| | | | 深度學習與圖像識別：原理與實踐 魏溪含 塗銘 張修鵬 深度學習、 | | 該商品所屬分類：圖書 -> 機械工業出版社 | | 【市場價】 | 993-1440元 | | 【優惠價】 | 621-900元 | | 【作者】 | 魏溪含 | | 【出版社】 | 機械工業出版社 | | 【ISBN】 | 9787111630036 | | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品
一次購物滿2000元台幣95折+免運費+贈品
一次購物滿3000元台幣92折+免運費+贈品
一次購物滿4000元台幣88折+免運費+贈品
| | 【本期贈品】 | ①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾
|
|
| 版本 | 正版全新電子版PDF檔 | | 您已选择： | 正版全新 | 溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。
*. 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
*. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。 | | | |
| | 內容介紹 | |
店鋪：機械工業出版社官方旗艦店 出版社：機械工業出版社 ISBN：9787111630036 商品編碼：10026490046212 品牌：機械工業出版社（CMP） 頁數：200 字數：105000 審圖號：9787111630036 作者：魏溪含
" 
商品參數
| 商品基本信息 | | 商品名稱： | 深度學習與圖像識別：原理與實踐 | | 作者： | 魏溪含 塗銘 張修鵬 | | 市場價： | 129.00 | | ISBN號： | 9787111630036 | | 版次： | 1-1 | | 出版日期： | 1900-01 | | 頁數： | 265 | | 字數： | 105 | | 出版社： | 機械工業出版社 |
內容介紹
| 內容簡介 | 本書是一本有關人工智能圖像識別應用開發與實踐指導類的教材，主要介紹圖像處理應用項目開發的基本流程、圖像識別處理應用項目關鍵技術。本書直擊當今研究熱點，選擇有代表性的專題項目而且盡量避免復雜的數學推導，易於讀者理解，專注於實戰。詳細介紹了numpy，knn，線性回歸，邏輯回歸，神經網絡在圖像識別上的應用，並為後一部分的深度學習做好鋪墊。同時，針對每一個項目介紹項目的應用及意義，該項目的數據特征分析、識別繫統設計、圖像預處理技術、特征提取技術，以及識別方法等。書中實例程序的框架結構簡單，代碼簡潔，讀者可在數字圖像處理技術的基礎上進一步深化學習內容，提高實踐應用能力和項目開發能力。
|
目錄
| 目錄 | 前言
*1章機器視覺在行業中的應用1
1.1機器視覺的發展背景1
1.1.1人工智能1
1.1.2機器視覺2
1.2機器視覺的主要應用場景3
1.2.1人臉識別3
1.2.2視頻監控分析4
1.2.3工業瑕疵檢測5
1.2.4圖片識別分析6
1.2.5自動駕駛/駕駛輔助7
1.2.6三維圖像視覺8
1.2.7醫療影像診斷8
1.2.8文字識別9
1.2.9圖像/視頻的生成及設計9
1.3本章小結10
*2章圖像識別前置技術11
2.1深度學習框架11
2.1.1Theano11
2.1.2Tensorflow12
2.1.3MXNet13
2.1.4Keras13
2.1.5PyTorch14
2.1.6Caffe14
2.2搭建圖像識別開發環境15
2.2.1Anaconda15
2.2.2conda18
2.2.3Pytorch的下載與安裝19
2.3Numpy使用詳解20
2.3.1創建數組20
2.3.2創建Numpy數組22
2.3.3獲取Numpy屬性24
2.3.4Numpy數組索引25
2.3.5切片25
2.3.6Numpy中的矩陣運算26
2.3.7數據類型轉換27
2.3.8Numpy的統計計算方法28
2.3.9Numpy中的arg運算29
2.3.10FancyIndexing29
2.3.11Numpy數組比較30
2.4本章小結31
第3章圖像分類之KNN算法32
3.1KNN的理論基礎與實現32
3.1.1理論知識32
3.1.2KNN的算法實現33
3.2圖像分類識別預備知識35
3.2.1圖像分類35
3.2.2圖像預處理36
3.3KNN實戰36
3.3.1KNN實現MNIST數據分類36
3.3.2KNN實現Cifar10數據分類41
3.4模型參數調優44
3.5本章小結48
第4章機器學習基礎49
4.1線性回歸模型49
4.1.線性回歸50
4.1.線性回歸56
4.2邏輯回歸模型57
4.2.1Sigmoid函數58
4.2.2梯度下降法59
4.2.3學習率的分析61
4.2.4邏輯回歸的損失函數63
4.2.5Python實現邏輯回歸66
4.3本章小結68
第5章神經網絡基礎69
5.1神經網絡69
5.1.170
5.1.2激活函數72
5.1.3前向傳播76
5.2輸出層80
5.2.1Softmax80
5.2.2one-hotencoding82
5.2.3輸出層個數83
5.2.4MNIST數據集的前向傳播83
5.3批處理85
5.4廣播原則87
5.5損失函數88
5.5.1均方誤差88
5.5.2交叉熵誤差89
5.5.3Mini-batch90
5.6*優化91
5.6.1隨機初始化91
5.6.2跟隨梯度（數值微分）92
5.7基於數值微分的反向傳播98
5.8基於測試集的評價101
5.9本章小結104
第6章誤差反向傳播105
6.1激活函數層的實現105
6.1.1ReLU反向傳播實現106
6.1.2Sigmoid反向傳播實現106
6.2Affine層的實現107
6.3Softmaxwithloss層的實現108
6.4基於數值微分和誤差反向傳播的比較109
6.5通過反向傳播實現MNIST識別111
6.6正則化懲罰114
6.7本章小結115
第7章PyTorch實現神經網絡圖像分類116
7.1PyTorch的使用116
7.1.1Tensor116
7.1.2Variable117
7.1.3激活函數118
7.1.4損失函數120
7.2PyTorch實戰122
7.2.1PyTorch實戰之MNIST分類122
7.2.2PyTorch實戰之Cifar10分類125
7.3本章小結128
第8章卷積神經網絡129
8.1卷積神經網絡基礎129
8.1.1全連接層129
8.1.2卷積層130
8.1.3池化層134
8.1.4批規範化層135
8.2常見卷積神經網絡結構135
8.2.1AlexNet136
8.2.2VGGNet138
8.2.3GoogLeNet140
8.2.4ResNet142
8.2.5其他網絡結構144
8.3VGG16實現Cifar10分類145
8.3.1訓練146
8.3.2預測及評估149
8.4本章小結152
8.5參考文獻152
第9章目標檢測153
9.1定位+分類153
9.2目標檢測155
9.2.1R-CNN156
9.2.2Fast R-CNN160
9.2.3Faster R-CNN162
9.2.4YOLO165
9.2.5SSD166
9.3SSD實現VOC目標檢測167
9.3.1PASCAL VOC數據集167
9.3.2數據準備170
9.3.3構建模型175
9.3.4定義Loss178
9.3.5SSD訓練細節181
9.3.6訓練186
9.3.7測試189
9.4本章小結190
9.5參考文獻191
*10章分割192
10.1語義分割193
10.1.1FCN193
10.1.2UNet實現裂紋分割196
10.1.3SegNet209
10.1.4PSPNet210
10.2實例分割211
10.2.1層疊式212
10.2.2扁平式212
10.3本章小結213
10.4參考文獻214
*11章產生式模型215
11.1自編碼器215
11.2對抗生成網絡215
11.3DCGAN及實戰217
11.3.1數據集218
11.3.2網絡設置220
11.3.3構建產生網絡221
11.3.4構建判別網絡223
11.3.5定義損失函數224
11.3.6訓練過程224
11.3.7測試227
11.4其他GAN230
11.5本章小結235
11.6參考文獻235
*12章神經網絡可視化236
12.1卷積核236
12.2特征層237
12.2.1直接觀測237
12.2.2通過重構觀測239
12.2.3末端特征激活情況243
12.2.4特征層的作用244
12.3圖片風格化245
12.3.1理論介紹245
12.3.2代碼實現247
12.4本章小結255
12.5參考文獻255
*13章圖像識別算法的部署模式257
13.1圖像算法部署模式介紹257
13.2實際應用場景和部署模式的匹配262
13.3案例介紹264
13.4本章小結265
|
" | | |
| | | | |
|
