- 深度学习与图像识别(原理与实践彩色印刷)/智能系统与技术丛书
- - 作者：魏溪含//涂铭//张修鹏
  - 出版社：机械工业
  - ISBN：9787111630036
  - 出版日期：2019/07/01
  - 页数：265
- 售价：51.6

内容大纲
    这是一部从技术原理、算法和工程实践3个维度系统讲解图像识别的著作，由阿里巴巴达摩院算法专家、阿里巴巴技术发展专家、阿里巴巴数据架构师联合撰写。
    在知识点的选择上，本书广度和深度兼顾，既能让完全没有基础的读者迅速入门，又能让有基础的读者深入掌握图像识别的核心技术；在写作方式上，本书避开了复杂的数学公式及其推导，从问题的前因后果、创造者的思考过程角度展开，利用简单的数学计算来做模型分析和讲解，通俗易懂。更重要的是，本书不仅聚焦于技术，更是将重点放在了如何用技术解决实际的业务问题。
    全书一共13章：
    第1～2章主要介绍了图像识别的应用场景、工具和工作环境的搭建；
    第3～6章详细讲解了图像分类算法、机器学习、神经网络、误差反向传播等图像识别的基础技术及其原理；
    第7章讲解了如何利用PyTorch来实现神经网络的图像分类，专注于实操，是从基础向高阶的过渡；
    第8～12章深入讲解了图像识别的核心技术及其原理，包括卷积神经网络、目标检测、分割、产生式模型、神经网络可视化等主题；
    第13章从工程实践的角度讲解了图像识别算法的部署模式。
作者介绍
目录
前言
第1章  机器视觉在行业中的应用
  1.1  机器视觉的发展背景
    1.1.1  人工智能
    1.1.2  机器视觉
  1.2  机器视觉的主要应用场景
    1.2.1  人脸识别
    1.2.2  视频监控分析
    1.2.3  工业瑕疵检测
    1.2.4  图片识别分析
    1.2.5  自动驾驶/驾驶辅助
    1.2.6  三维图像视觉
    1.2.7  医疗影像诊断
    1.2.8  文字识别
    1.2.9  图像/视频的生成及设计
  1.3  本章小结
第2章  图像识别前置技术
  2.1  深度学习框架
    2.1.1  Theano
    2.1.2  Tensorflow
    2.1.3  MXNet
    2.1.4  Keras
    2.1.5  PyTorch
    2.1.6  Caffe
  2.2  搭建图像识别开发环境
    2.2.1  Anaconda
    2.2.2  conda
    2.2.3  Pytorch的下载与安装
  2.3  Numpy使用详解
    2.3.1  创建数组
    2.3.2  创建Numpy数组
    2.3.3  获取Numpy属性
    2.3.4  Numpy数组索引
    2.3.5  切片
    2.3.6  Numpy中的矩阵运算
    2.3.7  数据类型转换
    2.3.8  Numpy的统计计算方法
    2.3.9  Numpy中的arg运算
    2.3.10  FancyIndexing
    2.3.11  Numpy数组比较
  2.4  本章小结
第3章  图像分类之KNN算法
  3.1  KNN的理论基础与实现
    3.1.1  理论知识
    3.1.2  KNN的算法实现
  3.2  图像分类识别预备知识
    3.2.1  图像分类
    3.2.2  图像预处理
  3.3  KNN实战
    3.3.1  KNN实现MNIST数据分类

    3.3.2  KNN实现Cifar10数据分类
  3.4  模型参数调优
  3.5  本章小结
第4章  机器学习基础
  4.1  线性回归模型
    4.1.1  一元线性回归
    4.1.2  多元线性回归
  4.2  逻辑回归模型
    4.2.1  Sigmoid函数
    4.2.2  梯度下降法
    4.2.3  学习率的分析
    4.2.4  逻辑回归的损失函数
    4.2.5  Python实现逻辑回归
  4.3  本章小结
第5章  神经网络基础
  5.1  神经网络
    5.1.1  神经元
    5.1.2  激活函数
    5.1.3  前向传播
  5.2  输出层
    5.2.1  Softmax
    5.2.2  one-hotencoding
    5.2.3  输出层的神经元个数
    5.2.4  MNIST数据集的前向传播
  5.3  批处理
  5.4  广播原则
  5.5  损失函数
    5.5.1  均方误差
    5.5.2  交叉熵误差
    5.5.3  Mini-batch
  5.6  最优化
    5.6.1  随机初始化
    5.6.2  跟随梯度（数值微分）
  5.7  基于数值微分的反向传播
  5.8  基于测试集的评价
  5.9  本章小结
第6章  误差反向传播
  6.1  激活函数层的实现
    6.1.1  ReLU反向传播实现
    6.1.2  Sigmoid反向传播实现
  6.2  Affine层的实现
  6.3  Softmaxwithloss层的实现
  6.4  基于数值微分和误差反向传播的比较
  6.5  通过反向传播实现MNIST识别
  6.6  正则化惩罚
  6.7  本章小结
第7章  PyTorch实现神经网络图像分类
  7.1  PyTorch的使用
    7.1.1  Tensor
    7.1.2  Variable

    7.1.3  激活函数
    7.1.4  损失函数
  7.2  PyTorch实战
    7.2.1  PyTorch实战之MNIST分类
    7.2.2  PyTorch实战之Cifar10分类
  7.3  本章小结
第8章  卷积神经网络
  8.1  卷积神经网络基础
    8.1.1  全连接层
    8.1.2  卷积层
    8.1.3  池化层
    8.1.4  批规范化层
  8.2  常见卷积神经网络结构
    8.2.1  AlexNet
    8.2.2  VGGNet
    8.2.3  GoogLeNet
    8.2.4  ResNet
    8.2.5  其他网络结构
  8.3  VGG16实现Cifar10分类
    8.3.1  训练
    8.3.2  预测及评估
  8.4  本章小结
  8.5  参考文献
第9章  目标检测
  9.1  定位+分类
  9.2  目标检测
    9.2.1  R-CNN
    9.2.2  Fast R-CNN
    9.2.3  Faster R-CNN
    9.2.4  YOLO
    9.2.5  SSD
  9.3  SSD实现VOC目标检测
    9.3.1  PASCAL VOC数据集
    9.3.2  数据准备
    9.3.3  构建模型
    9.3.4  定义Loss
    9.3.5  SSD训练细节
    9.3.6  训练
    9.3.7  测试
  9.4  本章小结
  9.5  参考文献
第10章  分割
  10.1  语义分割
    10.1.1  FCN
    10.1.2  UNet实现裂纹分割
    10.1.3  SegNet
    10.1.4  PSPNet
  10.2  实例分割
    10.2.1  层叠式
    10.2.2  扁平式

  10.3  本章小结
  10.4  参考文献
第11章  产生式模型
  11.1  自编码器
  11.2  对抗生成网络
  11.3  DCGAN及实战
    11.3.1  数据集
    11.3.2  网络设置
    11.3.3  构建产生网络
    11.3.4  构建判别网络
    11.3.5  定义损失函数
    11.3.6  训练过程
    11.3.7  测试
  11.4  其他GAN
  11.5  本章小结
  11.6  参考文献
第12章  神经网络可视化
  12.1  卷积核
  12.2  特征层
    12.2.1  直接观测
    12.2.2  通过重构观测
    12.2.3  末端特征激活情况
    12.2.4  特征层的作用
  12.3  图片风格化
    12.3.1  理论介绍
    12.3.2  代码实现
  12.4  本章小结
  12.5  参考文献
第13章  图像识别算法的部署模式
  13.1  图像算法部署模式介绍
  13.2  实际应用场景和部署模式的匹配
  13.3  案例介绍
  13.4  本章小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目