深度学习技术应用

6.6.5 微调

6.6.4 模型训练

6.6.3 网络模型搭建

6.6.2 数据处理

6.6.1 准备操作

6.6 利用迁移学习对花进行分类

6.5 微调

6.4 迁移学习的方法

6.3 迁移学习的优势

6.2 迁移学习的工作原理

6.1 什么是迁移学习

第6章 迁移学习

5.4.6 小结

5.4.5 模型训练

5.4.4 网络模型搭建

5.4.3 数据处理

5.4.2 数据简介

5.4.1 准备操作

5.4 深度循环神经网络案例

5.3 双向循环神经网络

5.2.2 门控循环单元（GRU）

5.2.1 长短期记忆（LSTM）

5.2 长短期记忆和门控循环单元

5.1 什么是循环神经网络

第5章 循环神经网络

4.9.4 总结

4.9.3 模型搭建

4.9.2 数据处理

4.9.1 数据简介

4.9 卷积神经网络案例

4.8.3 VGG16

4.8.2 AlexNet

4.8.1 LeNet-5网络

4.8 典型卷积神经网络算法

4.7 数据增强

4.6 Dropout

4.5 全连接层

4.4 池化层

4.3.2 步幅

4.3.1 填充

4.3 卷积层

4.2 输入层

4.1 什么是卷积神经网络

第4章 卷积神经网络

3.4.5 总结

3.4.4 模型调优

3.4.3 模型搭建

3.4.2 数据处理

3.4.1 数据简介

3.4 基于TensorFlow的手写数字识别

3.3.8 小结

3.3.7 模型保存

3.3.6 模型验证

3.3.5 模型训练

3.3.4 模型编译

3.3.3 模型搭建

3.3.2 数据处理

3.3.1 建模目的

3.3 基于TensorFlow的深度学习建模

3.2.3 计算图

3.2.2 变量

3.2.1 张量

3.2 TensorFlow基础

3.1.2 TensorFlow 1.x与TensorFlow 2.x的区别

3.1.1 TensorFlow与Keras的关系

3.1 TensorFlow简介

第3章 TensorFlow环境使用

2.3 走向深度学习

2.2.4 激活函数

2.2.3多层神经网络

2.2.2 单层神经网络

2.2.1 感知器

2.2 人工神经网络

2.1 人脑神经网络

第2章 神经网络与深度学习

1.5.3 Deeplearning4j(DL4J)

1.5.2 Pytorch

1.5.1 TensorFlow

1.5 深度学习的主流框架

1.4 深度学习的应用

1.3 深度学习的优势

1.2 深度学习的定义

1.1 深度学习的起源与发展

第1章 深度学习简介

前言

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

前言

第1章 深度学习简介

1.1 深度学习的起源与发展

1.2 深度学习的定义

1.3 深度学习的优势

1.4 深度学习的应用

1.5 深度学习的主流框架

1.5.1 TensorFlow

1.5.2 Pytorch

1.5.3 Deeplearning4j(DL4J)

第2章 神经网络与深度学习

2.1 人脑神经网络

2.2 人工神经网络

2.2.1 感知器

2.2.2 单层神经网络

2.2.3多层神经网络

2.2.4 激活函数

2.3 走向深度学习

第3章 TensorFlow环境使用

3.1 TensorFlow简介

3.1.1 TensorFlow与Keras的关系

3.1.2 TensorFlow 1.x与TensorFlow 2.x的区别

3.2 TensorFlow基础

3.2.1 张量

3.2.2 变量

3.2.3 计算图

3.3 基于TensorFlow的深度学习建模

3.3.1 建模目的

3.3.2 数据处理

3.3.3 模型搭建

3.3.4 模型编译

3.3.5 模型训练

3.3.6 模型验证

3.3.7 模型保存

3.3.8 小结

3.4 基于TensorFlow的手写数字识别

3.4.1 数据简介

3.4.2 数据处理

3.4.3 模型搭建

3.4.4 模型调优

3.4.5 总结

第4章 卷积神经网络

4.1 什么是卷积神经网络

4.2 输入层

4.3 卷积层

4.3.1 填充

4.3.2 步幅

4.4 池化层

4.5 全连接层

4.6 Dropout

4.7 数据增强

4.8 典型卷积神经网络算法

4.8.1 LeNet-5网络

4.8.2 AlexNet

4.8.3 VGG16

4.9 卷积神经网络案例

4.9.1 数据简介

4.9.2 数据处理

4.9.3 模型搭建

4.9.4 总结

第5章 循环神经网络

5.1 什么是循环神经网络

5.2 长短期记忆和门控循环单元

5.2.1 长短期记忆（LSTM）

5.2.2 门控循环单元（GRU）

5.3 双向循环神经网络

5.4 深度循环神经网络案例

5.4.1 准备操作

5.4.2 数据简介

5.4.3 数据处理

5.4.4 网络模型搭建

5.4.5 模型训练

5.4.6 小结

第6章 迁移学习

6.1 什么是迁移学习

6.2 迁移学习的工作原理

6.3 迁移学习的优势

6.4 迁移学习的方法

6.5 微调

6.6 利用迁移学习对花进行分类

6.6.1 准备操作

6.6.2 数据处理

6.6.3 网络模型搭建

6.6.4 模型训练

6.6.5 微调