动手学深度学习 Logo
0.6
  • 前言
  • 预备知识
  • 深度学习模型基础
  • 深度学习计算基础
  • 卷积神经网络
  • 循环神经网络
  • 优化算法
  • 计算性能
  • 计算机视觉
    • 图片增广
    • Fine-tuning: 通过微调来迁移学习
    • 使用卷积神经网络的物体检测
    • SSD — 使用Gluon
    • YOLO — 使用Gluon
    • 语义分割:FCN
    • 样式迁移
    • 实战Kaggle比赛——使用Gluon对原始图像文件分类(CIFAR-10)
    • 实战Kaggle比赛——使用Gluon识别120种狗 (ImageNet Dogs)
  • 自然语言处理
  • 附录
动手学深度学习
  • Docs »
  • 计算机视觉
  • View page source

计算机视觉¶

  • 图片增广
    • 常用增广方法
    • 如何使用
    • 训练
    • 总结
    • 练习
  • Fine-tuning: 通过微调来迁移学习
    • 热狗识别
    • 结论
    • 练习
  • 使用卷积神经网络的物体检测
    • R-CNN:区域卷积神经网络
    • Fast R-CNN:快速的区域卷积神经网络
    • Faster R-CNN:更快速的区域卷积神经网络
    • Mask R-CNN
    • SSD: 单发多框检测器
    • YOLO:只需要看一遍
    • YOLO v2:更好,更快,更强
    • 总结
  • SSD — 使用Gluon
    • 数据集
    • SSD模型
    • 训练
    • 预测
    • 结论
    • 练习
  • YOLO — 使用Gluon
    • YOLO v2
    • 课后习题
  • 语义分割:FCN
    • 数据集
    • 全连接卷积网络
    • 训练
    • 预测
    • 总结
    • 练习
  • 样式迁移
    • 数据
    • 模型
    • 损失函数
    • 训练
    • 总结
    • 练习
  • 实战Kaggle比赛——使用Gluon对原始图像文件分类(CIFAR-10)
    • Kaggle中的CIFAR-10原始图像分类问题
    • 整理原始数据集
    • 使用Gluon读取整理后的数据集
    • 设计模型
    • 训练模型并调参
    • 对测试集分类
    • 作业(汇报作业和查看其他小伙伴作业):
  • 实战Kaggle比赛——使用Gluon识别120种狗 (ImageNet Dogs)
    • Kaggle中的CIFAR-10原始图像分类问题
    • 整理原始数据集
    • 使用Gluon读取整理后的数据集
    • 设计模型
    • 训练模型并调参
    • 对测试集分类
    • 作业(汇报作业和查看其他小伙伴作业):
Next Previous

© Copyright 2017, Contributors.

Built with Sphinx using a theme provided by Read the Docs.