實用卷積神經(jīng)網(wǎng)絡：運用Python實現(xiàn)高級深度學習模型

前言
關于作者
關于審閱者
第1章　深度神經(jīng)網(wǎng)絡概述 1
1.1　創(chuàng)建神經(jīng)網(wǎng)絡塊 1
1.2　TensorFlow介紹 3
1.3　MNIST數(shù)據(jù)集介紹 10
1.4　Keras深度學習庫概述 14
1.5　基于Keras和MNIST的手寫數(shù)字識別 15
1.5.1　訓練和測試數(shù)據(jù)的檢索 17
1.5.2　訓練數(shù)據(jù)的可視化 18
1.5.3　創(chuàng)建神經(jīng)網(wǎng)絡 18
1.5.4　訓練神經(jīng)網(wǎng)絡 19
1.5.5　測試 19
1.6　理解反向傳播 20
1.7　本章小結 23
第2章　卷積神經(jīng)網(wǎng)絡介紹 25
2.1　CNN歷史 25
2.2　卷積神經(jīng)網(wǎng)絡 27
2.2.1　計算機如何解釋圖像 28
2.2.2　編碼實現(xiàn)圖像可視化 29
2.2.3　dropout 31
2.2.4　輸入層 31
2.2.5　卷積層 32
2.2.6　池化層 34
2.3　實踐示例：圖像分類 35
2.4　本章小結 39
第3章　構建CNN并進行性能優(yōu)化 41
3.1　CNN架構和DNN的缺點 41
3.1.1　卷積操作 44
3.1.2　池化、步長和填充操作 46
3.2　TensorFlow中的卷積和池化操作 48
3.2.1　在TensorFlow中應用池化操作 49
3.2.2　TensorFlow中的卷積操作 51
3.3　訓練CNN 53
3.3.1　初始化權重和偏置 53
3.3.2　正則化 54
3.3.3　激活函數(shù) 54
3.4　創(chuàng)建、訓練和評估第一個CNN 56
3.5　模型性能優(yōu)化 73
3.5.1　隱含層數(shù)量 73
3.5.2　每個隱含層的神經(jīng)元個數(shù) 74
3.5.3　批標準化 74
3.5.4　高級正則化及過擬合的避免 76
3.5.5　運用哪個優(yōu)化器 79
3.5.6　內(nèi)存調(diào)優(yōu) 79
3.5.7　層的位置調(diào)優(yōu) 80
3.5.8　綜合所有操作創(chuàng)建第二個CNN 80
3.5.9　數(shù)據(jù)集描述和預處理 80
3.5.10　創(chuàng)建CNN模型 85
3.5.11　訓練和評估網(wǎng)絡 87
3.6　本章小結 90
第4章　經(jīng)典的CNN模型架構 91
4.1　ImageNet介紹 91
4.2　LeNet 92
4.3　AlexNet架構 93
4.4　VGGNet架構 95
4.5　GoogLeNet架構 97
4.5.1　架構洞察 98
4.5.2　inception模塊 99
4.6　ResNet架構 99
4.7　本章小結 101
第5章　轉移學習 103
5.1　特征提取方法 103
5.1.1　目標數(shù)據(jù)集較小且與原始訓練集相似 104
5.1.2　目標數(shù)據(jù)集較小且與原始訓練集不同 105
5.1.3　目標數(shù)據(jù)集很大且與原始訓練集相似 107
5.1.4　目標數(shù)據(jù)集很大且與原始訓練集不同 107
5.2　轉移學習示例 108
5.3　多任務學習 111
5.4　本章小結 111
第6章　CNN自編碼器 113
6.1　自編碼器介紹 113
6.2　卷積自編碼器 114
6.3　應用 115
6.4　本章小結 116
第7章　CNN目標檢測與實例分割 119
7.1　目標檢測與圖像分類的區(qū)別 120
7.2　傳統(tǒng)的、非CNN的目標檢測方法 124
7.3　R-CNN：CNN特征區(qū) 128
7.4　Fast R-CNN：基于區(qū)域快速識別的CNN 130
7.5　Faster R-CNN：基于快速區(qū)域生成網(wǎng)絡的CNN 132
7.6　Mask R-CNN：CNN實例分割 135
7.7　實例分割的代碼實現(xiàn) 137
7.7.1　創(chuàng)建環(huán)境 138
7.7.2　準備COCO數(shù)據(jù)集文件夾結構 139
7.7.3　在COCO數(shù)據(jù)集上運行預訓練模型 139
7.8　參考文獻 139
7.9　本章小結 141
第8章　GAN：使用CNN生成新圖像 143
8.1　Pix2pix：基于GAN的圖像翻譯 144
8.1.1　CycleGAN 144
8.1.2　訓練GAN模型 145
8.2　GAN的代碼示例 146
8.2.1　計算損失 149
8.2.2　半監(jiān)督學習和GAN 151
8.3　特征匹配 152
8.3.1　基于半監(jiān)督分類的GAN示例 152
8.3.2　深度卷積GAN 158
8.4　本章小結 159
第9章　CNN和視覺模型的注意力機制 161
9.1　圖像描述中的注意力機制 164
9.2　注意力類型 168
9.2.1　硬注意力 168
9.2.2　軟注意力 169
9.3　運用注意力改善視覺模型 170
9.3.1　視覺CNN模型次優(yōu)性能的原因 171
9.3.2　循環(huán)視覺注意力模型 174
9.4　參考文獻 180
9.5　本章小結 181