深度學(xué)習(xí)與圖像處理實(shí)戰(zhàn)

第1章 深度學(xué)習(xí)基礎(chǔ)
1.1 深度學(xué)習(xí)的定義
1.2 深度學(xué)習(xí)的特點(diǎn)
1.3 深度學(xué)習(xí)的歷史
1.3.1 深度學(xué)習(xí)的起源
1.3.2 深度學(xué)習(xí)的發(fā)展
1.3.3 深度學(xué)習(xí)的爆發(fā)
1.4 深度神經(jīng)網(wǎng)絡(luò)概述
1.4.1 VGGNet
1.4.2 GoogLeNet
1.4.3 ResNet
1.4.4 FCN
1.4.5 U-Net
1.4.6 Mask R-CNN
1.4.7 YOLO
1.5 深度學(xué)習(xí)的應(yīng)用
1.5.1 圖像領(lǐng)域
1.5.2 聲音領(lǐng)域
1.5.3 文本領(lǐng)域
1.6 深度學(xué)習(xí)的未來趨勢
本章小結(jié)
第2章 深度學(xué)習(xí)環(huán)境的安裝與使用
2.1 Anaconda的安裝與使用
2.1.1 Anaconda簡介
2.1.2 Anaconda的安裝
2.1.3 conda簡介
2.2 TensorFlow環(huán)境搭建與使用
2.2.1 安裝TensorFlow CPU版本
2.2.2 安裝TensorFlow GPU版本
2.2.3 PyCharm的安裝
2.2.4 PyCharm的使用
2.2.5 TensorFlow的使用
2.3 Keras簡介與使用
2.3.1 Keras的意義
2.3.2 Keras的設(shè)計(jì)原則
2.3.3 Keras的工作方式
2.3.4 Keras快速上手
2.3.5 Keras簡單實(shí)例
本章小結(jié)
第3章 神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)
3.1 矩陣
3.1.1 矩陣定義
3.1.2 矩陣加法
3.1.3 矩陣乘法
3.1.4 矩陣的轉(zhuǎn)置
3.1.5 矩陣的逆
3.2 隨機(jī)變量及概率分布
3.2.1 隨機(jī)變量定義
3.2.2 離散型隨機(jī)變量的概率分布
3.2.3 連續(xù)型隨機(jī)變量及其概率密度函數(shù)