深度学习技术图像处理入门 PDF 全书原版

  • 更新时间:
  • 7925人关注
  • 点击下载

给大家带来的一篇关于深度学习相关的电子书资源,介绍了关于深度学习、图像处理方面的内容,本书是由清华大学出版社出版,格式为PDF,资源大小31.8MB,杨培文,胡博强编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:9.1分。

资源详情相关推荐
深度学习技术图像处理入门
  • 出版社:清华大学出版社
  • 作者:杨培文,胡博强
  • 大小:31.8MB
  • 类别:深度学习
  • 热度:538
  • 深度学习:主流框架和编程实战
  • Web安全之深度学习实战
  • 深度学习:一起玩转TensorLayer
  • 深度学习入门之PyTorch
  • 深度学习原理与实践
  • 书籍介绍

    深度学习技术图像处理入门 PDF

    这书以浅显易懂的語言简略解读深度学习的关键定义,根据较为传统式深度学习和神经网络算法的差别,导入神经网络算法的主要用途,将1个详细的神经网络算法的繁杂构造拆成键入解决、实体模型元器件及其实体模型提升三个子块,并详细描述如何把神经网络算法实体模型运用在手机端App制做中。根据基础理论解读,循序渐进地找出数个成功案例,解读当今神经网络算法在图象处理应用领域。这书一起出示了根据云GPU器皿(Docker)的详细免费在线开发工具,便捷新手立即学习培训关键编码。这书从深度学习、图象处理的基本要素下手,逐渐论述深度神经网络图象处理技术性的基本概念及其简易的保持。进而以好多个实战演练案例来详细介绍怎么使用深度神经网络方式 ,在数据统计分析比赛中获得较高的排行。*后,根据1个实战演练案例,详细介绍如何把实体模型放进 iOS 程序流程,制做相对的人工智能技术手机上App。这书适用对深度神经网络有兴趣爱好、期待新手入门这一行业的理工科专业在校大学生、硕士研究生,及其期待掌握该行业基本概念的手机软件开发者。除此之外,这书全部案例均出示了云自然环境上的编码,有利于用户重现結果,并开展加强学习。

    目录

    • 第1章  搭建指定的开发环境11.1
    • 为什么要使用指定的开发环境11.2
    • 硬件准备21.2.1
    • 在亚马逊租用云GPU服务器21.2.2
    • 在腾讯云租用GPU服务器41.2.3
    • 在云服务器中开启搭载开发环境的Docker服务81.3
    • 软件准备91.3.1
    • 在Ubuntu 16.04下配置环境91.3.2
    • 在CentOS 7下配置环境121.4
    • 参考文献及网页链接12
    • 第2章  温故知新——机器学习基础知识132.1
    • 人工智能、机器学习与深度学习132.2
    • 训练一个传统的机器学习模型152.2.1
    • 第一步,观察数据162.2.2
    • 第二步,预览数据172.3
    • 数据挖掘与训练模型292.3.1
    • 第一步,准备数据292.3.2
    • 第二步,挖掘数据特征312.3.3
    •   第三步,使用模型372.3.4
    •   第四步,代码实战442.4
    • 参考文献及网页链接49
    • 第3章  数形结合——图像处理基础知识503.1
    • 读取图像文件进行基本操作513.1.1
    •   使用python-opencv读取图片513.1.2
    • 借助python-opencv进行不同编码格式的转换523.1.3
    • 借助python-opencv改变图片尺寸533.2
    • 用简单的矩阵操作处理图像533.2.1
    • 对图像进行复制与粘贴533.2.2
    • 把图像当成矩阵进行处理——二维码转换成矩阵543.3
    • 使用OpenCV“抠图”——基于颜色通道以及形态特征593.4
    • 基于传统特征的传统图像分类方法643.4.1
    • 将图片简化为少数区域并计算每个区域轮廓特征的方向663.4.2
    • 将HOG变换运用在所有正负样本中683.4.3
    • 训练模型703.4.4
    • 将训练好的分类器运用在新的图片中713.5
    • 参考文献及网页链接73
    • 第4章  继往开来——使用深度神经网络框架744.1
    • 从逻辑回归说起744.2
    • 深度学习框架764.3
    • 基于反向传播算法的自动求导774.4
    • 简单的深度神经网络框架实现804.4.1
    • 数据结构部分814.4.2
    • 计算图部分834.4.3
    • 使用方法854.4.4
    • 训练模型864.5
    • 参考文献及网页链接89
    • 第5章  排列组合——深度神经网络框架的模型元件905.1
    • 常用层925.1.1
    • Dense925.1.2
    • Activation925.1.3
    • Dropout935.1.4
    • Flatten945.2
    • 卷积层945.2.1
    • Conv2D945.2.2
    • Cropping2D1015.2.3
    • ZeroPadding2D1015.3
    • 池化层1025.3.1
    • MaxPooling2D1025.3.2
    • AveragePooling2D1025.3.3
    • GlobalAveragePooling2D1035.4
    • 正则化层与过拟合1045.5
    • 反卷积层1055.6
    • 循环层1095.6.1
    • SimpleRNN1095.6.2
    • LSTM1095.6.3
    • GRU1105.7
    • 参考文献及网页链接110
    • 第6章  少量多次——深度神经网络框架的输入处理1126.1
    • 批量生成训练数据1136.2
    • 数据增强1156.3
    • 参考文献及网页链接117
    • 第7章  愚公移山——深度神经网络框架的模型训练1187.1
    • 随机梯度下降1197.2
    • 动量法1207.3
    • 自适应学习率算法1217.4
    • 实验案例1247.5
    • 参考文献及网页链接128
    • 第8章  小试牛刀——使用深度神经网络进行CIFAR-10数据分类1298.1
    • 上游部分——基于生成器的批量生成输入模块1318.2
    • 核心部分——用各种零件搭建深度神经网络1318.3
    • 下游部分——使用凸优化模块训练模型1328.4
    • 参考文献及网页链接133
    • 第9章  见多识广——使用迁移学习提升准确率1349.1
    • 猫狗大战1.0——使用卷积神经网络直接进行训练1359.1.1
    • 导入数据1359.1.2  可视化1379.1.3
    • 分割训练集和验证集1389.1.4
    • 搭建模型1409.1.5
    • 模型训练1419.1.6
    • 总结1429.2
    • 猫狗大战2.0——使用ImageNet数据集预训练模型1429.2.1
    • 迁移学习1429.2.2
    • 数据预处理1439.2.3
    • 搭建模型1439.2.4
    • 模型可视化1449.2.5
    • 训练模型1459.2.6
    • 提交到kaggle评估1469.3
    • 猫狗大战3.0——使用多种预训练模型组合提升表现1469.3.1
    • 载入数据集1479.3.2
    • 使用正确的预处理函数1479.3.3
    • 搭建特征提取模型并导出特征1479.3.4
    • 搭建并训练全连接分类器模型1489.3.5
    • 在测试集上预测1499.4
    • 融合模型1509.4.1
    • 获取特征1509.4.2
    • 数据持久化1519.4.3
    • 构建模型1519.4.4
    • 在测试集上预测1529.5
    • 总结1539.6
    • 参考文献及网页链接154
    • 第10章  看图识字——使用深度神经网络进行文字识别15510.1
    • 使用卷积神经网络进行端到端学习15510.1.1
    • 编写数据生成器15710.1.2
    • 使用生成器15710.1.3
    • 构建深度卷积神经网络15810.1.4
    • 模型可视化15810.1.5
    • 训练模型16010.1.6
    • 计算模型总体准确率16110.1.7
    • 测试模型16110.1.8
    • 模型总结16210.2
    • 使用循环神经网络改进模型16210.2.1
    • CTC Loss16310.2.2
    • 模型结构16410.2.3
    • 模型可视化16510.2.4
    • 数据生成器16710.2.5
    • 评估模型16810.2.6
    • 评估回调16910.2.7
    • 训练模型16910.2.8
    • 测试模型17110.2.9
    • 再次评估模型17110.2.10
    • 总结17310.3
    • 识别四则混合运算验证码(初赛)17310.3.1
    • 问题描述17410.3.2
    • 数据集探索17410.3.3
    • 模型结构17610.3.4
    • 结果可视化18110.3.5
    • 总结18210.4
    • 识别四则混合运算验证码(决赛)18310.4.1
    • 问题描述18310.4.2
    • 数据集探索18410.4.3
    • 数据预处理18610.4.4
    • 模型结构19210.4.5
    • 生成器19510.4.6
    • 模型的训练19710.4.7
    • 预测结果19810.4.8
    • 模型结果融合19910.4.9
    • 其他尝试20010.4.10
    • 小结20210.5
    • 参考文献及网页链接203
    • 第11章  见习医生——使用全卷积神经网络分割病理切片中的癌组织20511.1
    • 任务描述20511.1.1
    • 赛题设置20511.1.2
    • 数据描述20611.1.3
    • 数据标注20611.2
    • 总体思路20611.3
    • 构造模型20711.3.1
    • 准备数据20811.3.2
    • 构建模型21411.3.3
    • 模型优化21711.4
    • 程序执行22511.5
    • 模型结果可视化22611.5.1
    • 加载函数22611.5.2
    • 选择验证集并编写预测函数22611.5.3
    • 根据tensorborad可视化结果选择最好的模型22811.5.4
    • 尝试逐步降低学习率23011.6
    • 观察模型在验证集上的预测表现23111.7
    • 参考文献及网页链接234
    • 第12章  知行合一——如何写一个深度学习App23512.1
    • CAM可视化23512.2
    • 导出分类模型和CAM可视化模型23612.2.1
    • 载入数据集23612.2.2
    • 提取特征23712.2.3
    • 搭建和训练分类器23712.2.4
    • 搭建分类模型和CAM模型23812.2.5
    • 可视化测试23912.2.6
    • 保存模型24112.2.7
    • 导出mlmodel模型文件24112.3
    • 开始编写App24212.3.1
    • 创建工程24212.3.2
    • 配置工程24412.3.3
    • 测试工程24912.3.4
    • 运行程序24912.4
    • 使用深度学习模型25012.4.1
    • 将模型导入到工程中25012.4.2
    • 数据类型转换函数25012.4.3
    • 实施CAM可视化25212.4.4
    • 模型效果25412.5
    • 参考文献及网页链接255

    资源下载

    相关声明:

    《深度学习技术图像处理入门 》PDF 全书原版下载资源由用户 权冠宇 于 2019-09-27 09:49:54 分享至百度网盘。仅供想学习深度学习的网友交流使用,专题参考:深度学习图像处理,深度学习,

    相关资源

    学习笔记

    1小时31分钟前回答

    TensorFlow深度学习之卷积神经网络CNN

    一、卷积神经网络的概述 卷积神经网络(ConvolutionalNeural Network,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此CNN在理论上具有对图像缩放、平移和旋转的不变性。 卷积神经网络CNN的要点就是局部连接(Loc……

    1小时41分钟前回答

    PyTorch的深度学习入门之PyTorch安装和配置

    前言 深度神经网络是一种目前被广泛使用的工具,可以用于图像识别、分类,物体检测,机器翻译等等。深度学习(DeepLearning)是一种学习神经网络各种参数的方法。因此,我们将要介绍的深度学习,指的是构建神经网络结构,并且运用各种深度学习算法训练网络参数,进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架,使用灵活,学习方便。还有其他主流的深度学习框架,例如Caffe,TensorFlow,CNTK等等,各有千秋。笔者认为,初期学习还是选择一种入门,不要期望全都学会。须知,发力集中才能深入挖掘。乱花渐欲迷人眼,选择适合自己的,从一而终,相信会对科……