深度学习与计算机视觉 算法原理、框架应用与代码实现 PDF下载

序言
前言
第1篇  基础知识
第1章  引言 2
1.1  人工智能的新焦点——深度学习 2
1.1.1  人工智能——神话传说到影视漫画 2
1.1.2  人工智能的诞生 3
1.1.3  神经科学的研究 4
1.1.4  人工神经网络的兴起 5
1.1.5  神经网络的第一次寒冬 6
1.1.6  神经网络的第一次复兴 8
1.1.7  神经网络的第二次寒冬 9
1.1.8  2006年——深度学习的起点 10
1.1.9  生活中的深度学习 11
1.1.10  常见深度学习框架简介 12
1.2  给计算机一双眼睛——计算机视觉 14
1.2.1  计算机视觉简史 14
1.2.2  2012年——计算机视觉的新起点 16
1.2.3  计算机视觉的应用 17
1.2.4  常见计算机视觉工具包 19
1.3  基于深度学习的计算机视觉 19
1.3.1  从ImageNet竞赛到AlphaGo战胜李世石——计算机视觉超越人类 19
1.3.2  GPU和并行技术——深度学习和计算视觉发展的加速器 21
1.3.3  基于卷积神经网络的计算机视觉应用 22
第2章  深度学习和计算机视觉中的基础数学知识 27
2.1  线性变换和非线性变换 27
2.2  概率论及相关基础知识 43
2.3  维度的诅咒 50
2.4  卷积 66
2.5  数学优化基础 71
第3章  神经网络和机器学习基础 87
3.1  感知机 87
3.2  神经网络基础 89
3.3  后向传播算法 95
3.4  随机梯度下降和批量梯度下降 104
3.5  数据、训练策略和规范化 108
3.6  监督学习、非监督学习、半监督学习和强化学习 117
第4章  深度卷积神经网络 120
4.1  卷积神经网络 120
4.2  LeNet——第一个卷积神经网络 132
4.3  新起点——AlexNet 133
4.4  更深的网络——GoogLeNet 136
4.5  更深的网络——ResNet 142
第2篇  实例精讲
第5章  Python基础 148
5.1  Python简介 148
5.2  Python基本语法 150
5.3  Python的科学计算包——NumPy 167
5.4  Python的可视化包——matplotlib 175
第6章  OpenCV基础 182
6.1  OpenCV简介 182
6.2  Python-OpenCV基础 184
6.3  用OpenCV实现数据增加小工具 193
6.4  用OpenCV实现物体标注小工具 203
第7章  Hello World! 212
7.1  用MXNet实现一个神经网络 212
7.2  用Caffe实现一个神经网络 219
第8章  最简单的图片分类——手写数字识别 227
8.1  准备数据——MNIST 227
8.2  基于Caffe的实现 228
8.3  基于MXNet的实现 242
第9章  利用Caffe做回归 249
9.1  回归的原理 249
9.2  预测随机噪声的频率 250
第10章  迁移学习和模型微调 264
10.1  吃货必备——通过Python采集美食图片 264
10.2  美食分类模型 271
第11章  目标检测 288
11.1  目标检测算法简介 288
11.2  基于PASCAL VOC数据集训练SSD模型 296
第12章  度量学习 304
12.1  距离和度量学习 304
12.2  用MNIST训练Siamese网络 307
第13章  图像风格迁移 317
13.1  风格迁移算法简介 317
13.2  MXNet中的图像风格迁移例子 320