内容简介
本书是一本专注于卷积神经网络（CNN）实战的深度学习指南，旨在帮助读者掌握如何使用Python语言构建并训练高级深度学习模型。全书从卷积神经网络的基础概念入手，详细介绍了CNN的核心架构、卷积层、池化层、全连接层等关键组件的工作原理，并结合实际案例讲解如何在图像识别、目标检测、图像分割等计算机视觉任务中应用CNN。
作者莫希特·赛瓦克凭借其在深度学习和人工智能领域的丰富经验，逐步引导读者从零开始实现复杂的CNN模型，包括基于TensorFlow和Keras等主流框架的代码实践。书中涵盖了数据预处理、模型设计、超参数调优、正则化技术、迁移学习以及模型部署等完整流程，并提供经过验证的实用技巧，帮助读者解决实际工程中的常见问题。
此外，本书还探讨了卷积神经网络的前沿发展，如注意力机制、残差网络、轻量级CNN在移动端设备上的应用等，使读者能够紧跟技术趋势。通过大量代码示例和项目实战，读者将不仅理解理论，更能独立开发出高性能的深度学习解决方案。本书适合具有一定Python基础的机器学习开发者、数据科学家、计算机视觉工程师以及相关领域的研究人员阅读。
目录
关于作者
关于审阅者
第1章 深度神经网络概述
1.1 创建神经网络块
1.2 TensorFlow介绍
1.3 MNIST数据集介绍
1.4 Keras深度学习库概述
1.5 基于Keras和MNIST的手写数字识别
1.6 理解反向传播
1.7 本章小结
第2章 卷积神经网络介绍
2.1 CNN历史
2.2 卷积神经网络
2.3 实践示例：图像分类
2.4 本章小结
第3章 构建CNN并进行性能优化
3.1 CNN架构和DNN的缺点
3.2 TensorFlow中的卷积和池化操作
3.3 训练CNN
3.4 创建、训练和评估第一个CNN
关于审阅者
第1章 深度神经网络概述
1.1 创建神经网络块
1.2 TensorFlow介绍
1.3 MNIST数据集介绍
1.4 Keras深度学习库概述
1.5 基于Keras和MNIST的手写数字识别
1.6 理解反向传播
1.7 本章小结
第2章 卷积神经网络介绍
2.1 CNN历史
2.2 卷积神经网络
2.3 实践示例：图像分类
2.4 本章小结
第3章 构建CNN并进行性能优化
3.1 CNN架构和DNN的缺点
3.2 TensorFlow中的卷积和池化操作
3.3 训练CNN
3.4 创建、训练和评估第一个CNN
免责申明：
1. 本站分享的所有书籍均来源于自互联网，我们只进行收集整理，并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告，这并不是本站所为，请注意甄别。
3. 我们分享这些书籍，纯粹是出于知识分享的热情，以及对互联网分享精神的高度认同和践行，没有任何商业目的。
4. 本站分享的所有书籍，仅供个人学习研究使用，请勿用于任何商业用途，否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获，在条件允许的情况下，请一定购买正版书籍，这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者，且您不希望此作品出现在本站，请联系我们，我们将在收到您的请求后48时间内予以删除。
1. 本站分享的所有书籍均来源于自互联网，我们只进行收集整理，并不对书籍内容进行更改。
2. 部分书籍中可能有书籍压制者放置的广告，这并不是本站所为，请注意甄别。
3. 我们分享这些书籍，纯粹是出于知识分享的热情，以及对互联网分享精神的高度认同和践行，没有任何商业目的。
4. 本站分享的所有书籍，仅供个人学习研究使用，请勿用于任何商业用途，否则产生的一切法律纠纷与本站无关。
5. 如果这些书籍让你有所收获，在条件允许的情况下，请一定购买正版书籍，这是对创作者最好的支持。
6. 如果您是此书籍的版权所有者，且您不希望此作品出现在本站，请联系我们，我们将在收到您的请求后48时间内予以删除。
📖 支持知识自由流动
这本书的持续提供，需要服务器运行成本支持（约 3.7元/小时）
