深度学习应用与实战

本章总结

16.2 项目案例实现

16.1.3 LPRNet

16.1.2 MTCNN模型

16.1.1 数据集

16.1 项目案例：车牌检测与识别

第16章 车牌检测与识别

作业与练习

本章总结

15.3 项目案例：视频超分辨率

15.2.3 TecoGAN评价指标

15.2.2 TecoGAN损失函数

15.2.1 TecoGAN模型的结构

15.2 TecoGAN模型

15.1.2 GAN模型的训练过程

15.1.1 GAN模型的结构

15.1 生成对抗网络的概述

第15章 生成对抗网络

第4部分 生成对抗网络及其应用

作业与练习

本章总结

14.3.3 实现过程

14.3.2 车辆轨迹预测数据集

14.3.1 解决方案

14.3 项目案例：轨迹预测

14.2.3 Positional Encoding和LayerNorm

14.2.2 Self-Attention的计算过程

14.2.1 Self-Attention机制的原理

14.2 Self-Attention机制

14.1.2 Transformer的总体结构

14.1.1 Transformer的简介

14.1 Transformer的概述

第14章 Transformer

作业与练习

本章总结

13.2 项目案例：视频异常检测

13.1.2 自注意力机制的概述

13.1.1 机器翻译中的注意力机制

13.1 注意力机制的概述

第13章 注意力机制

作业与练习

本章总结

12.3 项目案例：基于MTGNN实现交通流量预测

12.2.2 基本使用

12.2.1 安装

12.2 PyTorch-Lightning

12.1.2 MTGNN时空卷积

12.1.1 MTGNN的网络结构

12.1 基于MTGNN实现交通流量预测

第12章 MTGNN与交通流量预测

作业与练习

本章总结

11.4.2 项目案例实现

11.4.1 解决方案

11.4 项目案例：基于DCRNN实现交通流量预测

11.3.2 seq2seq模型

11.3.1 DCRNN

11.3 多元时间序列神经网络的概述

11.2.3 使用GCN模型实现图像识别

11.2.2 数学运算

11.2.1 基本原理

11.2 图卷积网络

11.1.3 图神经网络

11.1.2 图结构

11.1.1 结构和信号

11.1 图

第11章 多元时间序列神经网络

作业与练习

本章总结

10.2.2 项目案例实现

10.2.1 数据集和评价指标

10.2 项目案例：基于时空特征的交通事故预测

10.1.2 构建编码器-解码器模型

10.1.1 模型结构

10.1 编码器-解码器模型

第10章 CNN-LSTM混合模型

第3部分 时空数据模型与应用

作业与练习

本章总结

9.2.2 项目案例实现

9.2.1 解决方案

9.2 项目案例：短时交通流量预测

9.1.2 双向LSTM神经网络

9.1.1 深度循环神经网络的特点

9.1 深度循环神经网络的概述

第9章 深度循环神经网络

作业与练习

本章总结

8.4 项目案例：文本生成

8.3.2 GRU门机制

8.3.1 GRU神经网络的网络结构

8.3 GRU神经网络

8.2.2 LSTM门机制

8.2.1 LSTM神经网络的网络结构

8.2 LSTM神经网络

8.1 循环神经网络的概述

第8章 循环神经网络

作业与练习

本章总结

7.4 项目案例：车辆检测

7.3.2 SSD

7.3.1 YOLO系列

7.3 一阶段目标检测

7.2.3 Mask R-CNN

7.2.2 Fast R-CNN和Faster R-CNN

7.2.1 R-CNN

7.2 两阶段目标检测

7.1 目标检测的概述

第7章 目标检测

作业与练习

本章总结

6.4 项目案例：违规驾驶行为识别

6.3.2 构建MobileNet模型

6.3.1 MobileNet的网络结构

6.3 MobileNet

6.2.2 构建DenseNet模型

6.2.1 DenseNet的网络结构

6.2 DenseNet

6.1.2 构建ResNet模型

6.1.1 ResNet的网络结构

6.1 ResNet

第6章 高效的卷积神经网络

作业与练习

本章总结

5.6.2 项目案例实现

5.6.1 多属性识别

5.6 项目案例：车辆多属性识别

5.5.2 构建GoogLeNet模型

5.5.1 GoogLeNet的网络结构

5.5 GoogLeNet

5.4.2 构建NiN模型

5.4.1 NiN的网络结构

5.4 NiN

5.3.2 构建VGG模型

5.3.1 VGG的网络结构

5.3 VGG

5.2.2 构建AlexNet模型

5.2.1 AlexNet的网络结构

5.2 AlexNet

5.1 深度卷积神经网络的概述

第5章 深度卷积神经网络

第2部分 深度学习进阶算法与应用

作业与练习

本章总结

4.4.2 项目案例实现

4.4.1 汽车数据集

4.4 项目案例：车辆识别

4.3.2 PyTorch模型保存与加载

4.3.1 TensorFlow模型保存与加载

4.3 模型的保存与加载

4.2.5 Adam优化器

4.2.4 RMSprop优化器

4.2.3 Adagrad优化器

4.2.2 Momentum优化器

4.2.1 梯度下降优化的必要性

4.2 梯度下降优化

4.1.3 使用PyTorch实现数据增强

4.1.2 使用TensorFlow实现数据增强

4.1.1 数据增强的意义

4.1 数据增强

第4章 优化算法与模型管理

作业与练习

本章总结

3.4.3 使用PyTorch实现卷积神经网络MNIST手写数字分类

3.4.2 使用TensorFlow实现卷积神经网络MNIST手写数字分类

3.4.1 构建卷积神经网络模型

3.4 基于卷积神经网络实现MNIST手写数字识别

3.3.5 全连接层

3.3.4 池化层

3.3.3 ReLU层

3.3.2 卷积层

3.3.1 卷积神经网络的网络结构

3.3 卷积神经网络的基本结构

3.2.5 卷积相关术语

3.2.4 卷积表达的含义

3.2.3 卷积运算的方式

3.2.2 卷积运算的原理

3.2.1 卷积的概述

3.2 卷积的作用及原理

3.1.3 彩色图像表达

3.1.2 灰度值

3.1.1 像素

3.1 图像基础原理

第3章 卷积神经网络

作业与练习

本章总结

2.4.3 使用PyTorch实现MNIST手写数字分类

2.4.2 使用TensorFlow实现MNIST手写数字分类

2.4.1 MNIST数据集简介

2.4 手写数字识别

2.3.4 批量标准化

2.3.3 提前停止

2.3.2 Dropout正则化

2.3.1 L1正则化与L2正则化

2.3 正则化处理

2.2.3 小批量梯度下降算法

2.2.2 随机梯度下降算法

2.2.1 批量梯度下降算法

2.2 梯度下降算法

2.1.4 异或处理代码实现

2.1.3 反向传播

2.1.2 激活函数

2.1.1 隐藏层的意义

2.1 多层神经网络的概述

第2章 多层神经网络

作业与练习

本章总结

1.4.2 使用PyTorch实现鸢尾花分类

1.4.1 使用TensorFlow实现鸢尾花分类

1.4 单层神经网络实现鸢尾花分类

1.3.3 多分类模型

1.3.2 二分类模型

1.3.1 回归模型

1.3 单层神经网络的概述

1.2.2 张量

1.2.1 常见框架介绍

1.2 深度学习框架

1.1.2 神经网络

1.1.1 深度学习的概述

1.1 深度学习的基本概念

第1章 单层神经网络

第1部分 深度学习基础算法与应用

前言

《深度学习应用与实战》编委会

内容简介

版权信息

封面

封面

版权信息

内容简介

《深度学习应用与实战》编委会

前言

第1部分 深度学习基础算法与应用

第1章 单层神经网络

1.1 深度学习的基本概念

1.1.1 深度学习的概述

1.1.2 神经网络

1.2 深度学习框架

1.2.1 常见框架介绍

1.2.2 张量

1.3 单层神经网络的概述

1.3.1 回归模型

1.3.2 二分类模型

1.3.3 多分类模型

1.4 单层神经网络实现鸢尾花分类

1.4.1 使用TensorFlow实现鸢尾花分类

1.4.2 使用PyTorch实现鸢尾花分类

本章总结

作业与练习

第2章 多层神经网络

2.1 多层神经网络的概述

2.1.1 隐藏层的意义

2.1.2 激活函数

2.1.3 反向传播

2.1.4 异或处理代码实现

2.2 梯度下降算法

2.2.1 批量梯度下降算法

2.2.2 随机梯度下降算法

2.2.3 小批量梯度下降算法

2.3 正则化处理

2.3.1 L1正则化与L2正则化

2.3.2 Dropout正则化

2.3.3 提前停止

2.3.4 批量标准化

2.4 手写数字识别

2.4.1 MNIST数据集简介

2.4.2 使用TensorFlow实现MNIST手写数字分类

2.4.3 使用PyTorch实现MNIST手写数字分类

本章总结

作业与练习

第3章 卷积神经网络

3.1 图像基础原理

3.1.1 像素

3.1.2 灰度值

3.1.3 彩色图像表达

3.2 卷积的作用及原理

3.2.1 卷积的概述

3.2.2 卷积运算的原理

3.2.3 卷积运算的方式

3.2.4 卷积表达的含义

3.2.5 卷积相关术语

3.3 卷积神经网络的基本结构

3.3.1 卷积神经网络的网络结构

3.3.2 卷积层

3.3.3 ReLU层

3.3.4 池化层

3.3.5 全连接层

3.4 基于卷积神经网络实现MNIST手写数字识别

3.4.1 构建卷积神经网络模型

3.4.2 使用TensorFlow实现卷积神经网络MNIST手写数字分类

3.4.3 使用PyTorch实现卷积神经网络MNIST手写数字分类

本章总结

作业与练习

第4章 优化算法与模型管理

4.1 数据增强

4.1.1 数据增强的意义

4.1.2 使用TensorFlow实现数据增强

4.1.3 使用PyTorch实现数据增强

4.2 梯度下降优化

4.2.1 梯度下降优化的必要性

4.2.2 Momentum优化器

4.2.3 Adagrad优化器

4.2.4 RMSprop优化器

4.2.5 Adam优化器

4.3 模型的保存与加载

4.3.1 TensorFlow模型保存与加载

4.3.2 PyTorch模型保存与加载

4.4 项目案例：车辆识别

4.4.1 汽车数据集

4.4.2 项目案例实现

本章总结

作业与练习

第2部分 深度学习进阶算法与应用

第5章 深度卷积神经网络

5.1 深度卷积神经网络的概述

5.2 AlexNet

5.2.1 AlexNet的网络结构

5.2.2 构建AlexNet模型

5.3 VGG

5.3.1 VGG的网络结构

5.3.2 构建VGG模型

5.4 NiN

5.4.1 NiN的网络结构

5.4.2 构建NiN模型

5.5 GoogLeNet

5.5.1 GoogLeNet的网络结构

5.5.2 构建GoogLeNet模型

5.6 项目案例：车辆多属性识别

5.6.1 多属性识别

5.6.2 项目案例实现

本章总结

作业与练习

第6章 高效的卷积神经网络

6.1 ResNet

6.1.1 ResNet的网络结构

6.1.2 构建ResNet模型

6.2 DenseNet

6.2.1 DenseNet的网络结构

6.2.2 构建DenseNet模型

6.3 MobileNet

6.3.1 MobileNet的网络结构

6.3.2 构建MobileNet模型

6.4 项目案例：违规驾驶行为识别

本章总结

作业与练习

第7章 目标检测

7.1 目标检测的概述

7.2 两阶段目标检测

7.2.1 R-CNN

7.2.2 Fast R-CNN和Faster R-CNN

7.2.3 Mask R-CNN

7.3 一阶段目标检测

7.3.1 YOLO系列

7.3.2 SSD

7.4 项目案例：车辆检测

本章总结

作业与练习

第8章 循环神经网络

8.1 循环神经网络的概述

8.2 LSTM神经网络

8.2.1 LSTM神经网络的网络结构

8.2.2 LSTM门机制

8.3 GRU神经网络

8.3.1 GRU神经网络的网络结构

8.3.2 GRU门机制

8.4 项目案例：文本生成

本章总结

作业与练习

第9章 深度循环神经网络

9.1 深度循环神经网络的概述

9.1.1 深度循环神经网络的特点

9.1.2 双向LSTM神经网络

9.2 项目案例：短时交通流量预测

9.2.1 解决方案

9.2.2 项目案例实现

本章总结

作业与练习

第3部分 时空数据模型与应用

第10章 CNN-LSTM混合模型

10.1 编码器-解码器模型

10.1.1 模型结构

10.1.2 构建编码器-解码器模型

10.2 项目案例：基于时空特征的交通事故预测

10.2.1 数据集和评价指标

10.2.2 项目案例实现

本章总结

作业与练习

第11章 多元时间序列神经网络

11.1 图

11.1.1 结构和信号

11.1.2 图结构

11.1.3 图神经网络

11.2 图卷积网络

11.2.1 基本原理

11.2.2 数学运算

11.2.3 使用GCN模型实现图像识别

11.3 多元时间序列神经网络的概述

11.3.1 DCRNN

11.3.2 seq2seq模型

11.4 项目案例：基于DCRNN实现交通流量预测

11.4.1 解决方案

11.4.2 项目案例实现

本章总结

作业与练习

第12章 MTGNN与交通流量预测

12.1 基于MTGNN实现交通流量预测

12.1.1 MTGNN的网络结构

12.1.2 MTGNN时空卷积

12.2 PyTorch-Lightning

12.2.1 安装

12.2.2 基本使用

12.3 项目案例：基于MTGNN实现交通流量预测

本章总结

作业与练习

第13章 注意力机制

13.1 注意力机制的概述

13.1.1 机器翻译中的注意力机制

13.1.2 自注意力机制的概述

13.2 项目案例：视频异常检测

本章总结

作业与练习

第14章 Transformer

14.1 Transformer的概述

14.1.1 Transformer的简介

14.1.2 Transformer的总体结构

14.2 Self-Attention机制

14.2.1 Self-Attention机制的原理

14.2.2 Self-Attention的计算过程

14.2.3 Positional Encoding和LayerNorm

14.3 项目案例：轨迹预测

14.3.1 解决方案

14.3.2 车辆轨迹预测数据集

14.3.3 实现过程

本章总结

作业与练习

第4部分 生成对抗网络及其应用

第15章 生成对抗网络

15.1 生成对抗网络的概述

15.1.1 GAN模型的结构

15.1.2 GAN模型的训练过程

15.2 TecoGAN模型

15.2.1 TecoGAN模型的结构

15.2.2 TecoGAN损失函数

15.2.3 TecoGAN评价指标

15.3 项目案例：视频超分辨率

本章总结

作业与练习

第16章 车牌检测与识别

16.1 项目案例：车牌检测与识别

16.1.1 数据集

16.1.2 MTCNN模型

16.1.3 LPRNet

16.2 项目案例实现

本章总结