章講授如何使用預先訓練好的網絡，并使其適用于新的且不同的數據集。在實際應用中也有一種自定義分類問題，它使用的技術稱為轉移學習。
第6章介紹一種稱為自編碼器的無監督學習技術，同時介紹了CNN自編碼器的不同應用，比如圖像壓縮。
第7章講授目標檢測、實例分割和圖像分類的區別。然后介紹多種使用CNN進行目標檢測和實例分割的技術。
第8章探究生成式CNN網絡，然后將其與我們學習得到的有識別力的CNN網絡相結合，用CNN/GAN創造新的圖像。
第9章講授深度學習中注意力背后的思想，并學習如何使用基于注意力的模型來實現一些高級解決方案（圖像捕捉和RAM）。我們還將了解不同類型的注意力以及強化學習在硬注意力機制中的作用。
充分利用本書
本書主要用Python語言構建CNN。我們使用Python 2.7（2x）來構建各種應用程序，并且基于Python、Spyder、Anaconda、PyCharm構建開源的企業級專業軟件。許多示例也能兼容Python 3x。作為一種好的實踐，我們鼓勵用戶使用Python虛擬環境來實現這些代碼。
本書主要關注如何以最佳的方式利用各種Python庫和深度學習庫（如Keras、TensorFlow和Caffe）來構建真實世界的應用程序。本著這種精神，我們盡量保持所有代碼的友好性和可讀性，以便使讀者能夠更容易地理解代碼，并能在不同的場景中復用這些代碼。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和樣圖，可以從通過個人賬號下載，也可以訪問華章圖書官網，通過注冊并登錄個人賬號下載。
排 版 約 定
代碼塊設置如下：
當要強調代碼塊的特定部分時，相關代碼行或者單詞會設置為粗體：
警告或重要提示的標記。
提示或技巧的標記。 |
內容簡介：卷積神經網絡(CNN)正在對視覺識別系統、自動駕駛汽車、醫學發現、創新電子商務等多個應用領域產生革命性的影響。本書首先基于圖像分類的例子概述深度神經網絡，并為人臉識別構建一個CNN。隨后構建一個高級視覺相關算法，用于目標檢測、實例分割、生成式對抗網絡、圖像描述、視覺注意力機制和視覺循環模型。本書完結時，你應該可以在專業項目中利用復雜的圖像、視頻數據來實現先進和高效的CNN模型。
本書內容：
構建CNN模型，了解它們的實際應用領域
建立一個CNN圖像分類器模型，理解不同組件的相互作用，然后學習如何優化
學習用于目標檢測和實例分割的不同算法
學習諸如CNN注意力機制等先進的概念以提高預測精度
理解轉移學習，并實現如AlexNet、VGG、GoogLeNet、ResNet等CNN結構設計
了解生成式對抗網絡的工作原理，以及如何創建新的不可見的圖像 |
目錄：關于作者
關于審閱者
第1章 深度神經網絡概述 1
1.1 創建神經網絡塊 1
1.2 TensorFlow介紹 3
1.3 MNIST數據集介紹 10
1.4 Keras深度學習庫概述 14
1.5 基于Keras和MNIST的手寫數字識別 15
1.5.1 訓練和測試數據的檢索 17
1.5.2 訓練數據的可視化 18
1.5.3 創建神經網絡 18
1.5.4 訓練神經網絡 19
1.5.5 測試 19
1.6 理解反向傳播 20
1.7 本章小結 23
第2章 卷積神經網絡介紹 25
2.1 CNN歷史 25
2.2 卷積神經網絡 27
2.2.1 計算機如何解釋圖像 28
2.2.2 編碼實現圖像可視化 29
2.2.3 dropout 31
2.2.4 輸入層 31
2.2.5 卷積層 32
2.2.6 池化層 34
2.3 實踐示例：圖像分類 35
2.4 本章小結 39
第3章 構建CNN并進行性能優化 41
3.1 CNN架構和DNN的缺點 41
3.1.1 卷積操作 44
3.1.2 池化、步長和填充操作 46
3.2 TensorFlow中的卷積和池化操作 48
3.2.1 在TensorFlow中應用池化操作 49
3.2.2 TensorFlow中的卷積操作 51
3.3 訓練CNN 53
3.3.1 初始化權重和偏置 53
3.3.2 正則化 54
3.3.3 激活函數 54
3.4 創建、訓練和評估第一個CNN 56
3.5 模型性能優化 73
3.5.1 隱含層數量 73
3.5.2 每個隱含層的神經元個數 74
3.5.3 批標準化 74
3.5.4 高級正則化及過擬合的避免 76
3.5.5 運用哪個優化器 79
3.5.6 內存調優 79
3.5.7 層的位置調優 80
3.5.8 綜合所有操作創建第二個CNN 80
3.5.9 數據集描述和預處理 80
3.5.10 創建CNN模型 85
3.5.11 訓練和評估網絡 87
3.6 本章小結 90
第4章 經典的CNN模型架構 91
4.1 ImageNet介紹 91
4.2 LeNet 92
4.3 AlexNet架構 93
4.4 VGGNet架構 95
4.5 GoogLeNet架構 97
4.5.1 架構洞察 98
4.5.2 inception模塊 99
4.6 ResNet架構 99
4.7 本章小結 101
第5章 轉移學習 103
5.1 特征提取方法 103
5.1.1 目標數據集較小且與原始訓練集相似 104
5.1.2 目標數據集較小且與原始訓練集不同 105
5.1.3 目標數據集很大且與原始訓練集相似 107
5.1.4 目標數據集很大且與原始訓練集不同 107
5.2 轉移學習示例 108
5.3 多任務學習 111
5.4 本章小結 111
第6章 CNN自編碼器 113
6.1 自編碼器介紹 113
6.2 卷積自編碼器 114
6.3 應用 115
6.4 本章小結 116
第7章 CNN目標檢測與實例分割 119
7.1 目標檢測與圖像分類的區別 120
7.2 傳統的、非CNN的目標檢測方法 124
7.3 R-CNN：CNN特征區 128
7.4 Fast R-CNN：基于區域快速識別的CNN 130
7.5 Faster R-CNN：基于快速區域生成網絡的CNN 132
7.6 Mask R-CNN：CNN實例分割 135
7.7 實例分割的代碼實現 137
7.7.1 創建環境 138
7.7.2 準備COCO數據集文件夾結構 139
7.7.3 在COCO數據集上運行預訓練模型 139
7.8 參考文獻 139
7.9 本章小結 141
第8章 GAN：使用CNN生成新圖像 143
8.1 Pix2pix：基于GAN的圖像翻譯 144
8.1.1 CycleGAN 144
8.1.2 訓練GAN模型 145
8.2 GAN的代碼示例 146
8.2.1 計算損失 149
8.2.2 半監督學習和GAN 151
8.3 特征匹配 152
8.3.1 基于半監督分類的GAN示例 152
8.3.2 深度卷積GAN 158
8.4 本章小結 159
第9章 CNN和視覺模型的注意力機制 161
9.1 圖像描述中的注意力機制 164
9.2 注意力類型 168
9.2.1 硬注意力 168
9.2.2 軟注意力 169
9.3 運用注意力改善視覺模型 170
9.3.1 視覺CNN模型次優性能的原因 171
9.3.2 循環視覺注意力模型 174
9.4 參考文獻 180
9.5 本章小結 181 |
| 序： |
