实用卷积神经网络：运用Python实现高级深度学习模型

作品简介

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