内容已经转出,请移步以下网址:

https://viadean.notion.site

Python探索计算机视觉深度学习

 二维码 10
文章附图

特点

  1. 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

  1. 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

  1. 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。

  1. 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。

  1. 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

  1. 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

  1. 使用 AlexNet、GoogLeNet、ResNet 和 VGGNet 的更深层变体讨论更高级的网络架构

  1. 从零开始训练 CNN,以识别实时视频流中人的情绪/面部表情

  1. 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

  1. 演示如何训练 CNN 正确预测照片中人物的年龄和性别

内容

  • 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