Practical Convolutional Neural Networks

This book is for data scientists, machine learning and deep learning practitioners, Cognitive and Artificial Intelligence enthusiasts who want to move one step further in building Convolutional Neural Networks. Get hands-on experience with extreme datasets and different CNN architectures to build efficient and smart ConvNet models. Basic knowledge of deep learning concepts and Python programming language is expected.

这是一本专注于卷积神经网络(CNN) 的实用指南，适合数据科学家、机器学习和深度学习实践者，以及认知和人工智能爱好者阅读。本书旨在帮助读者深入理解CNN的基本原理，并通过实际例子来掌握如何构建和优化CNN模型。 本书首先介绍了深度学习的概念与应用，包括深度神经网络的发展、应用、构建以及TensorFlow和Keras的介绍。接着，作者深入探讨了神经网络的基本结构，包括输入层、隐藏层和输出层的构建，以及反向传播算法的原理和应用。 书中还详细介绍了TensorFlow基于图式计算的原理和优势，以及图像增强技术在CNN中的应用。此外，作者还讲解了权重和偏置的初始化方法，以及防止过拟合的方法，包括Dropout、Batch Normalization和biases initializers等。 在讲解CNN模型性能优化的部分，作者深入探讨了超参数对CNN模型性能的影响，并通过图像分类的实用例子展示了如何使用CNN对图像进行分类。此外，作者还介绍了卷积神经网络特征迁移的效果，以及如何使用基于CNN的对象检测和实例分割方法。 书中还介绍了GAN模型的基本概念，包括生成器网络和判别器网络的构