图像处理书籍 深度学习

2018-09-22 10:10:48 weixin_36105362 阅读数 4109

人工智能、机器学习、神经网络、深度学习、TensorFlow、图像处理必备书籍(附PDF百度盘下载链接)

在学习人工智能相关相关知识中往往不理解其中相关术语意义和知识原理的组成,下面书籍是阿拉灯神丁君在阅读了大量书籍后觉得很不错的一部分,特此分享出来,以供大家学习之便利。内容链接如有侵犯到您的权益,请联系删除。

学习资料持续更新,完整书籍链接请关注 公众号“AI人工智能客栈” 回复关键字 “人工智能书籍” 获取百度盘链接

在这里插入图片描述

1、机器学习 周志华.pdf

链接:https://pan.baidu.com/s/1P5Owh7YoZ6ncQz9dXanwCA 密码:wzst

2、推荐系统实践.pdf

3、《自然语言处理综论》.pdf

4、《计算机视觉:一种现代方法》.pdf

5、图解机器学习.pdf

6、《决策知识自动化》.pdf

7、《人工智能:一种现代的方法(第3版)》.pdf

8、Python数据分析与挖掘实战.pdf

9、机器学习导论.pdf

10、面向机器智能的TensorFlow实践 (智能系统与技术丛书)_.pdf

11、图像处理、分析与机器视觉(第三版).pdf

12、TensorFlow实战_黄文坚(完整).pdf

13、Tensorflow 实战Google深度学习框架.pdf

14、统计学习方法.pdf

作者李航,是国内机器学习领域的几个大家之一,曾在MSRA任高级研究员,现在华为诺亚方舟实验室。书中写了十个算法,每个算法的介绍都很干脆,直接上公式,是彻头彻尾的“干货书”。每章末尾的参考文献也方便了想深入理解算法的童鞋直接查到经典论文;本书可以与上面两本书互为辅助阅读。

15、数学之美.pdf

作者吴军大家都很熟悉。以极为通俗的语言讲述了数学在机器学习和自然语言处理等领域的应用。

16、区块链新经济概论.pdf

最近也是在学习入门阶段,也就一个感觉“一如侯门深似海,从此节操是路人”,看的我是头晕眼花,公式,概念,金星星眼前飘过~~~…((/- -)/

以上电子书也基本都是高清版,本人对电子书的质量要求也是比较高的,影印版太垃圾了,更是伤银镜。

人工智能领域涵盖的知识非常的广:算法、深度学习、机器学习、自然语言处理、数据结构、Tensorflow、Python 、数据挖掘、搜索开发、神经网络、视觉度量、图像识别、语音识别、推荐系统、系统算法、图像算法、数据分析、概率编程、计算机数学、数据仓库、建模等关键词,基本涵盖了现阶段人工智能细分领域的人才结构。

2019-03-28 21:18:47 SKY_yiyi_9 阅读数 1656

1.《数字图像处理 》(豆瓣) https://book.douban.com/subject/4285832/

理论方面。

2.《MATLAB图像处理实例详解》

3.网址:图像处理入门必看 - CSDN博客 https://blog.csdn.net/chensanwa/article/details/78650073

目录

笔记:深度学习—卷积神经网络从入门到精通

1.1 概念

1.2 起源

1.3 关于卷积神经网络

1.4 神经网络的缺陷和图像

1.5 卷积神经网络的GPU实现和cuDNN库

1.6 卷积神经网络的平台和工具

三、卷积神经网络的现代雏形——LeNet

3.1 LeNet的原始模型

3.2 LeNet的标准模型

3.3 LeNet的算法学习

3.4 LeNet的Caffe代码实现及说明

四、卷积神经网络的突破模型AlexNet

4.1 AlexNet的模型结构

五、卷积神经网络的应变模型SPPNet

5.1 SPPNet的模型结构

六、卷积神经网络的加深模型VGGNet

七、卷积神经结构的跨连接模型

7.1 快道网络Highway Net

7.2 残差网络ResNet

7.3密连网络DenseNet

7.4 拼接网络CatNet

八、卷积神经网络的区域模型

九、卷积神经网络的分割模型

十、卷积神经网络的特殊模型

十一、卷积神经网络的强化模型

十二、AlphaGo


笔记:深度学习—卷积神经网络从入门到精通

  • 概述

1.1 概念

深度学习的概念起源于人工神经网络,本质上指的是一类对具有深度结构的神经网络进行有效训练的方法。

神经网络是一种由许多非线性单元(神经元、节点)组成的分层系统。

网络的深度就神经网络中不包括输入层的层数。

1.2 起源

1943年MP模型——1958年感知器模型——20世纪八九十年代Hopfield神经网络,玻耳兹曼机,多层感知器——神经认知机——卷积神经网络

1.3 关于卷积神经网络

卷积神经网络是一种特殊的多层感知器或前馈神经。

标准的卷积神经网络一般由输入层、交替的卷积层和池化层、全连接层、输出层构成。

卷积层也称检测层、池化层也称下采样层。卷积层和池化层可看做特殊的隐含层。

卷积层的权值也称卷积核。

1.4 神经网络的缺陷和图像

卷积神经网络可能错分对抗样本。

对抗样本是一种含有人类不可感知的微小扰动的非随机图像。

可视化技术,以某种可见视图方式来显示激活和特征,有逆变换、激活最大化和卡通化。

1.5 卷积神经网络的GPU实现和cuDNN库

GPU用于大规模数据集中训练卷积神经网络。

编写GPU代码可在CUDN环境下进行。

CUDN是一种用于GPU通用计算的并行计算平台和编程模型。

CUDN提供了一个深度神经网络的GPU加速库cuDNN,完成了对卷积、池化、归一化、激活函数层等标准操作的快速实现。

1.6 卷积神经网络的平台和工具

TensorFlow,Caffe2,MXNet

  • 预备知识

1.激活函数:非线性的sigmoid函数、双曲正切函数tanh、硬限幅函数hardlim、斜面函数ramp、校正线性单元ReLU、渗漏校正线性单元LReLU、参数校正线性单元PReLU、指数线性单元ELU、软加函数softplus、最大输出函数maxout、软最大输出函数softmax.

2.矩阵运算:转置矩阵、180°旋转、两矩阵乘积、两矩阵加减、两矩阵阿达玛积(逐元素积)、克罗内克积、逐元函数

3.导数公式:sigmoid函数、双曲正切函数tanh、校正线性单元ReLU、逐元向量函数、逐元矩阵函数等

4.梯度下降算法:无约束条件下计算连续可微函数极小值,用负梯度方向作为下降方向。

5.反向传播算法(通用、逐层):前馈网络神经只有从编号较小的神经元才能连接到编号较大的神经元,没有反馈连接。(反传误差信号,灵敏度,期望值,样本的输出误差,激活函数、偏置值、权值,输入输出节点,隐含节点);多层感知器,各层神经元激活输出,权值矩阵。

6.通用逼近定理:在理论上,剁成感知器所表达的输入输出映射能够充分逼近任何一个定义在单位立方体上的连续函数。

7.内外卷积运算

8.膨胀卷积运算:膨胀卷积支持以倍数方式扩大感受野。

9.上下采样运算:平均下采样、最大下采样、平均池化、最大池化、平均上采样、最大上采样。

10.卷积面运算:一个卷积层可以包含很多个卷积面。

卷积面、卷积特征图、卷积图、特征图

每个卷积面都是根据输入(一幅或多幅图像)、卷积核(一个矩阵、卷积滤波器)、激活函数来计算。

10.池化面计算:下采样过程又称池化过程。池化面的输入可以是卷积面,则分别对每个面进行不重叠采样,相应地得到一组下采样面。也可以是池化面。

11.局部响应归一化:为了改善卷积神经网络的效果,有时需要对某一层的所有卷积面(或池化面)逐一进行归一化处理。

12.权值偏执初始化:在训练神经网络之前,必须对其权值和偏置进行初始化。高斯初始化(根据某个高斯分布进行初始化权值、均值选0,方差按经验人工选择)、Xavier初始化(保持信息在神经网络中流动过程中的方差不变)、MSRA初始化。

13.丢失输出:在训练神经网络时,若训练样本较少,一般考虑正则化技巧防止过拟合。丢失输出是一种正则化技巧,通过阻止特征检测器的共同作用来提高神经网络的泛化能力,随机让网络中的某些节点不工作。

14.丢失连接:对丢失输出的简单改进。随机让某些连接不工作。

丢失输出是用随机掩膜来限制某个层的输出。丢失连接用随机掩膜仙限制某个层的连接权值。

15.随机梯度下降算法:应用条件是目标函数能够表示成一组可微函数之和。对神经网络来说,随机梯度下降算法有两种基本模式,在线(先把所有样本随机洗牌,再逐一计算每个样本对梯度的贡献去更新权值)和迷你块(把所有样本随机洗牌后分为若干大为m的块,在更新权值)。

16.块归一化:把对输入数据的归一化扩展到对其他层的输入数据进行归一化,以减小内部数据分布偏移的影响。即提升训练速度,又减少人工干预。

17.动态规划算法:求解多阶段决策过程的最优化数学方法,核心是贝尔曼最优化原理,贝尔曼方程。

三、卷积神经网络的现代雏形——LeNet

1984年,神经认知机是被认为第一个实现的卷积神经网络。

1998年,将卷积层和下采样层结合,建立卷积神经网络的现代雏形——LeNet.

3.1 LeNet的原始模型

输入是一个矩阵或头像。大小为32X32.

不计输入层,模型共有7层,3个卷积层,2个下采样层,1个全连接层,1个输出层。

C1层-第1个卷积层(6个28X28卷积特征图,由5X5卷积核对输入图像进行内卷积得到,其中每个神经元与输入中相应的5X5区域相连)

S2层-第1个下采样层(6个14X14下采样特征图,每个下采样特征图由C1层相应的卷积特征图经过大小为2X2的窗口进行平均池化,再利用激活函数Sigmoid进行一次非线性变换处理得到。利用局部相关性减少后续数据处理量,同时保留有用信息)

C3层-第2个卷积层(6个10X10卷积特征图,由5X5卷积核对输入图像进行内卷积得到,其中每个神经元与输入中相应的5X5区域相连)

记住原始模型结构示意图。

3.2 LeNet的标准模型

记住标准模型示意图。

标准模型和原始模型主要区别在于把非线性变换从下采样层移到了卷积层,且把输出层的激活函数成欧几里得径向函数替换成了软最大函数。

结构上有输入层、卷积层、池化层、卷积层、池化层、全连接层、输出层。

3.3 LeNet的算法学习

作为一种特殊的多层感知器,LeNet可以用反向传播算法来学习其中的参数。

用梯度下降的思想给LeNet建立反向传播算法。

3.4 LeNet的Caffe代码实现及说明

LeNet的Caffe代码实现共3个文件,网络结构文件(定义网络的训练数据目录、测试数据)、求解器配置文件(为求解器训练和测试网络的有关超参数)、伪概率计算文件(模型训练好后对未知样本计算分类伪概率)。

3.5 LeNet的手写数字识别案例

3.6 LeNet的交通标志识别案例

3.7 LeNet的交通路网提取案例

四、卷积神经网络的突破模型AlexNet

4.1 AlexNet的模型结构

2012年AlexNet大规模图像分类,通过使用GPU显卡和校正线性单元ReLU,极大提高了卷积神经网络的学习训练速度。

结构:输入层、5个卷积层(其中3个卷积层做了最大池化)、3个全连接层。

和LeNet比较AlexNet的优点:使用ReLU激活函数、使用GPU函数、局部响应归一化、重叠池化、减少过拟合

4.2 AlexNet的Caffe代码实现及说明

4.3 AlexNet的Caffe的大规模图像分类案例及演示效果

4.4 AlexNet的TensorFlow大规模图像分类案例及演示效果

 

五、卷积神经网络的应变模型SPPNet

通常卷积神经网络要求输入图像具有固定的大小,这限制了输入图像的高宽比和大小。。SPPNet空间金字塔池化网络,在最后一个卷积层和第一个全连接层间插入了一个空间金字塔池化层,利用空间金子塔池化层,SPPNet无需对输入图像进行裁剪或变形,就可以处理输入图像的大小不同的情况。

5.1 SPPNet的模型结构

裁剪可能造成目标缺失,变形可能产生不必要的几何扭曲,进而导致识别率的降低。

传统卷积神经网络图像处理过程:

图像---裁剪/变换---卷积层---全连接层---输出

SPPNet图像处理过程:

图像---卷积层---空间金子塔池化---全连接层---输出

训练方法有单尺度训练和多尺度训练。

单尺度训练是多尺度训练的基础,主要是从图像中裁剪固定大小的输入来训练一个网络。目的是保证多级池化的特性。

多尺度训练的目的是处理任意大小的图像,需要考虑至少2中不同的预定大小。

SPPNet能提高卷积网络在图像分类方面的性能。

 

六、卷积神经网络的加深模型VGGNet

AlexNet的出色工作表现证明,通过增加网络的深度可以提升网络的性能。

VGGNet的核心思想是利用较小的卷积核来增加网络的深度,有两种基本类型:VGGNet-16,VGGNet-19

七、卷积神经结构的跨连接模型

标准卷积神经网络每层只能从相邻的前一层接收输入,并把输出传递给相邻的后一层。这种结构限制了卷积神经网络的多样性和灵活性,在结构加深时常常越来越难训练。一种有效的解决方案是引入跨层连接,建立卷积神经网络的跨连模型。跨连模型允许每层可以与非相邻层相连。其深度可达成百上千层。

7.1 快道网络Highway Net

随着网络结构的不断加深,梯度消失或爆炸的问题可能会越来越严重,可能导致神经网络的学习和训练变得越来越困难。通过初始化、丢失输出、丢失连接、块归一化等技巧,这种困难能够得到一定程度的缓解,另一种解决方法是在网络中增加信息传递的快速通路,建立快道网络。在快道网络中,信息可以无障碍的跨越多层直接传递到后面的层。

在普通的分层网络中,每层都是对输入进行非线性映射变换。

快道网络的基本思想是定义两个非线性映射变换,构造快道层。

7.2 残差网络ResNet

随着层数的增加,深度网络一般会越来越难训练。有些网络在开始收敛时,还开始出现退化的情况,导致准确率很快达到饱和,出现层次越深、错误率越高的现象。而这种退化并不是由于过拟合引起,而是因为增加了更多的层数。深度残差学习就是解决退化问题,以便能够训练百上千的残差网络。

与普通网络的区别在于,残差网络引入了跨层连接,简称捷径连接,构造了残差模块。

7.3密连网络DenseNet

残差网络一般只采用跨越2-3层的跨层连接形成残差模块。密连连接网络通过引入密连模块代替残差模块进一步扩展了残差模块的应用。其和残差模块的区别在于密连模块内部之间允许任意两个非相邻层之间进行跨层连接。

密连网络的优点有:缓和梯度消失、加强特征传播、促进特征重用、减少参数数量。

密连网络是指包括一个或多个密连模块的卷积神经网络。

7.4 拼接网络CatNet

拼接网络的优点是能够集成不同尺度的图像特征进行分类和识别。

拼接网络中包含r个交错的卷积层和池化层,再跟一个全连接层和输出层。

在拼接网络中,所有池化层都采用不重叠的2X2窗口池化。

全连接层是若干个卷积层和池化层的激活通过跨层连接产生的拼接向量。

八、卷积神经网络的区域模型

与图像分类任务不同,目标检测需要从图像中检测并定位特定的多个目标。

利用卷积网络进行目标检测的基本思路是先推荐候选区域,再利用卷积网络对候选区域分类。

 

8.1区域卷积网络R-CNN

R-CNN是一种目标检测模型,采用滑动窗口的策略定位,在“利用区域识别”的思想指导下,缺德了目标检测和语义分割的成功。

         R-CNN包括3个关键模块:区域推荐、特征提取、区域分类。

九、卷积神经网络的分割模型

十、卷积神经网络的特殊模型

十一、卷积神经网络的强化模型

十二、AlphaGo

 

2019-02-22 16:12:45 weixin_39504048 阅读数 1395

个人总结知识点

1.问:为什么y=wx明明是一个矩阵,而损失函数是一个值

2,问:支持向量机SVM与逻辑回归的关系

SVM把逻辑回归的sigmoid函数换成核函数,损失函数由平均交叉熵换成了不同分类的距离间隔

3,问:深度学习与逻辑回归的区别

在计算y=wx时,将逻辑回归的函数变成几十个函数的嵌套,然后利用链式求导法则对嵌套的几十个函数进行反向求导,得出损失函数

4,问:过拟合的原因

过多的参数

5,问:深度学习中需要调的参数

正则化系数,卷积核的权值,学习率等

6,问:过拟合的解决方法

1,dropout   2,使用池化(减少了参数)  3,加入L1,L2正则化,批正则化  4,数据增强  5,迁移学习  6,多个神经网络结果平均  7,RNN时,调试阶段提前终止训练  8,对抗训练  9,稀疏编码  10,流型正切

 

书本知识点总结

1,关于权值共享的通俗解释

2,BP反向传播的自动求导的过程

3.sigmoid函数实现二分类的原理

4,逻辑回归/深度学习这些的大致工作原理和过程

5,如何根据预测y和实际y的差别更新参数w

6,L1,L2正则化的区别

书本43页 

7,opencv提取图像边缘的算法

8,1X1卷积层的作用

9,反卷积的实质

实质就是将原矩阵扩大后中间补0,然后对扩大后的矩阵做卷积。

10,学习率调整方法

11,VGG16的特征提取部分只使用了3X3的卷积核,以及2X2的池化层

12,提高检测精度的几种方法

2019-05-11 10:34:41 qq_31456593 阅读数 1841

深度学习入门书籍和资源

博文地址:https://blog.csdn.net/qq_31456593/article/details/90106630

今天为大家提供一些机器学习和深度学习的入门书籍和资源。秉着贪多嚼不烂的原则,我各自介绍3本机器学习和3本深度学习的书籍(只选最好的),以及NLP和CV各自的经典课程。

机器学习:

1、Christopher Bishop教授的《Pattern Recognition and Machine Learning》

https://book.douban.com/subject/2061116/

机器学习经典教程,要深入专研机器学习的人需要好好看一下。

2、李航老师的《统计学习方法》

https://book.douban.com/subject/10590856/

机器学习入门必备书籍,越读越发觉对机器学习的讲解精炼到位。

3、周志华老师的《机器学习》

https://book.douban.com/subject/26708119/

很好的机器学习入门书籍,系统全面

深度学习

4、Ian Goodfellow大佬 的《deep learning》

https://book.douban.com/subject/26883982/

GAN提出者Goodfellow写的,深度学习圣书,值得拜读

5、邱锡鹏老师的《神经网络与深度学习》

https://nndl.github.io/

邱老师的开源书籍,生动全面,强力推荐

6、李宏毅老师的《一天学懂深度学习》

https://www.slideshare.net/tw_dsconf/ss-62245351?qid=108adce3-2c3d-4758-a830-95d0a57e46bc&v=&b=&from_search=3

一个ppt,和李老师的课一样,简单直接,入门必备

自然语言处理课程

CS224d: Deep Learning for Natural Language Processing

http://cs224d.stanford.edu/

斯坦福大学 Richard Socher等 主要讲解自然语言处理领域的各种深度学习模型

计算机视觉课程

CS231n:Convolutional Neural Networks for Visual Recognition

http://cs231n.stanford.edu/

斯坦福大学 Fei-Fei Li Andrej Karpathy等 主要讲解CNN、RNN在图像领域的应用

深度学习框架

Tensorflow

https://www.tensorflow.org

Tensorflow官网

ps:以前的书籍主要是tensorflow1.x的,目前还没有tensorflow2的书籍,如果大家看中文的,可以看一下我github的中文教程:

https://github.com/czy36mengfei/tensorflow2_tutorials_chinese(厚脸皮的自我推荐一下)

Pytorch

https://pytorch.org/

Pytorch官网

相关资源:

如果想要相关书籍的电子版和视频课程,关注本人公众号DoitNLP,回复“深度学习入门”即可获得

在这里插入图片描述

2019-04-04 22:18:59 zqx951102 阅读数 3147

原标题:7本最佳深度学习书籍,总有一本适合你

编译 | 人工智能头条

参与| 刘畅

编辑| 阿司匹林

深度学习是如今最火热的技术之一,但是对于有心入门却不得其法的同学来说,选择适合自己的书籍至关重要。

本着乐于助人、无私奉献的精神,营长特意为大家精选了 7 本深度学习相关的书籍。这些书籍中,有些非常注重理论知识,主要关注神经网络和深度学习背后的数学和相关假设;有些则注重实战,通过代码而不是理论来讲解深度学习。而那种既有理论讲解,同时又有相应的实战训练的书籍,往往是营长的最爱。

接下来,营长将列出每本书籍的核心内容以及目标受众,帮助大家选择最适合自己的深度学习教材。

1.《深度学习》(Deep Learning)



出自 Goodfellow、Bengio 和 Courville 三位大牛之手的《深度学习》(Deep Learning)不可不提。本书旨在成为一本教科书,用于在大学课堂上教授关于深度学习的基本原理和理论。Goodfellow 等人的《深度学习》完全是理论性的书籍,而且没有代码,因此适用对象为学术界的读者。

这本书首先讨论了机器学习的基础知识,从学术角度讲解了有效研究深度学习所需的应用数学(线性代数,概率和信息论等)知识;在此基础上,本书进一步讲解了深度学习算法和技术的相关知识;在最后一部分,《深度学习》这本书主要讲解了深度学习领域当前的研究趋势以及正在发生的变化。

这本书可以在网站(http://www.deeplearningbook.org/)上免费阅读,也可以在图书网站上面购买纸质版,目前已经有中文版推出。

本书适用人群:

1. 习惯从理论中学习,而不是实践

2. 喜欢学术写作

3. 本科生、研究生、教授等学术界的人员

查看本书详情

▼▼▼

2、Neural networks and Deep Learning

第二本以理论为主的深度学习图书是 Michael Nielsen 撰写的《神经网络和深度学习》(Neural networks and Deep Learning)。

本书其实还包含了 7 段由 Python 编写的代码,包括各种基本的机器学习算法,神经网络或深度学习技术,所有都是基于 MNIST 数据集上实现的。虽然这些代码的实现手段可能并不是最好的,但它们可以帮助读者理解书中的一些理论概念。

如果你对机器学习和深度学习不熟悉,但渴望深入了解其理论方法,Nielsen 的书应该是你的首选。这本书比 Goodfellow 的《深度学习》要更容易阅读,而 Nielsen 的写作风格加上一些的代码片段使得知识更容易融会贯通。

本书适用人群:

1. 正在寻找一本基于理论的深度学习书籍

2. 机器学习/深度学习的新手,但希望从更学术的角度来看待这一领域

3、Deep Learning with Python

谷歌 AI 研究员、Keras 的作者 Francois Chollet 在 2017 年 10 月出版了他自己的书 Deep Learning with Python 。

在该书中,Francois 从一个从业者的角度来讲解深度学习方法。书中包括了一些理论知识和相应的讨论,但是每一段理论都会配合基于 Keras 的实现方式。

这本书我最喜欢的一个地方是 Francois 列举了将深度学习应用于计算机视觉、文本和序列的例子,使这本书为那些希望在了解机器学习和深度学习的同时学习 Keras 的读者,提供了一个不错的选择。

我发现 Francois 的文字清晰易读,他对深度学习趋势和历史的评论非常富有洞察力。需要特别指出的是,这本书并不是一本深入深度学习的书。相反,它的主要用途是通过 Keras 来教会你深度学习基础和不同领域的深度学习实战案例。

本书适用人群:

1. 对 Keras 感兴趣

2. 习惯通过动手来学习

3. 希望快速了解如何将深度学习应用于各个领域,如计算机视觉、序列学习和文本等

4、Hands-On Machine Learning with Scikit-Learn and TensorFlow

当我第一次拿到 Aurélien Géron 的 Hands-On Machine Learning with Scikit-Learn and TensorFlow 这本书时,如果不是标题中包含了“TensorFlow”这个词,我可能仅认为它只是关于机器学习的基本介绍。

幸运的是,这本书其实非常棒,而且是被标题耽误的一本好书。

Géron 的深度学习书籍分为两部分:第一部分介绍支持向量机(SVM),决策树,随机森林,集成方法和无监督学习算法等基本机器学习算法,而且还包括了每个算法的 Scikit-learn 代码示例;第二部分是基于 TensorFlow 库讲解了基本的深度学习内容。

本书适用人群:

机器学习的新手,并希望从代码示例来学习核心算法

对流行的 scikit-learn 机器学习库感兴趣

想要快速学习如何使用 TensorFlow 库来完成基本的深度学习任务

查看本书详情

▼▼▼

5、TensorFlow Deep Learning Cookbook

如果你喜欢“食谱”那样的教学风格(理论少、代码多),我会建议你看看 Gulli 和 Kapoor 撰写的 TensorFlow Deep Learning Cookbook 这本书。

这是一本非常具有实用性的深度学习手册,而且对于 TensorFlow 使用者来说也是一个很好的参考。再次说明,这本书并不是要教深度学习,而是告诉你如何在深度学习的背景下使用 TensorFlow库。

当然,读完这本书,你一定会学习到新的深度学习概念、技术和算法。但是这本书采用了严格的类似于食谱的写作手法:大量的代码和相应的解释。

我认为这本书的唯一不足之处是代码片段中存在一些拼写错误。当你阅读这本书时,请注意这一点。

本书适用人群:

1. 已经学习了深度学习的基础知识

2. 对 TensorFlow 感兴趣

3. 喜欢“食谱”这种文风,也就是用代码来解决特定问题,但不讨论基础理论

6、Deep Learning: A Practitioners Approach

虽然大多数包含代码示例的深度学习书籍都使用 Python,但 Adam Gibson 和 Josh Patterson 撰写的 Deep Learning:A Practitioners Approach 一书却使用 Java 和 DL4J 库。

为什么选择 Java?

Java 是大型企业中最常用的编程语言,特别是在企业级的应用上。

Gibson 和 Patterson 在前几章讨论了基本的机器学习和深度学习基础知识,剩下的部分包括了使用 DL4J 库,基于 Java 的深度学习代码示例。

本书适用人群:

1. 需要使用 Java 编程语言来进行特定的开发

2. 为主要使用 Java 的大型公司或企业工作

3. 想了解如何使用 DL4J 库

7、Deep Learning for Computer Vision with Python

这本书已经成为当今最好的深度学习和计算机视觉资源之一。谷歌AI的研究员、Keras 的作者 Francois Chollet 对这本新书是这样评价的:

“这本书在计算机视觉深度学习实践方面讲解得非常深入,而且读起来也通俗易懂:讲解不仅清晰而且非常详细。你会发现许多实用的技巧和建议,这些在其他书籍或大学课程中都很少提到。无论你是从业人员还是初学者,我强烈推荐这本书。—— Francois Chollet”

这本书里面有很多的细节讲解,并有大量的详细例子,涵盖了各种方法与如何在实际问题使用这些方法来解决问题。

如果你有兴趣学习深度学习在计算机视觉上的应用(图像分类、物体检测、图像理解等),那么这本书将非常适合你。

在这本书里面,你会:

  • 理论和实践相结合的方式来学习机器学习和深度学习的基础;
  • 学习先进的深度学习技术,包括对象检测,多GPU训练,迁移学习和生成对抗网络(GAN)等;
  • 复现 ResNet、SqueezeNet、VGGNet 等在 ImageNet 数据集上的结果;

此外,对于每个理论深度学习概念,你都可以在这本书中找到相关的 Python实 现来帮助您巩固知识。

本书适用人群:

1. 对深度学习在计算机视觉和图像理解方面的应用特别有兴趣

2. 想在理论和实践之间取得很好的平衡

需要一本深度学习书籍,使得看似复杂的算法和技巧易于掌握和理解

3. 需要一本清晰易懂的书,引导你掌握深度学习

作者 | Adrian Rosebrock

图像处理入门教程

阅读数 32635