實踐深度學

譯者序
原書前言
第1章 本書概要及準備工作
1.1 本書概要
1.1.1 深度學果
1.1.2 本書學———圖像分類、目標檢測、強化學r/> 1.1.3 本書學———預訓練模型的利用
1.2 本書使用的數據集
1.3 本書使用的硬件及軟件
1.3.1 使用框架
1.3.2 GPU的使用
1.3.3 準備硬件———改造遊戲用計算機
1.3.4 OS與中間件
1.4 軟件安裝
1.4.1 OS的安裝
1.4.2 中間件的安裝
1.5 程序下載
1.5.1 下載文檔
1.5.2 下載文檔的解壓縮

第2章 網絡結構
2.1 前饋神經網絡
2.1.1 全連接神經網絡簡介
2.1.2 捲積神經網絡簡介
2.2 捲積神經網絡
2.2.1 捲積層
2.2.2 池化層
2.2.3 上採樣層
2.3 本書使用的網絡模型

第3章 基本術語
3.1 深度學概要
3.2 激活函數
3.3 損失函數
3.4 隨機梯度下降法
3.4.1 權值更新計算示例
3.4.2 動量
3.5 誤差反向傳播算法
3.6 過擬合
3.6.1 基於驗證數據集的epoch數設置
3.6.2 正則化
3.6.3 dropout
3.7 數據擴充與預處理
3.8 預訓練模型
3.9 學調整

第4章 圖像識別分類
4.1 概要
4.2 公共數據的製作
4.2.1 下載圖像數據集
4.2.2 數據提取和基礎數據集的製作
4.2.3 數據擴充和公共數據集的製作
4.3 基於9層神經網絡的識別分類
4.3.1 網絡概要
4.3.2 訓練與模型搭建
4.3.3 模型讀取和估測實
4.3.4 實示例
4.4 基於VGG- 16的識別分類——— 16層預訓練模型
4.4.1 VGG- 16概要
4.4.2 程序概要
4.4.3 實示例
4.5 基於ResNet-152的識別分類———152層預訓練模型
4.5.1 ResNet概要
4.5.2 實環境安裝
4.5.3 程序概要
4.5.4 實示例
4.6 估測精度一步提升
4.6.1 概要
4.6.2 多模型的利用
4.6.3 Stacked Generalization
4.6.4 Self Training

第5章 目標檢測
5.1 目標定位———26層網絡
5.1.1 目標定位、尺及種類的估測
5.1.2 使用軟件及特徵
5.1.3 實環境的安裝
5.1.4 基於預訓練模型的目標檢測
5.1.5 基於目標特徵提取的目標檢測
5.2 目標形狀識別———23層網絡
5.2.1 目標位置、大小及形狀的估測
5.2.2 使用模型及特徵
5.2.3 程序概要
5.2.4 實示例

第6章 強化學—訓練擅長井字棋遊戲的計算機
6.1 強化學r/> 6.1.1 強化學
6.1.2 Q學r/> 6.1.3 DQN
6.2 基礎框架
6.2.1 環境與Agent
6.2.2 命令處理概要
6.2.3 環境內規則
6.3 實環境的安裝
6.4 Q學度學r/> 6.5 實示例
附錄
附錄A Yolo用“目標位置信息”的生成方法
A.1 安裝BBox- Lable- Tool
A.2 生成“目標位置信息”
附錄B 源程序代碼
參考文獻