西安工业大学图书馆书目检索系统

Online Public Access Catalogue

题名/责任者:

实用卷积神经网络:运用Python实现高级深度学习模型/(印) 莫希特·赛瓦克(Mohit Sewak), (孟) 穆罕默德·礼萨·卡里姆(Rezaul Karim), (美) 普拉蒂普·普贾里(Pradeep Pujari)著 王彩霞译

出版发行项:

北京:机械工业出版社,2019

ISBN及定价:

978-7-111-62196-6/CNY69.00

载体形态项:

181页:图;24cm

并列正题名:

Practical convolutional neural networks : implement advanced deep learning models using Python

其它题名:

卷积神经网络

其它题名:

运用Python实现高级深度学习模型

丛编项:

智能系统与技术丛书

个人责任者:

(印度) 赛瓦克 (Sewak, Mohit) 著

个人责任者:

(孟加拉) 卡里姆 (Karim, Md. Rezaul) 著

个人责任者:

(美) 普贾里 (Pujari, Pradeep) 著

个人次要责任者:

王彩霞 译

学科主题:

人工神经网络-应用-机器学习-研究

中图法分类号:

TP181

中图法分类号:

TP183

出版发行附注:

本书由Packt Publishing授权出版

书目附注:

有书目

提要文摘附注:

本书共9章。第1章对深度神经网络的科学原理和实现这种网络的不同框架以及框架背后的数学机制提供一个快速回顾。第2章向读者介绍卷积神经网络, 并展示如何利用深度学习从图像中提取信息。第3章从零开始针对图像分类问题构建一个简单的CNN, 并阐明如何调整参数、优化训练时间以及CNN的性能, 以分别提高效率和准确率。第4章介绍几种经典的 (在竞赛中胜出的) CNN架构的优势和运作机制, 以及它们之间的差异和如何使用这些架构。第5章讲授如何使用预先训练好的网络, 并使其适用于新的且不同的数据集。在实际应用中也有一种自定义分类问题, 它使用的技术称为转移学习。第6章介绍一种称为自编码器的无监督学习技术, 同时介绍了CNN自编码器的不同应用, 比如图像压缩。第7章讲授目标检测、实例分割和图像分类的区别。然后介绍多种使用CNN进行目标检测和实例分割的技术。第8章探究生成式CNN网络, 然后将其与我们学习得到的有识别力的CNN网络相结合, 用CNN/GAN创造新的图像。第9章讲授深度学习中注意力背后的思想, 并学习如何使用基于注意力的模型来实现一些高级解决方案 (图像捕捉和RAM)。我们还将了解不同类型的注意力以及强化学习在硬注意力机制中的作用。

豆瓣简介：