kindle电子书

资源下载,尽在我的书库!
首页 > kindle电子书库 > 典藏频道 > 工农林医、科学科普、IT网络

深度学习与图像识别:原理与实践 (智能系统与技术丛书)

  • 作者:[中] 魏溪含
  • 体积:7.56 MB
  • 语言:中文
  • 日期:2019-12-08
  • 推荐:

简介:深度学习与图像识别:原理与实践 (智能系统与技术丛书)

电子书详细介绍

本书是一本有关人工智能图像识别应用开发与实践指导类的教材,主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点,选择有代表性的专题项目而且尽量避免复杂的数学推导,易于读者理解,专注于实战。详细介绍了numpy,knn,线性回归,逻辑回归,神经网络在图像识别上的应用,并为后一部分的深度学习做好铺垫。同时,针对每一个项目介绍项目的应用及意义,该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术,以及识别方法等。书中实例程序的框架结构简单,代码简洁,读者可在数字图像处理技术的基础上进一步深化学习内容,提高实践应用能力和项目开发能力。

作者简介

魏溪含

爱丁堡大学人工智能硕士,阿里巴巴达摩院算法专家,在计算机视觉、大数据领域有8年以上的算法架构和研发经验。

在大数据领域,曾带领团队对阿里巴巴个性化推荐系统进行升级;计算机视觉领域,主导并攻克了光伏EL全自动瑕疵识别的世界难题,并在行为识别领域带领团队参赛打破世界纪录等。

涂铭

阿里巴巴数据架构师,对大数据、自然语言处理、图像识别、Python、Java相关技术有深入的研究,积累了丰富的实践经验。在工业领域曾参与了燃煤优化、设备故障诊断项目,正泰光伏电池片和组件EL图像检测项目;在自然语言处理方面,担任导购机器人项目的架构师,主导开发机器人的语义理解、短文本相似度匹配、上下文理解,以及通过自然语言检索产品库,在项目中构建了NoSQL+文本检索等大数据架构,也同时负责问答对的整理和商品属性的提取,带领NLP团队构建语义解析层。

张修鹏

毕业于中南大学,阿里巴巴技术发展专家,长期从事云计算、大数据、人工智能与物联网技术的商业化应用,在阿里巴巴首次将图像识别技术引入工业,并推动图像识别产品化、平台化,擅于整合前沿技术解决产业问题,主导多个大数据和AI为核心的数字化转型项目成功实施,对技术和商业结合有着深刻的理解。

目录

前言
第1章 机器视觉在行业中的应用1
1.1 机器视觉的发展背景1
1.1.1 人工智能1
1.1.2 机器视觉2
1.2 机器视觉的主要应用场景3
1.2.1 人脸识别3
1.2.2 视频监控分析4
1.2.3 工业瑕疵检测5
1.2.4 图片识别分析6
1.2.5 自动驾驶/驾驶辅助7
1.2.6 三维图像视觉8
1.2.7 医疗影像诊断8
1.2.8 文字识别9
1.2.9 图像/视频的生成及设计9
1.3 本章小结10
第2章 图像识别前置技术11
2.1 深度学习框架11
2.1.1 Theano11
2.1.2 Tensorflow12
2.1.3 MXNet13
2.1.4 Keras13
2.1.5 PyTorch14
2.1.6 Caffe14
2.2 搭建图像识别开发环境15
2.2.1 Anaconda15
2.2.2 conda18
2.2.3 Pytorch的下载与安装19
2.3 Numpy使用详解20
2.3.1 创建数组20
2.3.2 创建Numpy数组22
2.3.3 获取Numpy属性24
2.3.4 Numpy数组索引25
2.3.5 切片25
2.3.6 Numpy中的矩阵运算26
2.3.7 数据类型转换27
2.3.8 Numpy的统计计算方法28
2.3.9 Numpy中的arg运算29
2.3.10 FancyIndexing29
2.3.11 Numpy数组比较30
2.4 本章小结31
第3章 图像分类之KNN算法32
3.1 KNN的理论基础与实现32
3.1.1 理论知识32
3.1.2 KNN的算法实现33
3.2 图像分类识别预备知识35
3.2.1 图像分类35
3.2.2 图像预处理36
3.3 KNN实战36
3.3.1 KNN实现MNIST数据分类36
3.3.2 KNN实现Cifar10数据分类41
3.4 模型参数调优44
3.5 本章小结48
第4章 机器学习基础49
4.1 线性回归模型49
4.1.1 一元线性回归50
4.1.2 多元线性回归56
4.2 逻辑回归模型57
4.2.1 Sigmoid函数58
4.2.2 梯度下降法59
4.2.3 学习率的分析61
4.2.4 逻辑回归的损失函数63
4.2.5 Python实现逻辑回归66
4.3 本章小结68
第5章 神经网络基础69
5.1 神经网络69
5.1.1 神经元70
5.1.2 激活函数72
5.1.3 前向传播76
5.2 输出层80
5.2.1 Softmax80
5.2.2 one-hotencoding82
5.2.3 输出层的神经元个数83
5.2.4 MNIST数据集的前向传播83
5.3 批处理85
5.4 广播原则87
5.5 损失函数88
5.5.1 均方误差88
5.5.2 交叉熵误差89
5.5.3 Mini-batch90
5.6 最优化91
5.6.1 随机初始化91
5.6.2 跟随梯度(数值微分)92
5.7 基于数值微分的反向传播98
5.8 基于测试集的评价101
5.9 本章小结104
第6章 误差反向传播105
6.1 激活函数层的实现105
6.1.1 ReLU反向传播实现106
6.1.2 Sigmoid反向传播实现106
6.2 Affine层的实现107
6.3 Softmaxwithloss层的实现108
6.4 基于数值微分和误差反向传播的比较109
6.5 通过反向传播实现MNIST识别111
6.6 正则化惩罚114
6.7 本章小结115
第7章 PyTorch实现神经网络图像分类116
7.1 PyTorch的使用116
7.1.1 Tensor116
7.1.2 Variable117
7.1.3 激活函数118
7.1.4 损失函数120
7.2 PyTorch实战122
7.2.1 PyTorch实战之MNIST分类122
7.2.2 PyTorch实战之Cifar10分类125
7.3 本章小结128
第8章 卷积神经网络129
8.1 卷积神经网络基础129
8.1.1 全连接层129
8.1.2 卷积层130
8.1.3 池化层134
8.1.4 批规范化层135
8.2 常见卷积神经网络结构135
8.2.1 AlexNet136
8.2.2 VGGNet138
8.2.3 GoogLeNet140
8.2.4 ResNet142
8.2.5 其他网络结构144
8.3 VGG16实现Cifar10分类145
8.3.1 训练146
8.3.2 预测及评估149
8.4 本章小结152
8.5 参考文献152
第9章 目标检测153
9.1 定位+分类153
9.2 目标检测155
9.2.1 R-CNN156
9.2.2 Fast R-CNN160
9.2.3 Faster R-CNN162
9.2.4 YOLO165
9.2.5 SSD166
9.3 SSD实现VOC目标检测167
9.3.1 PASCAL VOC数据集167
9.3.2 数据准备170
9.3.3 构建模型175
9.3.4 定义Loss178
9.3.5 SSD训练细节181
9.3.6 训练186
9.3.7 测试189
9.4 本章小结190
9.5 参考文献191
第10章 分割192
10.1 语义分割193
10.1.1 FCN193
10.1.2 UNet实现裂纹分割196
10.1.3 SegNet209
10.1.4 PSPNet210
10.2 实例分割211
10.2.1 层叠式212
10.2.2 扁平式212
10.3 本章小结213
10.4 参考文献214
第11章 产生式模型215
11.1 自编码器215
11.2 对抗生成网络215
11.3 DCGAN及实战217
11.3.1 数据集218
11.3.2 网络设置220
11.3.3 构建产生网络221
11.3.4 构建判别网络223
11.3.5 定义损失函数224
11.3.6 训练过程224
11.3.7 测试227
11.4 其他GAN230
11.5 本章小结235
11.6 参考文献235
第12章 神经网络可视化236
12.1 卷积核236
12.2 特征层237
12.2.1 直接观测237
12.2.2 通过重构观测239
12.2.3 末端特征激活情况243
12.2.4 特征层的作用244
12.3 图片风格化245
12.3.1 理论介绍245
12.3.2 代码实现247
12.4 本章小结255
12.5 参考文献255
第13章 图像识别算法的部署模式257
13.1 图像算法部署模式介绍257
13.2 实际应用场景和部署模式的匹配262
13.3 案例介绍264
13.4 本章小结265

我来说两句

本书评论

共有 0 条评论
图书分类
我的书库手机端
帮助中心
会员登录 ×
新用户注册 ×