当前位置：

实用卷积神经网络：运用Python实现高级深度学习模型

作者：[印] 莫希特·赛瓦克（Mohit Sewak）[孟加拉] 穆罕默德·礼萨·卡里姆（Md.Rezaul Karim）[美] 普拉蒂普·普贾里（Pradeep Pujari）

出版社：机械工业

出版年：2019年4月

ISBN：9787111621966

所属分类：网络科技

书刊介绍

《实用卷积神经网络：运用Python实现高级深度学习模型》内容简介

本书从深度神经网络概述开始，通过一个图像分类的例子带你构建第一个CNN模型。你将学习一些概念，如转移学习、CNN自编码器等，这些概念将帮助你构建非常强大的模型，即使只有有限的监督学习（有标签图像）训练集。
作者：（印度）莫希特·赛瓦克（Mohit Sewak）（孟加拉）穆罕默德·礼萨·卡里姆（Md.Rezaul Karim）（美）普拉蒂普·普贾里（Pradeep Pujari）

作品目录

前言
关于作者
关于审阅者
第1章：深度神经网络概述
1.1、创建神经网络块
1.2、TensorFlow介绍
1.3、MNIST数据集介绍
1.4、Keras深度学习库概述
1.5、基于Keras和MNIST的手写数字识别
1.6、理解反向传播
1.7、本章小结
第2章：卷积神经网络介绍
2.1、CNN历史
2.2、卷积神经网络
2.3、实践示例：图像分类
2.4、本章小结
第3章：构建CNN并进行性能优化
3.1、CNN架构和DNN的缺点
3.2、TensorFlow中的卷积和池化操作
3.3、训练CNN
3.4、创建、训练和评估第一个CNN
3.5、模型性能优化
3.6、本章小结
第4章：经典的CNN模型架构
4.1、ImageNet介绍
4.2、LeNet
4.3、AlexNet架构
4.4、VGGNet架构
4.5、GoogLeNet架构
4.6、ResNet架构
4.7、本章小结
第5章：转移学习
5.1、特征提取方法
5.2、转移学习示例
5.3、多任务学习
5.4、本章小结
第6章：CNN自编码器
6.1、自编码器介绍
6.2、卷积自编码器
6.3、应用
6.4、本章小结
第7章：CNN目标检测与实例分割
7.1、目标检测与图像分类的区别
7.2、传统的、非CNN的目标检测方法
7.3、R-CNN：CNN特征区
7.4、Fast
R-CNN：基于区域快速识别的CNN
7.5、Faster
R-CNN：基于快速区域生成网络的CNN
7.6、Mask
R-CNN：CNN实例分割
7.7、实例分割的代码实现
7.8、参考文献
7.9、本章小结
第8章：GAN：使用CNN生成新图像
8.1、Pix2pix：基于GAN的图像翻译
8.2、GAN的代码示例
8.3、特征匹配
8.4、本章小结
第9章：CNN和视觉模型的注意力机制
9.1、图像描述中的注意力机制
9.2、注意力类型
9.3、运用注意力改善视觉模型
9.4、参考文献
9.5、本章小结