实用卷积神经网络:运用Python实现高级深度学习模型

前言
关于作者
关于审阅者
第1章　深度神经网络概述 1
1.1　创建神经网络块 1
1.2　TensorFlow介绍 3
1.3　MNIST数据集介绍 10
1.4　Keras深度学习库概述 14
1.5　基于Keras和MNIST的手写数字识别 15
1.5.1　训练和测试数据的检索 17
1.5.2　训练数据的可视化 18
1.5.3　创建神经网络 18
1.5.4　训练神经网络 19
1.5.5　测试 19
1.6　理解反向传播 20
1.7　本章小结 23
第2章　卷积神经网络介绍 25
2.1　CNN历史 25
2.2　卷积神经网络 27
2.2.1　计算机如何解释图像 28
2.2.2　编码实现图像可视化 29
2.2.3　dropout 31
2.2.4　输入层 31
2.2.5　卷积层 32
2.2.6　池化层 34
2.3　实践示例：图像分类 35
2.4　本章小结 39
第3章　构建CNN并进行性能优化 41
3.1　CNN架构和DNN的缺点 41
3.1.1　卷积操作 44
3.1.2　池化、步长和填充操作 46
3.2　TensorFlow中的卷积和池化操作 48
3.2.1　在TensorFlow中应用池化操作 49
3.2.2　TensorFlow中的卷积操作 51
3.3　训练CNN 53
3.3.1　初始化权重和偏置 53
3.3.2　正则化 54
3.3.3　激活函数 54
3.4　创建、训练和评估个CNN 56
3.5　模型性能优化 73
3.5.1　隐含层数量 73
3.5.2　每个隐含层的神经元个数 74
3.5.3　批标准化 74
3.5.4　高级正则化及过拟合的避免 76
3.5.5　运用哪个优化器 79
3.5.6　内存调优 79
3.5.7　层的位置调优 80
3.5.8　综合所有操作创建第二个CNN 80
3.5.9　数据集描述和预处理 80
3.5.10　创建CNN模型 85
3.5.11　训练和评估网络 87
3.6　本章小结 90
第4章　经典的CNN模型架构 91
4.1　ImageNet介绍 91
4.2　LeNet 92
4.3　AlexNet架构 93
4.4　VGGNet架构 95
4.5　GoogLeNet架构 97
4.5.1　架构洞察 98
4.5.2　inception模块 99
4.6　ResNet架构 99
4.7　本章小结 101
第5章　转移学习 103
5.1　特征提取方法 103
5.1.1　目标数据集较小且与原始训练集相似 104
5.1.2　目标数据集较小且与原始训练集不同 105
5.1.3　目标数据集很大且与原始训练集相似 107
5.1.4　目标数据集很大且与原始训练集不同 107
5.2　转移学习示例 108
5.3　多任务学习 111
5.4　本章小结 111
第6章　CNN自编码器 113
6.1　自编码器介绍 113
6.2　卷积自编码器 114
6.3　应用 115
6.4　本章小结 116
第7章　CNN目标检测与实例分割 119
7.1　目标检测与图像分类的区别 120
7.2　传统的、非CNN的目标检测方法 124
7.3　R-CNN：CNN特征区 128
7.4　Fast R-CNN：基于区域快速识别的CNN 130
7.5　Faster R-CNN：基于快速区域生成网络的CNN 132
7.6　Mask R-CNN：CNN实例分割 135
7.7　实例分割的代码实现 137
7.7.1　创建环境 138
7.7.2　准备COCO数据集文件夹结构 139
7.7.3　在COCO数据集上运行预训练模型 139
7.8　参考文献 139
7.9　本章小结 141
第8章　GAN：使用CNN生成新图像 143
8.1　Pix2pix：基于GAN的图像翻译 144
8.1.1　CycleGAN 144
8.1.2　训练GAN模型 145
8.2　GAN的代码示例 146
8.2.1　计算损失 149
8.2.2　半监督学习和GAN 151
8.3　特征匹配 152
8.3.1　基于半监督分类的GAN示例 152
8.3.2　深度卷积GAN 158
8.4　本章小结 159
第9章　CNN和视觉模型的注意力机制 161
9.1　图像描述中的注意力机制 164
9.2　注意力类型 168
9.2.1　硬注意力 168
9.2.2　软注意力 169
9.3　运用注意力改善视觉模型 170
9.3.1　视觉CNN模型次优性能的原因 171
9.3.2　循环视觉注意力模型 174
9.4　参考文献 180
9.5　本章小结 181