机读格式显示(MARC)
- 010 __ |a 978-7-111-62196-6 |d CNY69.00
- 021 __ |a CN |b 01-2018-8353
- 099 __ |a CAL 012019073940
- 100 __ |a 20190430d2019 em y0chiy50 ea
- 200 1_ |a 实用卷积神经网络 |A shi yong juan ji shen jing wang luo |e 运用Python实现高级深度学习模型 |d = Practical convolutional neural networks |e implement advanced deep learning models using Python |f (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 |g 王彩霞译 |z eng
- 210 __ |a 北京 |c 机械工业出版社 |d 2019
- 215 __ |a 181页 |c 图 |d 24cm
- 225 2_ |a 智能系统与技术丛书 |A zhi neng xi tong yu ji shu cong shu
- 306 __ |a 本书由Packt Publishing授权出版
- 330 __ |a 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。
- 410 _0 |1 2001 |a 智能系统与技术丛书
- 510 1_ |a Practical convolutional neural networks : implement advanced deep learning models using Python |z eng
- 517 1_ |a 卷积神经网络 |A juan ji shen jing wang luo
- 517 1_ |a 运用Python实现高级深度学习模型 |A yun yong Pythonshi xian gao ji shen du xue xi mo xing
- 606 0_ |a 人工神经网络 |A ren gong shen jing wang luo |x 应用 |x 机器学习 |x 研究
- 701 _1 |c (印度) |a 赛瓦克 |A sai wa ke |c (Sewak, Mohit) |4 著
- 701 _1 |c (孟加拉) |a 卡里姆 |A ka li mu |c (Karim, Md. Rezaul) |4 著
- 701 _1 |c (美) |a 普贾里 |A pu jia li |c (Pujari, Pradeep) |4 著
- 702 _0 |a 王彩霞 |A wang cai xia |4 译
- 801 _0 |a CN |b SEU |c 20190530
- 801 _2 |a CN |b PUL |c 20190725
- 905 __ |a XATU |d TP181/107