为你推荐
前言
第1章 绪论
1.1 机器学习与深度学习
1.1.1 机器学习与深度学习的关系
1.1.2 传统机器学习与深度学习的对比
1.2 统计学与深度学习
1.2.1 统计学与深度学习的关系
1.2.2 基于统计的深度学习技术
1.3 本书涉及的深度学习框架
1.4 优化深度学习的方法
1.5 深度学习展望
第2章 TensorFlow深度学习框架构建方法与图像分类的实现
2.1 TensorFlow概述
2.1.1 TensorFlow的特点
2.1.2 TensorFlow中的模型
2.2 TensorFlow框架安装
2.2.1 基于Anaconda的安装
2.2.2 测试TensorFlow
2.3 基于TensorFlow框架的图像分类实现（ResNet-34）
2.3.1 应用背景
2.3.2 ResNet
2.3.3 ResNet程序实现
2.3.4 详细代码解析
2.3.5 实验结果及分析
1.实验运行
2.测试误差（见图2-15）
3.实验结果分析
4.调整网络参数
第3章 Caffe深度学习框架搭建与图像语义分割的实现
3.1 Caffe概述
3.1.1 Caffe的特点
3.1.2 Caffe框架结构
3.2 Caffe框架安装与调试
3.3 基于Caffe框架的图像分割实现（FCN）
3.3.1 用Caffe构建卷积神经网络
3.3.2 FCN-8s网络简介
3.3.3 详细代码解读
3.3.4 实验结果与结论
第4章 Torch深度学习框架搭建与目标检测的实现
4.1 Torch概述
4.1.1 Torch的特点
4.1.2 Lua语言
4.2 Torch框架安装
4.3 基于Torch框架的目标检测实现（Faster R-CNN）
4.3.1 Torch的类和包的基本用法
4.3.2 用Torch构建神经网络
4.3.3 Faster R-CNN介绍
4.3.4 Faster R-CNN实例
4.3.5 实验结果分析
第5章 MXNet深度学习框架构建与自然语言处理的实现
5.1 MXNet概述
5.1.1 MXNet基础知识
5.1.2 编程接口
5.1.3 系统实现
5.1.4 MXNet的关键特性
5.2 MXNet框架安装
5.3 基于MXNet框架的自然语言处理实现（LSTM）
5.3.1 自然语言处理应用背景
5.3.2 RNN及LSTM网络
5.3.3 Bucketing及不同长度的序列训练
5.3.4 详细代码实现
5.3.5 实验过程及实验结果分析
1.实验过程分析
2.实验结果分析
第6章 迁移学习
6.1 迁移学习发展概述
6.2 迁移学习的类型与模型
6.2.1 冻结源模型与微调源模型
6.2.2 神经网络迁移学习模型与分类器迁移学习模型
6.3 迁移学习方法实例指导
6.3.1 迁移学习应用示例
6.3.2 实验结论
第7章 并行计算与交叉验证
7.1 并行计算
7.1.1 数据并行框架
7.1.2 模型并行框架
7.1.3 数据并行与模型并行的混合架构
7.2 交叉验证
7.2.1 留出法
7.2.2 K折交叉验证
7.2.3 留一交叉验证
参考文献
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
6.6
