思维导图备注

实用卷积神经网络：运用Python实现高级深度学习模型
首页 下载 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

3.5.11 训练和评估网络

浏览 5 扫码
  • 小字体
  • 中字体
  • 大字体
2023-09-04 22:05:47
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 前言
  • 关于作者
  • 关于审阅者
  • 第1章 深度神经网络概述
    • 1.1 创建神经网络块
    • 1.2 TensorFlow介绍
    • 1.3 MNIST数据集介绍
    • 1.4 Keras深度学习库概述
    • 1.5 基于Keras和MNIST的手写数字识别
      • 1.5.1 训练和测试数据的检索
      • 1.5.2 训练数据的可视化
      • 1.5.3 创建神经网络
      • 1.5.4 训练神经网络
    • 1.6 理解反向传播
    • 1.7 本章小结
  • 第2章 卷积神经网络介绍
    • 2.1 CNN历史
    • 2.2 卷积神经网络
      • 2.2.1 计算机如何解释图像
      • 2.2.2 编码实现图像可视化
      • 2.2.3 dropout
      • 2.2.4 输入层
      • 2.2.5 卷积层
      • 2.2.6 池化层
    • 2.3 实践示例：图像分类
    • 2.4 本章小结
  • 第3章 构建CNN并进行性能优化
    • 3.1 CNN架构和DNN的缺点
      • 3.1.1 卷积操作
      • 3.1.2 池化、步长和填充操作
    • 3.2 TensorFlow中的卷积和池化操作
      • 3.2.2 TensorFlow中的卷积操作
    • 3.3 训练CNN
      • 3.3.1 初始化权重和偏置
      • 3.3.2 正则化
      • 3.3.3 激活函数
    • 3.4 创建、训练和评估第一个CNN
    • 3.5 模型性能优化
      • 3.5.1 隐含层数量
      • 3.5.2 每个隐含层的神经元个数
      • 3.5.3 批标准化
      • 3.5.4 高级正则化及过拟合的避免
      • 3.5.5 运用哪个优化器
      • 3.5.6 内存调优
      • 3.5.7 层的位置调优
      • 3.5.8 综合所有操作创建第二个CNN
      • 3.5.9 数据集描述和预处理
      • 3.5.10 创建CNN模型
      • 3.5.11 训练和评估网络
    • 3.6 本章小结
  • 第4章 经典的CNN模型架构
    • 4.1 ImageNet介绍
    • 4.2 LeNet
    • 4.3 AlexNet架构
    • 4.4 VGGNet架构
    • 4.5 GoogLeNet架构
      • 4.5.1 架构洞察
    • 4.5.2 inception模块
    • 4.7 本章小结
  • 第5章 转移学习
    • 5.1 特征提取方法
      • 5.1.1 目标数据集较小且与原始训练集相似
      • 5.1.2 目标数据集较小且与原始训练集不同
      • 5.1.3 目标数据集很大且与原始训练集相似
      • 5.1.4 目标数据集很大且与原始训练集不同
    • 5.2 转移学习示例
    • 5.3 多任务学习
    • 5.4 本章小结
  • 第6章 CNN自编码器
    • 6.1 自编码器介绍
    • 6.2 卷积自编码器
    • 6.3 应用
    • 6.4 本章小结
  • 第7章 CNN目标检测与实例分割
    • 7.1 目标检测与图像分类的区别
    • 7.2 传统的、非CNN的目标检测方法
    • 7.3 R-CNN：CNN特征区
    • 7.4 Fast R-CNN：基于区域快速识别的CNN
    • 7.5 Faster R-CNN：基于快速区域生成网络的CNN
    • 7.6 Mask R-CNN：CNN实例分割
    • 7.7 实例分割的代码实现
      • 7.7.1 创建环境
      • 7.7.2 准备COCO数据集文件夹结构
      • 7.7.3 在COCO数据集上运行预训练模型
    • 7.8 参考文献
  • 第8章 GAN：使用CNN生成新图像
    • 8.1 Pix2pix：基于GAN的图像翻译
      • 8.1.1 CycleGAN
      • 8.1.2 训练GAN模型
    • 8.2 GAN的代码示例
      • 8.2.1 计算损失
      • 8.2.2 半监督学习和GAN
    • 8.3 特征匹配
      • 8.3.2 深度卷积GAN
    • 8.4 本章小结
  • 第9章 CNN和视觉模型的注意力机制
    • 9.1 图像描述中的注意力机制
    • 9.2 注意力类型
      • 9.2.1 硬注意力
      • 9.2.2 软注意力
    • 9.3 运用注意力改善视觉模型
      • 9.3.1 视觉CNN模型次优性能的原因
      • 9.3.2 循环视觉注意力模型
    • 9.4 参考文献
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《实用卷积神经网络：运用Python实现高级深度学习模型》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度