實(shí)用卷積神經(jīng)網(wǎng)絡(luò)：運(yùn)用Python實(shí)現(xiàn)高級(jí)深度學(xué)習(xí)模型

前言
關(guān)于作者
關(guān)于審閱者
第1章　深度神經(jīng)網(wǎng)絡(luò)概述 1
1.1　創(chuàng)建神經(jīng)網(wǎng)絡(luò)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(xué)習(xí)庫概述 14
1.5　基于Keras和MNIST的手寫數(shù)字識(shí)別 15
1.5.1　訓(xùn)練和測(cè)試數(shù)據(jù)的檢索 17
1.5.2　訓(xùn)練數(shù)據(jù)的可視化 18
1.5.3　創(chuàng)建神經(jīng)網(wǎng)絡(luò) 18
1.5.4　訓(xùn)練神經(jīng)網(wǎng)絡(luò) 19
1.5.5　測(cè)試 19
1.6　理解反向傳播 20
1.7　本章小結(jié) 23
第2章　卷積神經(jīng)網(wǎng)絡(luò)介紹 25
2.1　CNN歷史 25
2.2　卷積神經(jīng)網(wǎng)絡(luò) 27
2.2.1　計(jì)算機(jī)如何解釋圖像 28
2.2.2　編碼實(shí)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(shí)踐示例：圖像分類 35
2.4　本章小結(jié) 39
第3章　構(gòu)建CNN并進(jìn)行性能優(yōu)化 41
3.1　CNN架構(gòu)和DNN的缺點(diǎn) 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(yīng)用池化操作 49
3.2.2　TensorFlow中的卷積操作 51
3.3　訓(xùn)練CNN 53
3.3.1　初始化權(quán)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(xùn)練和評(píng)估第一個(gè)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(gè)隱含層的神經(jīng)元個(gè)數(shù) 74
3.5.3　批標(biāo)準(zhǔn)化 74
3.5.4　高級(jí)正則化及過擬合的避免 76
3.5.5　運(yùn)用哪個(gè)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(gè)CNN 80
3.5.9　數(shù)據(jù)集描述和預(yù)處理 80
3.5.10　創(chuàng)建CNN模型 85
3.5.11　訓(xùn)練和評(píng)估網(wǎng)絡(luò) 87
3.6　本章小結(jié) 90
第4章　經(jīng)典的CNN模型架構(gòu) 91
4.1　ImageNet介紹 91
4.2　LeNet 92
4.3　AlexNet架構(gòu) 93
4.4　VGGNet架構(gòu) 95
4.5　GoogLeNet架構(gòu) 97
4.5.1　架構(gòu)洞察 98
4.5.2　inception模塊 99
4.6　ResNet架構(gòu) 99
4.7　本章小結(jié) 101
第5章　轉(zhuǎn)移學(xué)習(xí) 103
5.1　特征提取方法 103
5.1.1　目標(biāo)數(shù)據(jù)集較小且與原始訓(xùn)練集相似 104
5.1.2　目標(biāo)數(shù)據(jù)集較小且與原始訓(xùn)練集不同 105
5.1.3　目標(biāo)數(shù)據(jù)集很大且與原始訓(xùn)練集相似 107
5.1.4　目標(biāo)數(shù)據(jù)集很大且與原始訓(xùn)練集不同 107
5.2　轉(zhuǎn)移學(xué)習(xí)示例 108
5.3　多任務(wù)學(xué)習(xí) 111
5.4　本章小結(jié) 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(yīng)用 115
6.4　本章小結(jié) 116
第7章　CNN目標(biāo)檢測(cè)與實(shí)例分割 119
7.1　目標(biāo)檢測(cè)與圖像分類的區(qū)別 120
7.2　傳統(tǒng)的、非CNN的目標(biāo)檢測(cè)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(shí)別的CNN 130
7.5　Faster R-CNN：基于快速區(qū)域生成網(wǎng)絡(luò)的CNN 132
7.6　Mask R-CNN：CNN實(shí)例分割 135
7.7　實(shí)例分割的代碼實(shí)現(xiàn) 137
7.7.1　創(chuàng)建環(huán)境 138
7.7.2　準(zhǔn)備COCO數(shù)據(jù)集文件夾結(jié)構(gòu) 139
7.7.3　在COCO數(shù)據(jù)集上運(yùn)行預(yù)訓(xùn)練模型 139
7.8　參考文獻(xiàn) 139
7.9　本章小結(jié) 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(xùn)練GAN模型 145
8.2　GAN的代碼示例 146
8.2.1　計(jì)算損失 149
8.2.2　半監(jiān)督學(xué)習(xí)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(jié) 159
第9章　CNN和視覺模型的注意力機(jī)制 161
9.1　圖像描述中的注意力機(jī)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(yùn)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(xiàn) 180
9.5　本章小結(jié) 181