推荐编程书籍：实用卷积神经网络：运用Python实现高级深度学习模型，由机械工业出版社2019-05-01月出版发行，本书编译以及作者信息 为：[印度] 莫希特·赛瓦克（Mohit Sewak） 著，此次为第1次发行， 国际标准书号为：9787111621966，品牌为机工出版, 这本书采用平装开本为16，纸张采为胶版纸，全书共有未知页字数万字，是本Python 编程相关非常不错的书。

此书内容摘要

第1章对深度神经网络的科学原理和实现这种网络的不同框架以及框架背后的数学机制提供一个快速回顾。

第2章向读者介绍卷积神经网络，并展示如何利用深度学习从图像中提取信息。

第3章从零开始针对图像分类问题构建一个简单的CNN，并阐明如何调整参数、优化训练时间以及CNN的性能，以分别提高效率和准确率。

第4章介绍几种经典的（在竞赛中胜出的）CNN架构的优势和运作机制，以及它们之间的差异和如何使用这些架构。

第5章讲授如何使用预先训练好的网络，并使其适用于新的且不同的数据集。在实际应用中也有一种自定义分类问题，它使用的技术称为转移学习。

第6章介绍一种称为自编码器的无监督学习技术，同时介绍了CNN自编码器的不同应用，比如图像压缩。

第7章讲授目标检测、实例分割和图像分类的区别。然后介绍多种使用CNN进行目标检测和实例分割的技术。

第8章探究生成式CNN网络，然后将其与我们学习得到的有识别力的CNN网络相结合，用CNN/GAN创造新的图像。

第9章讲授深度学习中注意力背后的思想，并学习如何使用基于注意力的模型来实现一些高级解决方案（图像捕捉和RAM）。我们还将了解不同类型的注意力以及强化学习在硬注意力机制中的作用。

关于此书作者

Mohit Sewak是IBM的高级认知数据科学家，也是比尔拉技术与科学学院的人工智能和计算机科学博士。他在人工智能、深度学习和机器学习方面拥有多项专利和著作。他曾是一些非常成功的人工智能/机器学习软件和行业解决方案的首席数据科学家，并在早期就参与了沃森认知商业产品线的解决方案研究。他在TensorFlow、Torch、Caffe、Theano、Keras、Watson等架构的设计和解决方案方面有14年的丰富经验。

Md. Rezaul Karim是德国Fraunhofer FIT的研究科学家。他也是德国亚琛工业大学的博士研究生。在加入FIT之前，他曾在爱尔兰的Insight数据分析中心担任研究员。他也曾是韩国三星电子的首席工程师。

他在C++、Java、R、Scala和Python方面有9年的研发经验，也在生物信息学、大数据和深度学习方面发表过研究论文。此外在Spark、Zeppelin、Hadoop、Keras、Scikit-Learn、TensorFlow、Deeplearning4j、MXNet、H2O等方面都有实际的工作经验。

Pradeep Pujari是沃尔玛实验室的机器学习工程师，也是ACM的杰出成员。他的核心专业领域是信息检索、机器学习和自然语言处理。在空闲的时候，他喜欢研究人工智能技术、阅读和辅导。

编辑们的推荐

暂无.

实用卷积神经网络：运用Python实现高级深度学习模型图书的目录

前言

关于作者

关于审阅者

第1章深度神经网络概述 1

1.1创建神经网络块 1

1.2TensorFlow介绍 3

1.3MNIST数据集介绍 10

1.4Keras深度学习库概述 14

1.5基于Keras和MNIST的手写数字识别 15

1.5.1训练和测试数据的检索 17

1.5.2训练数据的可视化 18

1.5.3创建神经网络 18

1.5.4训练神经网络 19

1.5.5测试 19

1.6理解反向传播 20

1.7本章小结 23

第2章卷积神经网络介绍 25

2.1CNN历史 25

2.2卷积神经网络 27

2.2.1计算机如何解释图像 28

2.2.2编码实现图像可视化 29

2.2.3dropout 31

2.2.4输入层 31

2.2.5卷积层 32

2.2.6池化层 34

2.3实践示例：图像分类 35

2.4本章小结 39

第3章构建CNN并进行性能优化 41

3.1CNN架构和DNN的缺点 41

3.1.1卷积操作 44

3.1.2池化、步长和填充操作 46

3.2TensorFlow中的卷积和池化操作 48

3.2.1在TensorFlow中应用池化操作 49

3.2.2TensorFlow中的卷积操作 51

3.3训练CNN 53

3.3.1初始化权重和偏置 53

3.3.2正则化 54

3.3.3激活函数 54

3.4创建、训练和评估第一个CNN 56

3.5模型性能优化 73

3.5.1隐含层数量 73

3.5.2每个隐含层的神经元个数 74

3.5.3批标准化 74

3.5.4高级正则化及过拟合的避免 76

3.5.5运用哪个优化器 79

3.5.6内存调优 79

3.5.7层的位置调优 80

3.5.8综合所有操作创建第二个CNN 80

3.5.9数据集描述和预处理 80

3.5.10创建CNN模型 85

3.5.11训练和评估网络 87

3.6本章小结 90

第4章经典的CNN模型架构 91

4.1ImageNet介绍 91

4.2LeNet 92

4.3AlexNet架构 93

4.4VGGNet架构 95

4.5GoogLeNet架构 97

4.5.1架构洞察 98

4.5.2inception模块 99

4.6ResNet架构 99

4.7本章小结 101

第5章转移学习 103

5.1特征提取方法 103

5.1.1目标数据集较小且与原始训练集相似 104

5.1.2目标数据集较小且与原始训练集不同 105

5.1.3目标数据集很大且与原始训练集相似 107

5.1.4目标数据集很大且与原始训练集不同 107

5.2转移学习示例 108

5.3多任务学习 111

5.4本章小结 111

第6章CNN自编码器 113

6.1自编码器介绍 113

6.2卷积自编码器 114

6.3应用 115

6.4本章小结 116

第7章CNN目标检测与实例分割 119

7.1目标检测与图像分类的区别 120

7.2传统的、非CNN的目标检测方法 124

7.3R-CNN：CNN特征区 128

7.4Fast R-CNN：基于区域快速识别的CNN 130

7.5Faster R-CNN：基于快速区域生成网络的CNN 132

7.6Mask R-CNN：CNN实例分割 135

7.7实例分割的代码实现 137

7.7.1创建环境 138

7.7.2准备COCO数据集文件夹结构 139

7.7.3在COCO数据集上运行预训练模型 139

7.8参考文献 139

7.9本章小结 141

第8章GAN：使用CNN生成新图像 143

8.1Pix2pix：基于GAN的图像翻译 144

8.1.1CycleGAN 144

8.1.2训练GAN模型 145

8.2GAN的代码示例 146

8.2.1计算损失 149

8.2.2半监督学习和GAN 151

8.3特征匹配 152

8.3.1基于半监督分类的GAN示例 152

8.3.2深度卷积GAN 158

8.4本章小结 159

第9章CNN和视觉模型的注意力机制 161

9.1图像描述中的注意力机制 164

9.2注意力类型 168

9.2.1硬注意力 168

9.2.2软注意力 169

9.3运用注意力改善视觉模型 170

9.3.1视觉CNN模型次优性能的原因 171

9.3.2循环视觉注意力模型 174

9.4参考文献 180

9.5本章小结 181

部分内容试读

CNN正在革新几个应用领域，如视觉识别系统、自动驾驶汽车、医学发现、创新电子商务等。本书从构建CNN块开始，基于最佳实践来指导你实现真实的CNN模型并提供解决方案。你将学习创建图像和视频的创新解决方案，以解决复杂的机器学习和计算机视觉问题。

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。

随后，我们基于这些学习来实现高级视觉相关算法和解决方案，用于目标检测、实例分割、生成式（对抗）网络、图像捕捉、注意力机制以及循环视觉注意模型。除了让你动手实践最有趣的视觉模型和架构外，本书还探索了CNN和计算机视觉领域最前沿的研究。这使得用户能够预见这个领域的未来，并运用高级CNN解决方案快速开始他们的创新之旅。

在本书的结尾，你应该可以在你的专业项目或个人方案中利用复杂的图像和视频数据集来实现先进、有效和高效的CNN模型。

关于此书评价

暂无.

书摘内容

暂无.

实用卷积神经网络：运用Python实现高级深度学习模型最新最全的试读、书评、目录、简介信息由Python中文网整理提供。