8 (905) 200-03-37 Владивосток
с 09:00 до 19:00
CHN - 1.14 руб. Сайт - 17.98 руб.

Официальный веб -сайт подлинное глубокое изучение изображений.

Цена: 986руб.    (¥54.8)
Артикул: 595838600893

Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.

Этот товар на Таобао Описание товара
Продавец:鑫达图书专营店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥99.81 795руб.
¥33594руб.
¥139.72 512руб.
¥49.8896руб.
  • Информация о товаре
  • Фотографии

   Основная информация о продукте
наименование товара:  
Автор:   три слова
Рыночная цена:  79.00
Номер ISBN:  9787111624721
Версия:  1-1
Дата публикации:  1900-01
Количество страниц:  267
Слова:  350
Издательство:   Machinery Industry Press
   каталог
Предисловие
Глава 1 Основы нейронной сети 1
1.1 Биологический фундамент и математическая модель нейронной сети 1
1.1.1 Нейрон 1
1.1.2 Машина восприятия 2
1,1,3 п.н. Алгоритм 6
1.2 Основы сверточной нейронной сети 10
1.2.1 Основная структура сверточной нейронной сети 11
1.2.2. Стильница и совместное использование электроэнергии 13
1.2.3 Почувствуйте себя диким и объединяющим 14
Глава 2 Основы оптимизации глубокого обучения 17
2.1.
2.1.1 Введение в кофе 18
2.1.2 Tensorflow Введение 18
2.1.3 Введение в Pytorch 19
2.1.4 Theano Введение 20
2.1.5 Керас Введение 20
2.1.6 MXNET Введение 21
2.1.7 Введение цепочки 21
2.2 Параметры оптимизации сети 22
2.2.1 Общая функция активации 22
2.2.2 Метод инициализации параметра 26
2.2.3 Метод оптимизации 27
2.2.4 Метод действия 31
2.2.5 Метод регуляризации 33
Глава 3 Данные в глубоком обучении 36
3.1 Разработка глубокого обучения Универсальный набор данных 36
3.1.1 MNIST DATASET 36
3.1.2 CIFAR10 и CIFAR100 набор данных 37
3.1.3 Набор данных Pascal 38
3.1.4 Набор данных ImageNet 38
3.1.5 Microsoft Coco Data Set 39
3.2 Общий набор данных визуальной задачи компьютера 40
3.2.1 Набор данных лица 40
3.2.2 Набор данных автономного вождения 52
3.2.3 Сбор медицинских данных 55
3.3 Улучшение данных 59
3.3.1 Увеличение данных надзора 60
3.3.2 Неконтролируемое улучшение данных 63
3.4 Сбор данных и маркировка 65
3.4.1 Сбор данных 65
3.4.2 Маркировка данных 67
3.4.3 Очистка и отделка данных 68
Глава 4 Классификация изображений 70
4.1 Основа классификация изображений 70
4.1.1 Задача классификации изображений 70
4.1.2 Глубокое обучение классификации изображений Краткая история 72
4.1.3. Индикаторы оценки и целевая оптимизация 75
4.1.4 Задача классификации изображений 76
4.2 MOVE -END реальная классификация эмодзи фактическое бой 77
4.2.1 Проект.
4.2.2. Предварительная обработка данных 80
4.2.3 План проекта 82
4.2.4 Обучение и тест модели 84
4.2.5 Сводка проекта 88
4.3.
4.3.1 Проект.
4.3.2 Схема проекта 90
4.3.3 Обучение и тест модели 92
4.3.4 Отладка параметра 97
4.3.5 Резюме проекта 102
Глава 5 Сегментация изображения 103
5.1 Традиционный метод сегментации изображений 103
5.1.1 Пороговый метод 103
5.1.2 Метод регионального роста и Super Pixel 105
5.1.3 Резка рисунка 105
5.1.4 Контур активности модель 106
5.2 Сегментация изображения глубокого обучения 109
5.2.1 Базовый процесс 110
5.2.2 Anti -Convolution 110
5.2.3 Multi -Scale и Feel Wild 112
5.2.4 Метод CRF 113
5.2.5 Матинг изображений и интеграция изображений 114
5.3 Перенос -Определить реальное проект сегментации изображений 115
5.3.1 Проект.
5.3.2 План проекта 116
5.3.3 Обучение и резюме модели 126
5.4 Реал -временный смену
5.4.1 Проект.
5.4.2 План проекта 128
5.4.3 Обучение и тест модели 134
5.4.4 Резюме проекта 138
Глава 6 Обнаружение цели 139
6.1 Основы обнаружения цели 139
6.1.1 В окне обнаружения выберите 140
6.1.2 Экстракция 141
6.1.3 Классификатор 142
6.1.4 V-J Алгоритм обнаружения лица 143
6.2 Метод обнаружения целей глубокого обучения 145
6.2.1 Селективный поиск и R-CNN146
6.2.2 ROI Pooling и Sppnet147
6.2.3 Fast R-CNN и более быстрый R-CNN149
6.2.4 Метод Йоло 152
6.2.5 Метод SSD 154
6.2.6 Ключевая технология в обнаружении цели 155
6.3 более быстрое обнаружение цели 157 157
6.3.1 Проект.
6.3.2 Py-более окрашенная интерпретация структуры 157
6.3.3 Определение и анализ модели 170
6.3.4 Обучение и тест модели 180
6.3.5 Резюме проекта 183
Глава 7 Данные и визуализация модели 185
7.1 Визуализация данных 185
7.1.1 Нижняя визуализация данных 185
7.1.2 Высокая визуализация данных 187
7.2 Визуализация модели 190
7.2.1 Визуализация структуры модели 190
7.2.2 Модель визуализация веса 198
7.2.3 Визуализация карты функций 201
7.3 Случай визуализации 202
7.3.1 Проект.
7.3.2 Определение интерфейса данных 204
7.3.3 Определение структуры сети 205
7.3.4 Visual Code Добавить 207
7.3.5 Индикаторы обучения визуализации 207
Глава 8 Сжатие модели 209
8.1 Метод сжатия модели 209
8.1.1 Сжатие модели 210
8.1.2 Сетевые филиалы и количественная оценка 213
8.1.3 дозирование 216
8.1.4 Модельная дистилляция и миграционная обучение 216
8.2 Модель сжатия настоящей войны 218
8.2.1 Анализ сети 220
8.2.2 Введите масштаб и первую строгу
8.2.3 Ширина сети и сжатие глубины 226
8.2.4 Make Up of the Constrons 228
8.2.5 Резюме 230
Глава 9 Потерянная функция 231
9.1. Потеря задачи 231
9.1.1 Что такое 0-1 потеря231
9.1.2 Энтропия и потерь поперечной энтропии231
9.1.3 Потеря Softmax и его варианты 232
9.1,4 кл. Диспущение 237
9.1.5 Убыток шарниров. Введение 237
9.1.6 Экспоненциальная потеря и логистическая потеря237
9.1.7 Потеря задачи классификации Multi -Label238
9.2 Потеря задачи 238
9.2.1 L1 Потеря и L2 потеря238
9.2.2 Улучшение потерь и потери L2 239
9.3 Общие задачи и потери использования 240
9.3.1 Основное задание изображения 240
9.3.2 Стиль и восстановление изображения, супер -реконструкция реконструкции 240
9.3.3 Сгенерировать конфронтационную сеть 241
9.3.4 Резюме 245
Глава 10 Развертывание модели и строка 246
10.1 WeChat Mini Development 246
10.1.1 Технические характеристики и позиционирование апплетов 246
10.1.2 Web Front -end Foundation 248
10.1.3 Инструмент разработки мини -программы 251
10.1.4 Mini Program Front -Directory 252
10.1.5 Little Program Forward Development 254
10.2 WeChat Mini Program Development 260
10.2.1 Регистрация и управление доменным именем 260
10.2.2 Введение в структуру услуг 261
10.2.3 Строительство и реализация алгоритма 262
10.3 Конфигурация среды Caffe 264
10.3.1 Установка библиотеки 264
10.3.2 Caffe Compile и установить 266

   Введение
    Эта книга очень подробно рассказана о том, что знания о глубоком обучении, включая теоретические знания о глубоких сверточных нейронных сетях, данных в глубоком обучении и три основных основных приложения изображения, такие как классификация изображений, сегментация изображений и обнаружение цели; Визуализация модели, общие функции потерь, сжатие модели и развертывание модели глубокого обучения моделей глубокого обучения в глубоком обучении.
Начиная с главы 4, каждая глава имеет один или два случая сложности, что позволяет читателям лучше понять технические детали связанных областей на практике.После прочтения теоретических знаний каждой главы читатели могут следовать практике и изменять и улучшать их на основе существующего кода, так что теоретическое и практическое сочетание систематического обучения в сочетании с систематическим обучением.