多种网盘链接检测插件 购买前，请先检测网盘链接是否有效
《深度学习实践计算机视觉》_缪鹏_2019-01-01_1
《深度学习实践计算机视觉》_缪鹏_2019-01-01_2
《深度学习实践计算机视觉》_缪鹏_2019-01-01_3
内容简介：
卖品,仅供非商业用途或交流学习使用
深度学习实践:计算机视觉
2.14颜色直方图
2.15平滑与模糊
2.16边缘检.测
17人险和眼睛检.测示例
18本章总结
3. I Py Torch
3. 1. 2 Autograd
3.1.3 Torch. nn
3.2.1 variab
3.22Link与 Function
3. 2. 3 Chain.eee
3.2. 4 optimizers.\"
3.2.5损失函数
326GPU的使用
3.27模型的保存与加载
54
3.28 Fashionmnist图像分类示例
3,3 TensorFlow与Ker
3.3.1 TensorFlo
3.3.2 Keras
3.4 MXNet与 Gluon
4.2 Gluon
3.4.3 Gluon Sequential
3.4.5使用GPU…
4.6 Gluon Hybrid
…77
3.4.7 Lazy Evaluation
3. 4. 8 Module.
80
3.5其他框架
6本章总结……
第4章图像分类
4.1 VGG
4.1.2 MXNet版VGG使用示例
4.2 ResNet…
4.2.1 ResNet介绍
Chainer版 ResNet示例
4.3 Inception
95
4.3.1 Inception介绍
4.3.2 Keras版 Inception V3川菜分类
4.4 Xception
4.4.1 Xception简述
4.4.2 Keras版本 Xception使用示例
DenseNer
22
4.5.1 DenseNet介绍
4.5.2 PyTorch.版 DenseNer使用示例
4.6本章总结
第5章目标检.测与识别
5.1 Faster CNn-
5.1.1 Faster CNN介绍…
5.1.2 Chainercv版 Faster RCNN示例
5.2 SSD
52.1SSD介绍
22SSD示例
990
5.3YOLO……
.3.1 YOLO V1、V2和V3介绍
53.2 Keras版本 YOLO V3示例
第6章图像分割
6.1物体分割
62语义分割
62.1FCN与 SegNet
6.2.2 PSPNet
播,违者自负法律责任
品,仅供非商业用途或交流学习使
深度学习实践:计算机视觉
6.3实例分害
6.3.2 Mask R-CNN
6.3.3 MaskLab
64本章总结
第7章图像搜索
7.2 Triplet Network
7. 3 Marein Based Network
4 Keras版 Triplet Network示例
74.1准备数据
74.2训练文件
744模型训练
74.5模型测试
206
74.5结果可视化
7.5本章小结
第8章图像生成
218
8.1 VAE
8.1.1VAE介绍
8.1.2 Chainer版本VAE示例
8.2生成对抗网络GAN
8.2.1GAN介绍…
8.2.2 Chainer degan rpg游戏角色生成示例
8.3 Neural Style Transfer
83.1 Neural Style Transfer介绍
29884
83.2 MXNet多风格转换 MSG-Net示例
84本章总结…
后记
第1章
深度学习与计算机视觉
深度学习与计算机视觉近几年非常火,而它们又和人工智能联系紧密,但它们到底
是什么,能解决什么问题呢?本章便试着通俗简要地回答这个问题
首先是对世界的认识,对于人类来说,可以靠各种感官来感受周围的世界,包括眼
口、鼻、耳、舌、身,这样我们就认识了这个世界是由颜色、形状、美丑、味道、Wen度
甚至感情的憎恶等构成的。那么有没有方法让计算机也有这些感受和认知,再进行推理
判断和决策呢?笔者认为这就是人工智
对于计算机来说,一切皆为数字。比如性别为男性可以用1表示,女性则用0表示
这些都是公认的,即一种个体的属性可以使用数字来表示。既然如此,那么用向量来表
示也不会有问题,如[1,0,0代表“男”,[0.0,1代表“女”。一般地,一个个体会包含
很多的属性,那么把这些属性全部组合起来是不是就可以代表这个个体呢?当然可以
这对计算机来说就是有智慧的第一步—能认识并识别出不同的个体
播,违者自负法律责任!
深度学习实践:计算机视觉
用眼睛观察世界对人类来说轻而易举,但对只认识数字的计算机来说就是一项非常
难的任务。那么计算机视觉主要想解决什么问题呢?简单说就是让计算机能像人一样看
事物,并能理解看到的事物,粒度从非常小的苍蝇到非常大的宇宙,从静态的物体到动
态的行为过程,等等。此时便会涉及到一个根本性的问题:怎么样在计算机中表示这么
多不同的物体呢
以前人们经常使用的就是规则,即人类自己定义如何表示某个(或某类)物体,如
从颜色、形状、纹理等等方面描述,但要知道,这个世界是非常大的,物体种类可以说
是不计其数,万一规则冲突了怎么办?所以说基于规则的方法局限性非常大。于是就产
生了这样的想法:计算机的计算能力这么厉害,有没有可能让它自己学习这些规则呢
比如给计算机看一些正确的例子?这样机器学习就产生了,深度学习是机器学习的一个
子领域,而机器学习属于人工智能的研究范围。
机器学习主要是让计算机从历史经验(即数据)中学习知识,可将其理解为发现历
史规律,总结经验教训,所以也可称为模式识别。机器学习常常可分为三种类型:监督
学习、非监督学习和半监督学习。如果将机器学习简单理解为学生读书学习的过程,那
么监督学习可理解为学生跟着老师学习,老师学识丰富:而非监督学习则是学生完全自
学,自力更生;半监督学习则是两者综合,老师学识有限或学识丰富但指导时间有限
学生自己也需要自学
近几年机器学习领域发展起来的原因主要有以下几点
1)互联网快速发展,积累了大量的原始数据,包括图像、文本、影音等
(2)计算机硬件飞速发展,计算能力大大提高
(3)学术研究的突破,如以 Hinton为代表的团队
深度学习在很大程度上可理解为表示学习,即如何在计算机中用数字表示一个或
类物体。这种数字组成的东西也常常被称为特征,顾名思义:独特的表征,即在计算机
中只有某种物体才会用那样一组数字来表示,因此深度学习也称作特征学习。如图1-1
所示的鸟在计算机中可用独特的数字或数字组合来表示,比如:单个数字99、向量[123
99,88或者二维向量,甚至是更高维的向量。
那么这些数字表示什么意义呢?人类制定的规则,这些数字表示的意义一般比较明
显,比如表示颜色、形状、有没有羽毛等。而在深度学习中,物体的特征向量常常很难
与人类的直观意义匹配,即人们不懂这些数字代表什么意义,但计算机懂一一计算机能
在大量的特征向量中区分出个体
|
|
