特点
- 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
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
- 训练单反检测
详情参阅 - 亚图跨际