动手学深度学习
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):