最新章節

• 13.4 本章小結
• 13.3 案例介紹
• 13.2 實際應用場景和部署模式的匹配
• 13.1 圖像算法部署模式介紹
• 第13章 圖像識別算法的部署模式
• 12.5 參考文獻

• 13.4 本章小結 更新時間：2019-08-15 18:07:28
• 13.3 案例介紹
• 13.2 實際應用場景和部署模式的匹配
• 13.1 圖像算法部署模式介紹
• 第13章 圖像識別算法的部署模式
• 12.5 參考文獻
• 12.4 本章小結
• 12.3.2 代碼實現
• 12.3.1 理論介紹
• 12.3 圖片風格化
• 12.2.4 特征層的作用
• 12.2.3 末端特征激活情況
• 12.2.2 通過重構觀測
• 12.2.1 直接觀測
• 12.2 特征層
• 12.1 卷積核
• 第12章 神經網絡可視化
• 11.6 參考文獻
• 11.5 本章小結
• 11.4 其他GAN
• 11.3.7 測試
• 11.3.6 訓練過程
• 11.3.5 定義損失函數
• 11.3.4 構建判別網絡
• 11.3.3 構建產生網絡
• 11.3.2 網絡設置
• 11.3.1 數據集
• 11.3 DCGAN及實戰
• 11.2 對抗生成網絡
• 11.1 自編碼器
• 第11章 產生式模型
• 10.4 參考文獻
• 10.3 本章小結
• 10.2.2 扁平式
• 10.2.1 層疊式
• 10.2 實例分割
• 10.1.4 PSPNet
• 10.1.3 SegNet
• 10.1.2 UNet實現裂紋分割
• 10.1.1 FCN
• 10.1 語義分割
• 第10章 分割
• 9.5 參考文獻
• 9.4 本章小結
• 9.3.7 測試
• 9.3.6 訓練
• 9.3.5 SSD訓練細節
• 9.3.4 定義Loss
• 9.3.3 構建模型
• 9.3.2 數據準備
• 9.3.1 PASCAL VOC數據集
• 9.3 SSD實現VOC目標檢測
• 9.2.5 SSD
• 9.2.4 YOLO
• 9.2.3 Faster R-CNN
• 9.2.2 Fast R-CNN
• 9.2.1 R-CNN
• 9.2 目標檢測
• 9.1 定位+分類
• 第9章 目標檢測
• 8.5 參考文獻
• 8.4 本章小結
• 8.3.2 預測及評估
• 8.3.1 訓練
• 8.3 VGG16實現Cifar10分類
• 8.2.5 其他網絡結構
• 8.2.4 ResNet
• 8.2.3 GoogLeNet
• 8.2.2 VGGNet
• 8.2.1 AlexNet
• 8.2 常見卷積神經網絡結構
• 8.1.4 批規范化層
• 8.1.3 池化層
• 8.1.2 卷積層
• 8.1.1 全連接層
• 8.1 卷積神經網絡基礎
• 第8章 卷積神經網絡
• 7.3 本章小結
• 7.2.2 PyTorch實戰之Cifar10分類
• 7.2.1 PyTorch實戰之MNIST分類
• 7.2 PyTorch實戰
• 7.1.4 損失函數
• 7.1.3 激活函數
• 7.1.2 Variable
• 7.1.1 Tensor
• 7.1 PyTorch的使用
• 第7章 PyTorch實現神經網絡圖像分類
• 6.7 本章小結
• 6.6 正則化懲罰
• 6.5 通過反向傳播實現MNIST識別
• 6.4 基于數值微分和誤差反向傳播的比較
• 6.3 Softmaxwithloss層的實現
• 6.2 Affine層的實現
• 6.1.2 Sigmoid反向傳播實現
• 6.1.1 ReLU反向傳播實現
• 6.1 激活函數層的實現
• 第6章 誤差反向傳播
• 5.9 本章小結
• 5.8 基于測試集的評價
• 5.7 基于數值微分的反向傳播
• 5.6.2 跟隨梯度（數值微分）
• 5.6.1 隨機初始化
• 5.6 最優化
• 5.5.3 Mini-batch
• 5.5.2 交叉熵誤差
• 5.5.1 均方誤差
• 5.5 損失函數
• 5.4 廣播原則
• 5.3 批處理
• 5.2.4 MNIST數據集的前向傳播
• 5.2.3 輸出層的神經元個數
• 5.2.2 one-hotencoding
• 5.2.1 Softmax
• 5.2 輸出層
• 5.1.3 前向傳播
• 5.1.2 激活函數
• 5.1.1 神經元
• 5.1 神經網絡
• 第5章 神經網絡基礎
• 4.3 本章小結
• 4.2.5 Python實現邏輯回歸
• 4.2.4 邏輯回歸的損失函數
• 4.2.3 學習率η的分析
• 4.2.2 梯度下降法
• 4.2.1 Sigmoid函數
• 4.2 邏輯回歸模型
• 4.1.2 多元線性回歸
• 4.1.1 一元線性回歸
• 4.1 線性回歸模型
• 第4章 機器學習基礎
• 3.5 本章小結
• 3.4 模型參數調優
• 3.3.2 KNN實現Cifar10數據分類
• 3.3.1 KNN實現MNIST數據分類
• 3.3 KNN實戰
• 3.2.2 圖像預處理
• 3.2.1 圖像分類
• 3.2 圖像分類識別預備知識
• 3.1.2 KNN的算法實現
• 3.1.1 理論知識
• 3.1 KNN的理論基礎與實現
• 第3章 圖像分類之KNN算法
• 2.4 本章小結
• 2.3.11 Numpy數組比較
• 2.3.10 FancyIndexing
• 2.3.9 Numpy中的arg運算
• 2.3.8 Numpy的統計計算方法
• 2.3.7 數據類型轉換
• 2.3.6 Numpy中的矩陣運算
• 2.3.5 切片
• 2.3.4 Numpy數組索引
• 2.3.3 獲取Numpy屬性
• 2.3.2 創建Numpy數組
• 2.3.1 創建數組
• 2.3 Numpy使用詳解
• 2.2.3 Pytorch的下載與安裝
• 2.2.2 conda
• 2.2.1 Anaconda
• 2.2 搭建圖像識別開發環境
• 2.1.6 Caffe
• 2.1.5 PyTorch
• 2.1.4 Keras
• 2.1.3 MXNet
• 2.1.2 Tensorflow
• 2.1.1 Theano
• 2.1 深度學習框架
• 第2章 圖像識別前置技術
• 1.3 本章小結
• 1.2.9 圖像/視頻的生成及設計
• 1.2.8 文字識別
• 1.2.7 醫療影像診斷
• 1.2.6 三維圖像視覺
• 1.2.5 自動駕駛/駕駛輔助
• 1.2.4 圖片識別分析
• 1.2.3 工業瑕疵檢測
• 1.2.2 視頻監控分析
• 1.2.1 人臉識別
• 1.2 機器視覺的主要應用場景
• 1.1.2 機器視覺
• 1.1.1 人工智能
• 1.1 機器視覺的發展背景
• 第1章 機器視覺在行業中的應用
• 前言
• 版權信息
• 封面

• 封面
• 版權信息
• 前言
• 第1章 機器視覺在行業中的應用
• 1.1 機器視覺的發展背景
• 1.1.1 人工智能
• 1.1.2 機器視覺
• 1.2 機器視覺的主要應用場景
• 1.2.1 人臉識別
• 1.2.2 視頻監控分析
• 1.2.3 工業瑕疵檢測
• 1.2.4 圖片識別分析
• 1.2.5 自動駕駛/駕駛輔助
• 1.2.6 三維圖像視覺
• 1.2.7 醫療影像診斷
• 1.2.8 文字識別
• 1.2.9 圖像/視頻的生成及設計
• 1.3 本章小結
• 第2章 圖像識別前置技術
• 2.1 深度學習框架
• 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 搭建圖像識別開發環境
• 2.2.1 Anaconda
• 2.2.2 conda
• 2.2.3 Pytorch的下載與安裝
• 2.3 Numpy使用詳解
• 2.3.1 創建數組
• 2.3.2 創建Numpy數組
• 2.3.3 獲取Numpy屬性
• 2.3.4 Numpy數組索引
• 2.3.5 切片
• 2.3.6 Numpy中的矩陣運算
• 2.3.7 數據類型轉換
• 2.3.8 Numpy的統計計算方法
• 2.3.9 Numpy中的arg運算
• 2.3.10 FancyIndexing
• 2.3.11 Numpy數組比較
• 2.4 本章小結
• 第3章 圖像分類之KNN算法
• 3.1 KNN的理論基礎與實現
• 3.1.1 理論知識
• 3.1.2 KNN的算法實現
• 3.2 圖像分類識別預備知識
• 3.2.1 圖像分類
• 3.2.2 圖像預處理
• 3.3 KNN實戰
• 3.3.1 KNN實現MNIST數據分類
• 3.3.2 KNN實現Cifar10數據分類
• 3.4 模型參數調優
• 3.5 本章小結
• 第4章 機器學習基礎
• 4.1 線性回歸模型
• 4.1.1 一元線性回歸
• 4.1.2 多元線性回歸
• 4.2 邏輯回歸模型
• 4.2.1 Sigmoid函數
• 4.2.2 梯度下降法
• 4.2.3 學習率η的分析
• 4.2.4 邏輯回歸的損失函數
• 4.2.5 Python實現邏輯回歸
• 4.3 本章小結
• 第5章 神經網絡基礎
• 5.1 神經網絡
• 5.1.1 神經元
• 5.1.2 激活函數
• 5.1.3 前向傳播
• 5.2 輸出層
• 5.2.1 Softmax
• 5.2.2 one-hotencoding
• 5.2.3 輸出層的神經元個數
• 5.2.4 MNIST數據集的前向傳播
• 5.3 批處理
• 5.4 廣播原則
• 5.5 損失函數
• 5.5.1 均方誤差
• 5.5.2 交叉熵誤差
• 5.5.3 Mini-batch
• 5.6 最優化
• 5.6.1 隨機初始化
• 5.6.2 跟隨梯度（數值微分）
• 5.7 基于數值微分的反向傳播
• 5.8 基于測試集的評價
• 5.9 本章小結
• 第6章 誤差反向傳播
• 6.1 激活函數層的實現
• 6.1.1 ReLU反向傳播實現
• 6.1.2 Sigmoid反向傳播實現
• 6.2 Affine層的實現
• 6.3 Softmaxwithloss層的實現
• 6.4 基于數值微分和誤差反向傳播的比較
• 6.5 通過反向傳播實現MNIST識別
• 6.6 正則化懲罰
• 6.7 本章小結
• 第7章 PyTorch實現神經網絡圖像分類
• 7.1 PyTorch的使用
• 7.1.1 Tensor
• 7.1.2 Variable
• 7.1.3 激活函數
• 7.1.4 損失函數
• 7.2 PyTorch實戰
• 7.2.1 PyTorch實戰之MNIST分類
• 7.2.2 PyTorch實戰之Cifar10分類
• 7.3 本章小結
• 第8章 卷積神經網絡
• 8.1 卷積神經網絡基礎
• 8.1.1 全連接層
• 8.1.2 卷積層
• 8.1.3 池化層
• 8.1.4 批規范化層
• 8.2 常見卷積神經網絡結構
• 8.2.1 AlexNet
• 8.2.2 VGGNet
• 8.2.3 GoogLeNet
• 8.2.4 ResNet
• 8.2.5 其他網絡結構
• 8.3 VGG16實現Cifar10分類
• 8.3.1 訓練
• 8.3.2 預測及評估
• 8.4 本章小結
• 8.5 參考文獻
• 第9章 目標檢測
• 9.1 定位+分類
• 9.2 目標檢測
• 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實現VOC目標檢測
• 9.3.1 PASCAL VOC數據集
• 9.3.2 數據準備
• 9.3.3 構建模型
• 9.3.4 定義Loss
• 9.3.5 SSD訓練細節
• 9.3.6 訓練
• 9.3.7 測試
• 9.4 本章小結
• 9.5 參考文獻
• 第10章 分割
• 10.1 語義分割
• 10.1.1 FCN
• 10.1.2 UNet實現裂紋分割
• 10.1.3 SegNet
• 10.1.4 PSPNet
• 10.2 實例分割
• 10.2.1 層疊式
• 10.2.2 扁平式
• 10.3 本章小結
• 10.4 參考文獻
• 第11章 產生式模型
• 11.1 自編碼器
• 11.2 對抗生成網絡
• 11.3 DCGAN及實戰
• 11.3.1 數據集
• 11.3.2 網絡設置
• 11.3.3 構建產生網絡
• 11.3.4 構建判別網絡
• 11.3.5 定義損失函數
• 11.3.6 訓練過程
• 11.3.7 測試
• 11.4 其他GAN
• 11.5 本章小結
• 11.6 參考文獻
• 第12章 神經網絡可視化
• 12.1 卷積核
• 12.2 特征層
• 12.2.1 直接觀測
• 12.2.2 通過重構觀測
• 12.2.3 末端特征激活情況
• 12.2.4 特征層的作用
• 12.3 圖片風格化
• 12.3.1 理論介紹
• 12.3.2 代碼實現
• 12.4 本章小結
• 12.5 參考文獻
• 第13章 圖像識別算法的部署模式
• 13.1 圖像算法部署模式介紹
• 13.2 實際應用場景和部署模式的匹配
• 13.3 案例介紹
• 13.4 本章小結 更新時間：2019-08-15 18:07:28