Глубокое обучение и распознавание изображений: принципы и практика искусственного интеллекта
Цена: 1 669руб. (¥92.8)
Артикул: 598949149860
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:阅轩图书专营店
Адрес:Цзянсу
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥ 98 54.4979руб.
¥54.8986руб.
¥69.91 257руб.
¥ 148 1111 996руб.
Введение
Это книга, которая объясняет распознавание изображений из трех измерений технических принципов, алгоритмов и инженерной практики.С точки зрения выбора точек знаний, широта и рассмотрение этой книги могут не только быстро начать с читателей, которые не имеют базового основания, но и позволяют основным читателям глубоко овладеть основными технологиями распознавания изображений Из письма эта книга избегает ее.Более важные книги, эта книга сосредоточена не только на технологиях, но и сосредоточена на том, как решить практические бизнес -проблемы с технологиями.В общей сложности 13 глав в книге: Глава 1-2 в основном представляет создание сценариев приложения, инструментов и рабочей среды распознавания изображений; и другие изображения Основные технологии и принципы идентификации; о распознавании изображений в глубине технологии и принципах, включая сверточные нейронные сети, обнаружение цели, сегментацию, модель производства, визуализацию нейронной сети и другие темы;
Предисловие Глава 1 Применение машинного зрения в отрасли 1 1.1 Фон разработки машинного зрения 1 1.1.1 Искусственный интеллект 1 1.1.2 Машино -видение 2 1.2 Основная сцена применения машины 3 1.2.1 Распознавание лица 3 1.2.2 Анализ мониторинга видео 4 1.2.3 Промышленное обнаружение черных 5 1.2.4 Анализ распознавания изображений 6 1.2.5 Автономное вождение/Вспомогательное вождение 7 1.2.6
Глава 1 Применение машинного видения в отрасли 1
1.1 Фон разработки машинного видения 1
1.1.1 Искусственный интеллект 1
1.1.2 Machine Vision 2
1.2 Основные сценарии применения Machine Vision 3 3
1.2.1 Распознавание лица 3
1.2.2.
1.2.3 Обнаружение промышленного дефекта 5
1.2.4 Анализ распознавания изображений 6
1.2.5 Автономная помощь вождения/вождение 7
1.2.6 3D изображение видение 8
1.2.7 Диагностика медицинской визуализации 8
1.2.8 Распознавание текста 9
1.2.9 генерация и дизайн изображений/видео 9
1.3 Резюме этой главы 10
Глава 2 Распознавание изображений Предварительная технология 11
2.1 Глубокое обучение.
2.1.1 Theano11
2.1.2 Tensorflow12
2.1.3 MXNET13
2.1.4 Keras13
2.1.5 Pytorch14
2.1.6 Caffe14
2.2 Среда распознавания и развития строительства 15
2.2.1 Anaconda15
2.2.2 Conda18
2.2.3 Загрузка и установка Pytorch 19
2.3 Numpy Подробное объяснение 20
2.3.1 Создайте массив 20
2.3.2 Создать Numpy Array 22
2.3.3 Получите атрибут Numpy 24
2.3.4 Numpy Array Index 25
2.3.5 Slice 25
2.3.6 Матричная работа в Numpy 26
2.3.7 Преобразование типа данных 27
2.3.8 Метод статистического расчета Numpy 28
2.3.9 Операция ARG в Numpy 29
2.3.10 FancyAndexing29
2.3.11 Numpy Array сравнивается 30
2.4 Сводка этой главы 31
Глава 3 КНР Алгоритм 32 Классификации изображений
3.1 Теоретическая основа кнн и реализация 32
3.1.1 Теоретические знания 32
3.1.2 КНН Алгоритм реализация 33
3.2 Распознавание и подготовку к классификации изображений 35
3.2.1 Классификация изображений 35
3.2.2 Предварительная обработка изображения 36
3,3 КНН бои 36
3.3.1 КНН реализовать классификацию данных MNISST 36
3.3.2 КНН реализовать классификацию данных CIFAR10 41
3.4 Настройка параметров модели 44
3.5 Сводка этой главы 48
Глава 4 Основы машинного обучения 49
4.1 Модель линейной регрессии 49
4.1.1 одна линейная регрессия юаня 50
4.1.2 Различная линейная регрессия 56
4.2 Модель логической регрессии 57
4.2.1 Сигмоидальная функция 58
4.2.2 Метод падения градиента 59
4.2.3 Анализ уровня обучения 61
4.2.4 Потеря функций логической регрессии 63
4.2.5 Python реализует Logic return 66
4.3 Резюме этой главы 68
Глава 5 Нейронная сеть базовая 69
5.1 Нейронная сеть 69
5.1.1 Нейроны 70
5.1.2 Функция активации 72
5.1.3 Первичное распространение 76
5.2 Выходной слой 80
5.2.1 Softmax80
5.2.2 One-Hotencoding82
5.2.3 Количество нейронов в выходном слое 83
5.2.4 Набор данных MNIST В переднем направлении набора данных 83
5.3 партия лечения 85
5.4 Принципы вещания 87
5.5 Функция потери 88
5.5.1 Ошибка квадрата акций 88
5.5.2 Ошибка поперечной энтропии 89
5.5.3 Mini-Batch90
5.6 Оптимизация 91
5.6.1 Случайная инициализация 91
5.6.2 Следуйте градиенту (числовое микро -дивизию) 92
5.7 Обратное распространение на основе численного микроализатора 98
5.8 Оценка на основе тестового набора 101
5.9 Эта глава - резюме 104
Глава 6 Ошибка обратная пропаганда 105
6.1 Активация реализации функционального уровня 105
6.1.1 Реализация обратной связи Relu 106
6.1.2 Sigmoid обратная связь реализация 106
6.2 Реализация аффинного уровня 107
6.3 Реализация слоя 108 SoftMaxWithLoss.
6.4 Сравнение обратного распространения на основе численного микроаллера и ошибок 109
6,5 Мнистское распознавание 111 через обратную связь 111
6.6 Наказание по регуляризации 114
6.7 Сводка этой главы 115
Глава 7 Pytorch реализует классификацию изображений нейронной сети 116
7.1 Pytorch Использование 116
7.1.1 Tensor116
7.1.2 переменная117
7.1.3 Функция активации 118
7.1.4 Функция потери 120
7.2 Pytorch Faction Combat 122
7.2.1 Фактическая классификация Mnist Pytorch 122
7.2.2 CIFAR10 Классификация 125
7.3 Эта глава - резюме 128
Глава 8 Служба нейронная сеть 129
8.1. Основы сверточной нейронной сети 129
8.1.1 Полный уровень соединения 129
8.1.2 СООБЩЕНИЕ ПРОИЗВОДИТЕЛЬНЫЙ СЛОЙ 130
8.1.3 Слой пленки 134
8.1.4 партия стандартизированных слоев 135
8.2 Общая структура нейронной сети 135
8.2.1 Alexnet136
8.2.2 VGGNET138
8.2.3 Googlenet140
8.2.4 RESNET142
8.2.5 Другая сетевая структура 144
8.3 VGG16 Реализация CIFAR10 Классификация 145
8.3.1 Обучение 146
8.3.2 Прогноз и оценка 149
8.4 Сводка этой главы 152
8.5 Ссылки 152
Глава 9 Обнаружение цели 153
9.1 Классификация позиционирования 153
9.2 Обнаружение цели 155
9.2.1 R-CNN156
9.2.2 Fast R-CNN160
9.2.3 быстрее R-CNN162
9.2.4 YOLO165
9.2.5 SSD166
9.3 SSD для достижения обнаружения цели VOC 167
9.3.1 Набор данных Pascal VOC 167
9.3.2 Подготовка данных 170
9.3.3 Строительная модель 175
9.3.4 Определите проигрыш178
9.3.5 Детали обучения SSD 181
9.3.6 Обучение 186
9.3.7 Тест 189
9.4 Резюме этой главы 190
9.5 Ссылки 191
Глава 10 Дивизион 192
10.1 Семантическая сегментация 193
10.1.1 FCN193
10.1.2 Unet реализация сегментации трещин 196
10.1.3 SEGNET209
10.1.4 PSPNet210
10.2 Пример сегментации 211
10.2.1 Слоистый стек 212
10.2.2 плоский тип 212
10.3 Резюме этой главы 213
10.4 Ссылки 214
Глава 11 Создание модели 215
11.1 Self -coder 215
11.2 СЕТИ БОРЬБА Генерации 215
11.3 DCGAN и FACTION COUMS 217
11.3.1 Набор данных 218
11.3.2 Настройки сети 220
11.3.3 Создание сгенерированной сети 221
11.3.4 Создание суждений 223
11.3.5 Функция потерь 224
11.3.6 Процесс обучения 224
11.3.7 Тест 227
11.4 Другой GAN230
11.5 Эта глава - саммит 235
11.6 Ссылки 235
Глава 12 Визуализация нейронной сети 236
12.1 Convolution Core 236
12.2 Уровень функции 237
12.2.1 Прямое наблюдение 237
12.2.2 через реконструкцию наблюдения 239
12.2.3.
12.2.4 Роль слоя функций 244
12.3 Стиль изображения 245
12.3.1 Теоретическое введение 245
12.3.2 Реализация кода 247
12.4 Резюме этой главы 255
12.5 Ссылки 255
Глава 13 Режим развертывания алгоритма распознавания изображений 257
13.1 Режим развертывания алгоритма изображения Введение 257
13.2 Сопоставление фактических сценариев приложения и режима развертывания 262
13.3 Введение 264
13.4 Резюме этой главы 265 Покажите всю информацию
Рекомендуемая рекомендация
(1) Три автора из Алибабы, возглавляемой алгоритмом Академии Дхармы, с глубоким техническим накоплением и богатым бизнесом;
(2) Разработка трех измерений технических принципов, алгоритмов и инженерной практики, которая подходит для читателей на основе нуля, чтобы начать быстро, но также подходит для основных читателей, чтобы понять его основные технологии;
(3) Метод написания избежал сложных математических формул и его получения, и его было легко объяснить.