书籍详情
![《深度学习计算机视觉实战艾哈迈德·法齐·迦》[37M]百度网盘|亲测有效|pdf下载](/uploads/2024-01-20/c3365df1bacd3ad9.jpg)
深度学习计算机视觉实战艾哈迈德·法齐·迦
- 出版社:国图书店图书专营店
- 出版时间:2020-09
- 热度:12113
- 上架时间:2024-06-30 09:38:03
- 价格:0.0
书籍下载
书籍预览
免责声明
本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正
内容介绍
| 商品基本信息，请以下列介绍为准 | |
| 商品名称： | 深度学习计算机视觉实战(卷积神经网络Python\TensorFlow和Kivy) |
| 作者： | (埃及)艾哈迈德·法齐·迦得 |
| 定价： | 98.0 |
| 出版社： | 清华大学出版社 |
| 出版日期： | 2020-09-01 |
| ISBN： | 9787302558224 |
| 印次： | 1 |
| 版次： | 1 |
| 装帧： | |
| 开本： | 16开 |
| 内容简介 | |
| 《深度学习计算机视觉实战卷积神经网络、Python、TensorFlow和Kjvy》将深度学习应用部署到生产环境中。读者将学习使用卷积神经网络（CNN）深度学习模型和Python编写计算机视觉应用。本书从解释传统的机器学习流程开始介绍，分析了一个图像数据集。接下来，阐述了人工神经网络（ANN），使用Python从头开始构建一个ANN，然后使用遗传算法（GA）优化这个神经网络。 为了使过程自动化，本书强调了采用传统手工方式为计算机视觉选择特征的局限，重点阐明了CNN深度学习模型是最的解决方案的原因，并从头开始讨论CNN，演示了CNN与连接的ANN相比的与众不同之处；而且说明CNN更有效率，还使用Python实现CNN，使读者对这个模型有一个透彻的理解。 在巩固了基础之后，读者可以使用TensorFlow构建实践中使用的图像识别应用，并且使用Flask使得预训练的模型在互联网上可访问；使用Kivy和NumPy，可以用较低的开销创建台的数据科学应用。 本书有助于读者从基础开始应用深度学习和计算机视觉的概念，一步一步地从概念走向生产。 主要内容 ·理解ANN和CNN的工作机制 ·使用Python从头创建计算机视觉应用和CNN ·使用TensorFlow从概念到生产学习深度学习项目 ·与Kivy配合使用NumPy构建台的数据科学应用 读者对象 数据科学家、AI工程师、计算机科学专业学生、对深度学习和计算机视觉感兴趣的爱好者。 |
| 目录 | |
| 第1章 计算机视觉识别 1.1 图像识别步骤 1.2 特征提取 1.2.1 颜色直方图 1.2.2 GLCM 1.2.3 HOG 1.2.4 LBP 1.3 特征选择和缩减 1.3.1 过滤器方法 1.3.2 包装器方法 1.3.3 嵌入式方法 1.3.4 正则化 第2章 人工神经网络 2.1 人工神经网络简介 2.1.1 线模型是人工神经网络的基础 2.1.2 绘制人工神经网络 2.2 调整学习率来训练ANN 2.2.1 过滤器示例 2.2.2 学习率 2.2.3 测试网络 2.3 使用向后传播优化权重 2.3.1 无隐藏层神经网络的向后传播 2.3.2 权重更新公式 2.3.3 为什么向后传播算法很重要 2.3.4 前向传递与后向传递 2.3.5 具有隐藏层的神经网络的向后传播 2.4 过拟合 2.4.1 基于回归示例理解正则化 2.4.2 模型容量/复杂 2.4.3 L1正则化 2.5 设计ANN 2.5.1 示例1：无隐藏层的ANN 2.5.2 示例2：具有单个隐藏层的ANN 第3章 使用具有工程化特征的人工神经网行识别 3.1 Fruits 360数据集特征挖掘 3.1.1 特征挖掘 3.1.2 特征缩减 3.1.3 使用AN行过滤 3.2 ANN实现 3.3 工程化特征的局限 3.4 工程化特征并未终结 第4章 人工神经网络的优化 4.1 优化简介 4.2 GA 4.2.1 选择亲本 4.2.2 变化算子 4.2.3 示例的Python实现 4.3 NSGA-II 4.3.1 NSGA-II步骤 4.3.2 支配度 4.3.3 拥挤距离 4.3.4 竞赛选择 4.3.5 交r/> 4.3.6 突变 4.4 使用GA优化ANN 第5章 卷积神经网络 5.1 从人工神经网络到卷积神经网络 5.1.1 深度学习背后的直觉 5.1.2 卷积的推导 5.1.3 设计CNN 5.1.4 池化r/> 5.1.5 卷积操作示例 5.1.6 池化操作示例 5.2 使用NumPy从头开始构建CNN 5.2.1 读取输入图像 5.2.2 准备过滤器 5.2.3 卷积层 5.2.4 ReLU层 5.2.5 池化层 5.2.6 堆叠层 5.2.7 完整代码 第6章 TensorFlow在图像识别中的应用 6.1 TF简介 6.1.1 张量 6.1.2 TF Core 6.1.3 数据流图 6.1.4 使用TB的图可视化 6.1.5 线模型 6.2 构建FFNN 6.2.1 线分类 6.2.2 非线分类 6.3 使用CNN识别CIFAR 6.3.1 准备训练数据 6.3.2 构建CNN 6.3.3 训练CNN 6.3.4 保存已训练模型 6.3.5 构建和训练CNN的完整代码 6.3.6 准备测试数据 6.3.7 测试已训练的CNN模型 第7章 部署预训练模型 7.1 应用概述 7.2 Flask介绍 7.2.1 route()装饰器 7.2.2 add_rule_url方法 7.2.3 变量规则 7.2.4 端点 7.2.5 HTML表单 7.2.6 上传文件 7.2.7 Flask应用内的HTML 7.2.8 静态文件 7.3 部署使用Fruits 360数据集训练过的模型 7.4 部署使用CIFAR10数据集训练过的模型 第8章 台的数据科学应用 8.1 Kivy简介 8.1.1 使用BoxLayout的基本应用 8.1.2 Kivy应用的生命周期 8.1.3 部件尺 8.1.4 网格布局 8.1.5 更多部件 8.1.6 部件树 8.1.7 处理事件 8.1.8 KV语言 8.2 P4A 8.2.1 安装Buildozer 8.2.2 准备buildozer.spec文件 8.2.3 使用Buildozer构建Android应用 8.3 Android上的图像识别 8.4 Android上的CNN 附录A 使用pip安装程序安装自制项目包 |