免费人妻中文不卡无码_日本精品爽爽van在线_久久精品国产99久久丝袜蜜桃_女强人被春药精油按摩bd电影

目錄
第1章 機(jī)器學(xué)習(xí)基礎(chǔ) 1
1.1 機(jī)器學(xué)習(xí)概述 1
1.1.1 機(jī)器學(xué)習(xí)的概念 1
1.1.2 機(jī)器學(xué)習(xí)的任務(wù) 2
1.1.3 機(jī)器學(xué)習(xí)的發(fā)展簡(jiǎn)史 3
1.1.4 機(jī)器學(xué)習(xí)的典型應(yīng)用 5
1.2 機(jī)器學(xué)習(xí)策略 6
1.2.1 有監(jiān)督學(xué)習(xí) 6
1.2.2 無(wú)監(jiān)督學(xué)習(xí) 6
1.2.3 半監(jiān)督學(xué)習(xí) 6
1.2.4 強(qiáng)化學(xué)習(xí) 7
1.3 模型評(píng)估與選擇 7
1.3.1 歸納偏好 7
1.3.2 數(shù)據(jù)集劃分 8
1.3.3 性能度量 9
1.3.4 過(guò)擬合和欠擬合 10
1.4 神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí) 11
1.4.1 生物神經(jīng)元 11
1.4.2 人工神經(jīng)網(wǎng)絡(luò) 12
1.4.3 深度學(xué)習(xí) 14
1.5 本章小結(jié) 16
第2章 卷積神經(jīng)網(wǎng)絡(luò)基本原理 17
2.1 卷積神經(jīng)網(wǎng)絡(luò)概述 17
2.1.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展 17
2.1.2 卷積神經(jīng)網(wǎng)絡(luò)的基本原理與
組成 18
2.2 卷積層 19
2.2.1 基本卷積運(yùn)算 19
2.2.2 卷積神經(jīng)網(wǎng)絡(luò)中的卷積運(yùn)算 21
2.2.3 卷積的作用 22
2.2.4 卷積層及參數(shù) 25
2.2.5 特殊卷積 26
2.3 激活層 29
2.3.1 激活函數(shù)簡(jiǎn)述 29
2.3.2 典型的激活函數(shù) 30
2.4 池化層 34
2.4.1 池化操作 34
2.4.2 感受野 35
2.5 全連接層 36
2.6 目標(biāo)函數(shù) 37
2.6.1 常用的損失函數(shù) 38
2.6.2 正則化項(xiàng) 39
2.7 卷積神經(jīng)網(wǎng)絡(luò)的反向傳播 40
2.7.1 全連接層的反向傳播 40
2.7.2 池化層的反向傳播 41
2.7.3 卷積層的反向傳播 42
2.7.4 反向傳播實(shí)例 43
2.8 本章小結(jié) 45
第3章 典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 46
3.1 LeNet 46
3.1.1 LeNet網(wǎng)絡(luò)結(jié)構(gòu) 46
3.1.2 LeNet主要特點(diǎn) 49
3.2 AlexNet 49
3.2.1 AlexNet網(wǎng)絡(luò)結(jié)構(gòu) 49
3.2.2 AlexNet主要特點(diǎn) 51
3.3 VGGNet 53
3.3.1 VGGNet網(wǎng)絡(luò)結(jié)構(gòu) 53
3.3.2 VGGNet主要特點(diǎn) 55
3.4 GoogLeNet 55
3.4.1 Inception v1與Inception v2 56
3.4.2 Inception v3 59
3.4.3 Inception v4 60
3.5 ResNet 61
3.5.1 殘差網(wǎng)絡(luò)的動(dòng)機(jī) 61
3.5.2 ResNet網(wǎng)絡(luò)結(jié)構(gòu) 62
3.6 其他網(wǎng)絡(luò)結(jié)構(gòu) 64
3.6.1 DenseNet 64
3.6.2 SPPNet 64
3.6.3 SENet 66
3.6.4 MobileNet 66
3.7 本章小結(jié) 67
第4章 Python編程基礎(chǔ) 68
4.1 Python語(yǔ)言簡(jiǎn)介 68
4.1.1 Python的發(fā)展簡(jiǎn)史 68
4.1.2 Python的主要特點(diǎn) 68
4.1.3 Python的主要應(yīng)用領(lǐng)域 69
4.2 Python編程環(huán)境搭建 70
4.2.1 Windows下的安裝 70
4.2.2 Linux下的安裝 72
4.3 Python程序設(shè)計(jì) 73
4.3.1 編程規(guī)范 73
4.3.2 變量與數(shù)據(jù)類型 73
4.3.3 運(yùn)算符與表達(dá)式 77
4.3.4 結(jié)構(gòu)化程序設(shè)計(jì) 79
4.3.5 函數(shù)與模塊 81
4.3.6 面向?qū)ο蟪绦蛟O(shè)計(jì) 84
4.4 Python基礎(chǔ)工具庫(kù) 89
4.4.1 NumPy 89
4.4.2 Pandas 92
4.4.3 Matplotlib 94
4.5 本章小結(jié) 95
第5章 PyTorch基礎(chǔ) 96
5.1 常見(jiàn)的深度學(xué)習(xí)框架簡(jiǎn)介 96
5.1.1 Caffe 96
5.1.2 TensorFlow 97
5.1.3 PyTorch 97
5.1.4 其他框架 98
5.2 PyTorch的下載與安裝 98
5.2.1 Linux下的安裝 98
5.2.2 Windows下的安裝 100
5.3 PyTorch中的Tensor 101
5.3.1 Tensor的數(shù)據(jù)類型 101
5.3.2 Tensor的基本操作 102
5.3.3 Tensor的基本運(yùn)算 104
5.3.4 Tensor的數(shù)據(jù)結(jié)構(gòu) 107
5.4 自動(dòng)求導(dǎo) 108
5.4.1 計(jì)算圖 108
5.4.2 自動(dòng)求導(dǎo)機(jī)制 109
5.5 模型搭建和參數(shù)優(yōu)化 111
5.5.1 神經(jīng)網(wǎng)絡(luò)工具箱 111
5.5.2 常用的神經(jīng)網(wǎng)絡(luò)層 113
5.5.3 前饋神經(jīng)網(wǎng)絡(luò)搭建 116
5.5.4 優(yōu)化器 118
5.6 PyTorch入門(mén)實(shí)戰(zhàn) 119
5.6.1 手寫(xiě)數(shù)字識(shí)別 119
5.6.2 CIFAR-10數(shù)據(jù)分類 122
5.7 本章小結(jié) 124
第6章 數(shù)據(jù)集與數(shù)據(jù)處理 125
6.1 典型數(shù)據(jù)集及標(biāo)注 125
6.1.1 典型數(shù)據(jù)集 125
6.1.2 數(shù)據(jù)標(biāo)注 129
6.2 數(shù)據(jù)預(yù)處理 132
6.2.1 數(shù)據(jù)清洗 132
6.2.2 數(shù)據(jù)采樣 133
6.2.3 數(shù)據(jù)標(biāo)準(zhǔn)化 133
6.2.4 數(shù)據(jù)集劃分 134
6.3 數(shù)據(jù)增廣 135
6.3.1 幾何變換 135
6.3.2 顏色變換 139
6.3.3 圖像降質(zhì) 140
6.4 PyTorch數(shù)據(jù)集處理實(shí)例 142
6.4.1 相關(guān)模塊簡(jiǎn)介 142
6.4.2 PyTorch自帶數(shù)據(jù)集的使用 143
6.4.3 Dataset類的繼承 146
6.4.4 一般數(shù)據(jù)集處理 152
6.5 本章小結(jié) 156
第7章 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 157
7.1 網(wǎng)絡(luò)超參數(shù) 157
7.1.1 輸入圖像大小 157
7.1.2 卷積層超參數(shù) 158
7.1.3 池化層超參數(shù) 158
7.2 網(wǎng)絡(luò)的訓(xùn)練 158
7.2.1 參數(shù)初始化 158
7.2.2 網(wǎng)絡(luò)優(yōu)化算法與策略 159
7.2.3 批量規(guī)一化 167
7.2.4 學(xué)習(xí)率的設(shè)定 169
7.2.5 訓(xùn)練數(shù)據(jù)置亂 170
7.3 圖像分類實(shí)例 170
7.3.1 網(wǎng)絡(luò)結(jié)構(gòu)超參數(shù)比較 170
7.3.2 不同優(yōu)化算法比較 180
7.4 遷移學(xué)習(xí)與網(wǎng)絡(luò)微調(diào) 181
7.4.1 遷移AlexNet到貓狗數(shù)據(jù)集
實(shí)例 181
7.4.2 遷移VGG-19到瓜子數(shù)據(jù)集
實(shí)例 186
7.5 本章小結(jié) 189
第8章 圖像去噪 190
8.1 圖像去噪基礎(chǔ)知識(shí) 190
8.1.1 噪聲模型 190
8.1.2 傳統(tǒng)圖像去噪方法 192
8.1.3 去噪算法設(shè)計(jì)與評(píng)價(jià) 193
8.2 基于去噪自編碼器的圖像去噪 194
8.2.1 自編碼器簡(jiǎn)介 194
8.2.2 MNIST數(shù)據(jù)集實(shí)驗(yàn) 195
8.2.3 Waterloo數(shù)據(jù)集實(shí)驗(yàn) 203
8.3 基于殘差學(xué)習(xí)的圖像去噪 207
8.3.1 基本原理 207
8.3.2 去噪實(shí)驗(yàn) 207
8.3.3 非高斯噪聲的去除 209
8.4 本章小結(jié) 211
第9章 圖像修復(fù) 212
9.1 圖像修復(fù)基礎(chǔ)知識(shí) 212
9.1.1 圖像修復(fù)概念 212
9.1.2 基于深度學(xué)習(xí)的圖像修復(fù)
方法 213
9.2 基于DCGAN的圖像修復(fù) 214
9.2.1 生成式對(duì)抗網(wǎng)絡(luò) 214
9.2.2 手寫(xiě)體生成實(shí)例 216
9.2.3 基于DCGAN的人臉修復(fù) 221
9.3 基于Context-Encoder的圖像
修復(fù) 226
9.3.1 Context-Encoder模型結(jié)構(gòu) 226
9.3.2 算法與實(shí)驗(yàn) 228
9.4 本章小結(jié) 236
第10章 目標(biāo)檢測(cè) 237
10.1 目標(biāo)檢測(cè)基礎(chǔ)知識(shí) 237
10.1.1 傳統(tǒng)目標(biāo)檢測(cè)方法 237
10.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)
檢測(cè)方法 238
10.1.3 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo) 238
10.1.4 目標(biāo)檢測(cè)數(shù)據(jù)集 239
10.2 兩階段目標(biāo)檢測(cè)網(wǎng)絡(luò) 240
10.2.1 R-CNN 240
10.2.2 Fast R-CNN 242
10.2.3 Faster R-CNN 244
10.3 單階段目標(biāo)檢測(cè)網(wǎng)絡(luò) 246
10.3.1 YOLO 246
10.3.2 SSD 249
10.4 MMDetection檢測(cè)算法庫(kù) 250
10.4.1 MMDetection安裝 251
10.4.2 模型的測(cè)試 252
10.4.3 模型的訓(xùn)練 253
10.4.4 MMDetection算法配置
文件解析 255
10.4.5 使用自己的數(shù)據(jù)集 258
10.5 本章小結(jié) 261
參考文獻(xiàn) 262