实用卷积神经网络：运用Python实现高级深度学习模型

定　价：¥69.00

作　者：	[印度] 莫希特·赛瓦克（Mohit Sewak）著
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

京东 (¥69.00)

ISBN：	9787111621966	出版时间：	2019-05-01	包装：	平装
开本：	16	页数：		字数：

内容简介

　　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。

作者简介

　　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。

图书目录

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
1.2　TensorFlow介绍 3
1.3　MNIST数据集介绍 10
1.4　Keras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
2.1　CNN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
2.2.3　dropout 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
3.1　CNN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
3.2　TensorFlow中的卷积和池化操作 48
3.2.1　在TensorFlow中应用池化操作 49
3.2.2　TensorFlow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
4.1　ImageNet介绍 91
4.2　LeNet 92
4.3　AlexNet架构 93
4.4　VGGNet架构 95
4.5　GoogLeNet架构 97
4.5.1　架构洞察 98
4.5.2　inception模块 99
4.6　ResNet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
7.3　R-CNN：CNN特征区 128
7.4　Fast R-CNN：基于区域快速识别的CNN 130
7.5　Faster R-CNN：基于快速区域生成网络的CNN 132
7.6　Mask 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
8.1　Pix2pix：基于GAN的图像翻译 144
8.1.1　CycleGAN 144
8.1.2　训练GAN模型 145
8.2　GAN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