发帖
雷达卡
版次： 第1版
国际标准书号： 1789130336
发表于： 2018年9月28日
页数： 274页
作者Iffat Zafar， Giounona Tzanidou， Richard Burton， Nimesh Patel， Leonardo Araujo
Hands-On_Convolutional_Neural_N-Iffat_Zafar.pdf
(18.3 MB, 需要: 2 个论坛币)
关于电子书
通过本培训CNN用于图像分类，图像识别，物体检测和许多计算机视觉挑战的实用指南，了解如何将TensorFlow应用于广泛的深度学习和机器学习问题。
主要特点
* 了解卷积神经网络的基础知识
* 利用Python和Tensorflow来培训CNN
* 构建可扩展的深度学习模型，可以处理数百万个项目
书籍描述
卷积神经网络（CNN）是计算机视觉应用中最常用的架构之一。本书介绍了CNN，通过解决深度学习中的实际问题，同时教你在流行的Python库中实现它们 - TensorFlow。在本书的最后，您将立即培训CNN！
我们首先概述了流行的机器学习和深度学习模型，然后让您使用TensorFlow开发环境进行设置。这个环境是后续章节中实施和培训深度学习模型的基础。然后，您将使用卷积神经网络来处理图像分类，对象检测和语义分割等问题。
之后，您将使用转移学习来了解这些模型如何解决其他深度学习问题。您还将尝试实现生成编码器和生成对抗网络等生成模型。
稍后，您将看到有关机器学习最佳实践和故障排除的有用提示。最后，您将学习如何在数百万张图像的大型数据集上应用模型。
您将学习的内容
* 使用TensorFlow训练机器学习模型
* 创建可在其生命周期内进化和扩展的系统
* 在图像识别和分类中使用CNN
* 使用TensorFlow构建深度学习模型
* 训练流行的深度学习模型
* 通过传递学习微调神经网络以提高结果质量
* 构建可扩展到大型数据集和系统的TensorFlow模型
本书适用于
本书适用于本书适用于希望使用本书的软件工程师，数据科学家或机器学习从业者使用CNN解决实际问题。了解基本的机器学习概念，线性代数和Python将有所帮助。
目录
封面
版权和学分
动手与TensorFlow卷积神经网络
作者简介
前言
谁这本书是为
什么这本书涵盖
为了充分利用这本书
下载示例代码文件
使用的约定
保持联系
评测
1. TensorFlow的设置和简介
思维方式TensorFlow
设置和安装TensorFlow
康达环境
检查您是否安装工程
TensorFlow API levelsEager执行
构建第TensorFlow模型
一热载体
分成训练和测试集
创建TensorFlow图
变量
操作
饲喂占位符数据
初始化变量
训练我们的模型
损失函数
优化
评估训练模型
会议
概要
2.深度学习和卷积神经网络
AI和ML
ML的类型
与老新ML
人工神经网络
激活功能
异或问题
训练神经网络
反向传播和链式法则
批
损失functionsThe优化和超参数
欠拟合与过拟合
特征缩放
完全连接层
甲TensorFlow例如用于XOR问题
卷积神经网络
卷积
输入填充
计算的参数的数量（权重）
＆＃XA0;计算操作的数量
转换卷积层进入完全连接层
汇集层
1x1的卷积
计算感受野
在构建一个TensorFlow CNN模型
TensorBoard
其他类型的卷积
概要
3. TensorFlow中的图像分类
CNN模型架构
交叉熵损失（损失数）
多级交叉熵损失
火车/测试数据集分裂
数据集
ImageNet
CIFARLoading CIFAR
与TensorFlow图像分类
构建CNN图
学习速率调度
简介tf.data API
培训的主要循环
模型初始化
不要初始化为零所有的权重
与平均分配零初始化
泽维尔 - Bengio和初始化
通过提高正规化泛化
L2和L1正规化
退出
批处理标准层
概要
4.对象检测和分割
本地化图像分类
本地化回归
TensorFlow实施
本地化的其他应用
物体检测作为分类＆＃XA0;＆＃x2013;＆＃XA0;滑动窗口
采用启发式，引导我们（R-CNN）
问题
快速R-CNN
更快的R-CNN
地区提案NetworkRoI池层
从传统的CNN到完全Convnets转换
单次探测器＆＃XA0;＆＃x2013;仅看一次
对于永乐目标检测创建训练集
评估检测（路口过联盟）
输出滤波
锚箱
测试/预测在YOLO
检测损失函数（YOLO损失）
损失部分1
损失部分2
损失部分3
语义分割
最大Unpooling
去卷积层（换位卷积）
损失函数
标签
提高成绩
实例分割
面膜R-CNN
概要
5. VGG，初始模块，残留和移动网
代大回旋
代入3×3卷积
VGGNet
ArchitectureParameters和内存计算
码
更多关于VGG
GoogLeNet
盗梦空间模块
更多关于GoogLeNet
剩余网络
MobileNets
在深度上可分离卷积
控制参数
更多关于MobileNets
概要
6.自动编码器，变分自动编码器和生成对抗网络
为什么生成模型
自动编码
卷积自编码范例
用途及自动编码的限制
变自动编码
参数来定义正态分布
VAE损失函数
相对熵
培训VAE
重新参数化诀窍
卷积变自动编码码
生成的新数据
生成对抗性networksThe鉴别
发电机
甘损失函数
发电机失磁
鉴别损失
把损失在一起
培训GAN
深卷积甘
WGAN
开始
有条件甘斯
与甘斯的问题
损失解释性
模式崩溃
技术的提高甘斯接受培训
Minibatch鉴别
概要
7.转学习
什么时候？
怎么样？概述
怎么样？代码示例
TensorFlow有用元素
没有解码器自动编码器
经过层层选拔
培训只是一些层
完成sourceSummary
8.机器学习最佳实践和故障排除
建筑机器学习系统
数据准备
火车/开发的分流/测试集
在开发和测试集的不匹配
何时更改开发/测试仪
偏见和差异
数据不平衡
收集更多数据
看看你的性能指标
数据合成/增强
重新取样数据
损失函数加权
评价标准
代码结构的最佳实践
Singleton模式
食谱CNN的创建
概要
9.按比例进行培训
存储TFRecords数据
制作TFRecord
存储编码图像
拆分
制作高效管道
并行调用在地图transformationsGetting批
预取
跟踪你的图
在TensorFlow分布式计算
型号/数据并行
同步/异步SGD
如果数据不适合在一台计算机上
NoSQL系统的优点
安装卡桑德拉（Ubuntu的16.04）
该CQLSH工具
创建数据库，表和索引
在Python中查询
在Python填充表
做备份
在云计算缩放
EC2
AMI
存储（S3）
SageMaker
概要
参考
第1章
第2章
第3章
第4章
第5章
第7章
第9章
其他书籍你可能喜欢
留下您的评论 - 让其他读者知道你在想什么
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
