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
• 训练单反检测

详情参阅 - 亚图跨际