使用 Python 和 Keras mxnet 库掌握应用于实际、现实世界计算机视觉问题的深度学习的指南
学习如何将深度学习应用于图像分类、对象检测、大规模数据集上的训练网络等项目
专注于以一种或另一种方式提高分类准确性的方法,提高分类准确性的一种方法是应用迁移学习方法,例如微调或将网络视为特征提取器。
探索集成方法(即训练多个网络并组合结果)以及这些方法如何能够以很少的额外努力为您提供良好的分类提升。
数据增强等正则化方法用于生成额外的训练数据——几乎在所有情况下,数据增强都可以提高模型的泛化能力
更高级的优化算法,例如 Adam 、RMSprop 等,也可以用于某些数据集,以帮助您获得更低的损失
使用 AlexNet、GoogLeNet、ResNet 和 VGGNet 的更深层变体讨论更高级的网络架构
从零开始训练 CNN,以识别实时视频流中人的情绪/面部表情
对迁移学习的研究(这次通过微调)将使我们能够识别图像中超过 164 种车辆品牌和型号
演示如何训练 CNN 正确预测照片中人物的年龄和性别
介绍
图像基础知识
图像分类基础知识
图像分类数据集
配置开发环境
第一个图像分类器
参数化学习
优化方法和正则化
神经网络基础
卷积神经网络
训练卷积神经网络
保存和加载模型
(LeNet)识别手写数字
(MiniVGGNet)更深入卷积深度学习
学习率调度器
发现欠拟合和过拟合
检查点模型
可视化网络架构
用于分类的开箱即用的 CNN
CNN 解验证码案例学习
微笑监测案例学习
数据增强
特征提取网络
理解rank-1和rank-5准确性
微调网络
使用网络集成改善准确性
高级优化方法
应用深度学习最佳路径
使用HDF5和大数据集
Kaggle中比对
GoogLeNet
使用多GPU训练网络
ImageNet介绍
准备ImageNet数据集
在ImageNet上训练AlexNet
在ImageNet上训练VGGNet
在ImageNet上训练GoogLeNet
在ImageNet上训练ResNet
在ImageNet上训练SqueezeNet
表情识别案例学习
纠正图像方向案例学习
车辆识别案例学习
年龄和性别预测案例学习
更快速R-CNN
训练更快速R-CNN
单发检测
阅读咨询