給大家?guī)淼囊黄P(guān)于人工智能相關(guān)的電子書資源，介紹了關(guān)于深度學(xué)習(xí)、卷積、神經(jīng)網(wǎng)絡(luò)、入門到精通方面的內(nèi)容，本書是由機(jī)械工業(yè)出版社出版，格式為PDF，資源大小223.4 MB，李玉鑑 張婷 單傳編寫，目前豆瓣、亞馬遜、當(dāng)當(dāng)、京東等電子書綜合評分為：7.7。

內(nèi)容介紹

這書潛心探討深度神經(jīng)網(wǎng)絡(luò)中運(yùn)用十分普遍的實體模型——卷積神經(jīng)網(wǎng)絡(luò)，該實體模型非常適用圖象歸類和鑒別、總體目標(biāo)切分和檢驗及其人工智能技術(shù)手機(jī)游戲?qū)用?#xff0c;受眾群體另一半包含電子計算機(jī)、自動化技術(shù)、信號分析、機(jī)電安裝工程、應(yīng)用數(shù)學(xué)等有關(guān)技術(shù)專業(yè)的碩士研究生、老師及其數(shù)據(jù)工程師和科學(xué)研究工作人員。這書的較大特點是對卷積神經(jīng)網(wǎng)絡(luò)開展循序漸進(jìn)的歸類敘述，先后包含：當(dāng)代原型、攻克實體模型、應(yīng)變力實體模型、加重實體模型、跨連實體模型、區(qū)域模型、切分實體模型、獨(dú)特實體模型、加強(qiáng)實體模型和頂級貢獻(xiàn)。這類歸類架構(gòu)是在實體模型簡述和準(zhǔn)備專業(yè)知識的基本上逐漸進(jìn)行的，既便捷用戶入門學(xué)習(xí)，又有利于用戶深層次刻苦鉆研。

目錄

第1章 概述

1.1 深度學(xué)習(xí)的起源和發(fā)展

1.2 卷積神經(jīng)網(wǎng)絡(luò)的形成和演變

1.3 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用和影響

1.4 卷積神經(jīng)網(wǎng)絡(luò)的缺陷和視圖

1.5 卷積神經(jīng)網(wǎng)絡(luò)的GPU實現(xiàn)和cuDNN庫

1.6 卷積神經(jīng)網(wǎng)絡(luò)的平臺和工具

1.7 本書的內(nèi)容結(jié)構(gòu)和案例數(shù)據(jù)

1.7.1 內(nèi)容結(jié)構(gòu)

1.7.2 案例數(shù)據(jù)

第2章 預(yù)備知識

2.1 激活函數(shù)

2.2 矩陣運(yùn)算

2.3 導(dǎo)數(shù)公式

2.4 梯度下降算法

2.5 反向傳播算法

2.5.1 通用反向傳播算法

2.5.2 逐層反向傳播算法

2.6 通用逼近定理

2.7 內(nèi)外卷積運(yùn)算

2.8 膨脹卷積運(yùn)算

2.9 上下采樣運(yùn)算

2.10 卷積面計算

2.11 池化面計算

2.12 局部響應(yīng)歸一化

2.13 權(quán)值偏置初始化

2.14 丟失輸出

2.15 丟失連接

2.16 隨機(jī)梯度下降算法

2.17 塊歸一化

2.18 動態(tài)規(guī)劃算法

第3章 卷積神經(jīng)網(wǎng)絡(luò)的現(xiàn)代雛形——LeNet

3.1 LeNet的原始模型

3.2 LeNet的標(biāo)準(zhǔn)模型

3.3 LeNet的學(xué)習(xí)算法

3.4 LeNet的Caffe代碼實現(xiàn)及說明

3.5 LeNet的手寫數(shù)字識別案例

3.6 LeNet的交通標(biāo)志識別案例

3.6.1 交通標(biāo)志數(shù)據(jù)集的格式轉(zhuǎn)換

3.6.2 交通標(biāo)志的識別分類

3.7 LeNet的交通路網(wǎng)提取案例

3.7.1 交通路網(wǎng)的人工標(biāo)注

3.7.2 交通路網(wǎng)的圖像塊分類

3.7.3 交通路網(wǎng)的圖像塊分類LeNet

3.7.4 交通路網(wǎng)的自動提取代碼及說明

3.7.5 交通路網(wǎng)的自動提取程序運(yùn)行結(jié)果

第4章 卷積神經(jīng)網(wǎng)絡(luò)的突破模型

4.1 AlexNet的模型結(jié)構(gòu)

4.2 AlexNet的Caffe代碼實現(xiàn)及說明

4.3 AlexNet的Caffe大規(guī)模圖像分類案例及演示效果

4.4 AlexNet的TensorFlow代碼實現(xiàn)及說明

4.5 AlexNet的TensorFlow大規(guī)模圖像分類案例及演示效果

4.6 AlexNet的改進(jìn)模型ZFNet

第5章 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)變模型

5.1 SPPNet的模型結(jié)構(gòu)

5.2 SPPNet的Caffe代碼實現(xiàn)及說明

5.3 SPPNet的大規(guī)模圖像分類案例及演示效果

第6章 卷積神經(jīng)網(wǎng)絡(luò)的加深模型

6.1 結(jié)構(gòu)加深的卷積網(wǎng)絡(luò)VGGNet

6.1.1 VGGNet的模型結(jié)構(gòu)

6.1.2 VGGNet的TensorFlow代碼實現(xiàn)及說明

6.1.3 VGGNet的物體圖像分類案例

6.2 結(jié)構(gòu)更深的卷積網(wǎng)絡(luò)GoogLeNet

6.2.1 GoogLeNet的模型結(jié)構(gòu)

6.2.2 GoogLeNet的TensorFlow代碼實現(xiàn)及說明

6.2.3 GoogLeNet的鮮花圖像分類案例

第7章 卷積神經(jīng)網(wǎng)絡(luò)的跨連模型

7.1 快道網(wǎng)絡(luò)HighwayNet

7.2 殘差網(wǎng)絡(luò)ResNet

7.2.2 ResNet的Caffe代碼實現(xiàn)及說明

7.2.3 ResNet的大規(guī)模圖像分類案例

7.3 密連網(wǎng)絡(luò)DenseNet

7.3.2 DenseNet的Caffe代碼實現(xiàn)及說明

7.3.3 DenseNet的物體圖像分類案例

7.4 拼接網(wǎng)絡(luò)CatNet

7.4.2 CatNet的Caffe代碼實現(xiàn)及說明

7.4.3 CatNet的人臉圖像性別分類案例

第8章 卷積神經(jīng)網(wǎng)絡(luò)的區(qū)域模型

8.1 區(qū)域卷積網(wǎng)絡(luò)R-CNN

8.2 快速區(qū)域卷積網(wǎng)絡(luò)Fast R-CNN

8.3 更快區(qū)域卷積網(wǎng)絡(luò)Faster R-CNN

8.3.2 Faster R-CNN的TensorFlow代碼實現(xiàn)及說明

8.3.3 Faster R-CNN的圖像目標(biāo)檢測案例及演示效果

8.4 你只看一次網(wǎng)絡(luò)YOLO

8.4.2 YOLO的TensorFlow代碼實現(xiàn)及說明

8.4.3 YOLO的圖像目標(biāo)檢測案例及演示效果

8.5 單次檢測器SSD

8.5.2 SSD的TensorFlow代碼實現(xiàn)及說明

8.5.3 SSD的圖像目標(biāo)檢測案例及演示效果

第9章 卷積神經(jīng)網(wǎng)絡(luò)的分割模型

9.1 全卷積網(wǎng)絡(luò)FCN

9.1.2 FCN的Caffe代碼實現(xiàn)及說明

9.1.3 FCN的圖像語義和幾何分割案例

9.2 金字塔場景分析網(wǎng)絡(luò)PSPNet

9.2.2 PSPNet的TensorFlow代碼實現(xiàn)及說明

9.2.3 PSPNet的圖像語義分割案例及演示效果

9.3 掩膜區(qū)域卷積網(wǎng)絡(luò)Mask R-CNN

9.3.2 Mask R-CNN的Keras和TensorFlow代碼實現(xiàn)及說明

9.3.3 Mask R-CNN的圖像實例分割案例及演示效果

第10章 卷積神經(jīng)網(wǎng)絡(luò)的特殊模型

10.1 孿生網(wǎng)絡(luò)SiameseNet

10.1.2 SiameseNet的Caffe代碼實現(xiàn)及說明

10.1.3 SiameseNet的手寫數(shù)字驗證案例

10.2 擠壓網(wǎng)絡(luò)SqueezeNet

10.2.2 SqueezeNet的Caffe代碼實現(xiàn)及說明

10.2.3 SqueezeNet大規(guī)模圖像分類案例

10.3 深層卷積生成對抗網(wǎng)絡(luò)DCGAN

10.3.2 DCGAN的TensorFlow代碼實現(xiàn)及說明

10.3.3 DCGAN的CelebA人臉圖像生成案例

10.4 網(wǎng)中網(wǎng)NIN

10.4.2 NIN的Caffe代碼實現(xiàn)及說明

10.4.3 NIN大規(guī)模圖像分類案例

第11章 卷積神經(jīng)網(wǎng)絡(luò)的強(qiáng)化模型

11.1 強(qiáng)化學(xué)習(xí)的基本概念

11.2 深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)算法

11.3 深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的變種模型

11.4 深度強(qiáng)化學(xué)習(xí)網(wǎng)絡(luò)的Flappy Bird智能體案例

11.4.1 笨笨鳥網(wǎng)絡(luò)的開發(fā)環(huán)境和工具包

11.4.2 笨笨鳥網(wǎng)絡(luò)的代碼實現(xiàn)及說明

11.4.3 笨笨鳥網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過程

11.4.4 笨笨鳥網(wǎng)絡(luò)的演示效果

第12章 卷積神經(jīng)網(wǎng)絡(luò)的頂尖成就——AlphaGo

12.1 人工智能棋類程序簡介

12.2 AlphaGo的設(shè)計原理

12.2.1 總體思路

12.2.2 訓(xùn)練流程

12.2.3 搜索過程

12.3 AlphaGo Zero的新思想

12.4 仿效AlphaGo的圍棋程序案例MuGo

12.4.1 MuGo的開發(fā)環(huán)境

12.4.2 MuGo的代碼實現(xiàn)及說明

12.4.3 MuGo的學(xué)習(xí)訓(xùn)練過程

12.4.4 MuGo的演示效果

附錄A Caffe在Windows上的安裝過程

附錄B Caffe在Linux上的安裝過程

附錄C TensorFlow在Windows上的安裝過程

附錄D TensorFlow在Linux上的安裝過程

參考文獻(xiàn)

學(xué)習(xí)筆記

Python編程深度學(xué)習(xí)計算庫之numpy

NumPy是python下的計算庫，被非常廣泛地應(yīng)用，尤其是近來的深度學(xué)習(xí)的推廣。在這篇文章中，將會介紹使用numpy進(jìn)行一些最為基礎(chǔ)的計算。 NumPy vs SciPy NumPy和SciPy都可以進(jìn)行運(yùn)算，主要區(qū)別如下 最近比較熱門的深度學(xué)習(xí)，比如在神經(jīng)網(wǎng)絡(luò)的算法，多維數(shù)組的使用是一個極為重要的場景。如果你熟悉tensorflow中的tensor的概念，你會非常清晰numpy的作用。所以熟悉Numpy可以說是使用python進(jìn)行深度學(xué)習(xí)入門的一個基礎(chǔ)知識。 安裝 liumiaocn:tmp liumiao$ pip install numpyCollecting numpy Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_……

python開啟攝像頭以及深度學(xué)習(xí)實現(xiàn)目標(biāo)檢測方法

最近想做實時目標(biāo)檢測，需要用到python開啟攝像頭，我手上只有兩個uvc免驅(qū)的攝像頭，性能一般。利用python開啟攝像頭費(fèi)了一番功夫，主要原因是我的攝像頭都不能用cv2的VideCapture打開，這讓我聯(lián)想到原來opencv也打不開Android手機(jī)上的攝像頭(后來采用QML的Camera模塊實現(xiàn)的)。看來opencv對于攝像頭的兼容性仍然不是很完善。 我嘗了幾種辦法：v4l2，v4l2_capture以及simpleCV，都打不開。最后采用pygame實現(xiàn)了攝像頭的采集功能，這里直接給大家分享具體實現(xiàn)代碼(python3.6，cv2，opencv3.3，ubuntu16.04)。中間注釋的部分是我上述方法打開攝像頭的嘗試，說不定有適合自己的。 import pygame.cameraimport timeimport pygameimport c……

PyTorch的深度學(xué)習(xí)入門之PyTorch安裝和配置

前言 深度神經(jīng)網(wǎng)絡(luò)是一種目前被廣泛使用的工具，可以用于圖像識別、分類，物體檢測，機(jī)器翻譯等等。深度學(xué)習(xí)(DeepLearning)是一種學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)各種參數(shù)的方法。因此，我們將要介紹的深度學(xué)習(xí)，指的是構(gòu)建神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，并且運(yùn)用各種深度學(xué)習(xí)算法訓(xùn)練網(wǎng)絡(luò)參數(shù)，進(jìn)而解決各種任務(wù)。本文從PyTorch環(huán)境配置開始。PyTorch是一種Python接口的深度學(xué)習(xí)框架，使用靈活，學(xué)習(xí)方便。還有其他主流的深度學(xué)習(xí)框架，例如Caffe，TensorFlow，CNTK等等，各有千秋。筆者認(rèn)為，初期學(xué)習(xí)還是選擇一種入門，不要期望全都學(xué)會。須知，發(fā)力集中才能深入挖掘。亂花漸欲迷人眼，選擇適合自己的，從一而終，相信會對科……

Dlib+OpenCV深度學(xué)習(xí)人臉識別的方法示例

前言 人臉識別在LWF(Labeled Faces in the Wild)數(shù)據(jù)集上人臉識別率現(xiàn)在已經(jīng)99.7%以上，這個識別率確實非常高了，但是真實的環(huán)境中的準(zhǔn)確率有多少呢？我沒有這方面的數(shù)據(jù)，但是可以確信的是真實環(huán)境中的識別率并沒有那么樂觀。現(xiàn)在雖然有一些商業(yè)應(yīng)用如員工人臉識別管理系統(tǒng)、海關(guān)身份驗證系統(tǒng)、甚至是銀行人臉識別功能，但是我們可以仔細(xì)想想員工人臉識別管理，海關(guān)身份證系統(tǒng)的應(yīng)用場景對身份的驗證功能其實并沒有商家吹噓的那么重要，打個比方說員工上班的時候刷臉如果失敗了會怎樣，是不是重新識別一下，如果還是誤識別，或是識別不出，是不是就干脆刷卡或是其他方式登記上班，然后罵一……

以上就是本次介紹的人工智能電子書的全部相關(guān)內(nèi)容，希望我們整理的資源能夠幫助到大家，感謝大家對碼農(nóng)之家的支持。

展開 +

收起 -

總結(jié)

以上是生活随笔為你收集整理的python神经网络算法pdf_深度学习：卷积神经网络从入门到精通 PDF 原书扫描版的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。