Python探索计算机视觉深度学习

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

2. 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

3. 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。

4. 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。

5. 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

6. 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

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

8. 从零开始训练 CNN，以识别实时视频流中人的情绪/面部表情

9. 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

10. 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