深度學習——從零基礎快速入門到項目實踐

目錄

教學課件（PPT）

本書源碼

第1章Python編程基礎

1.1環境搭建

1.2基礎數據類型

1.2.1數值型

1.2.2字符串

1.2.3元組

1.2.4列表

1.2.5字典

1.2.6集合

1.2.7數據類型的轉換

1.3條件語句

1.4循環語句

1.5函數

1.6類

1.7文件處理

1.8異常處理

1.9模塊與包

1.10包的管理

1.11NumPy簡介

1.11.1NDArray的創建

1.11.2NDArray索引與切片

1.11.3NDArray常用運算函數

1.11.4NDArray廣播機制

1.12Pandas簡介

1.12.1Pandas對象的創建

1.12.2Pandas的索引與切片

1.12.3Pandas常用統計函數

1.12.4Pandas文件操作

1.13Matplotlib簡介

1.13.1Matplotlib基本使用流程

1.13.2Matplotlib繪直方圖、餅圖等

1.13.3Matplotlib繪三維圖像

1.14OpenCV簡介

1.14.1圖片的讀取和存儲

1.14.2畫矩形、圓形等

1.14.3在圖中增加文字

1.14.4讀取視頻或攝像頭中的圖像

第2章機器學習基礎

2.1HelloWorld之KNN算法

2.1.1KNN算法原理

2.1.2KNN算法代碼實現

2.2梯度下降

2.2.1什麽是梯度下降

2.2.2梯度下降的代碼實現

2.2.3SGD、BGD和MBGD

2.2.4Momentum優化算法

2.2.5NAG優化算法

2.2.6AdaGrad優化算法

2.2.7RMSProp優化算法

2.2.8AdaDelta優化算法

2.2.9Adam優化算法

2.2.10學習率的衰減

2.3線性回歸

2.3.1梯度下降求解線性回歸

2.3.2梯度下降求解多元線性回歸

2.4邏輯回歸

2.4.1最大似然估計

2.4.2梯度下降求解邏輯回歸

2.5聚類算法

2.6神經網絡

2.6.1什麽是神經網絡

2.6.2反向傳播算法

2.6.3Softmax反向傳播

2.7欠擬合與過擬合

2.8正則化

2.9梯度消失與梯度爆炸

第3章深度學習框架

3.1基本概念

3.2環境搭建

3.3TensorFlow基礎函數

3.3.1TensorFlow初始類型

3.3.2TensorFlow指定設備

3.3.3TensorFlow數學運算

3.3.4TensorFlow維度變化

3.3.5TensorFlow切片取值

3.3.6TensorFlow中gather取值

3.3.7TensorFlow中布爾取值

3.3.8TensorFlow張量合並

3.3.9TensorFlow網格坐標

3.3.10TensorFlow自動求梯度

3.4TensorFlow中的Keras模型搭建

3.4.1tf.keras簡介

3.4.2基於tf.keras.Sequential模型搭建

3.4.3繼承tf.keras.Model類模型搭建

3.4.4函數式模型搭建

3.5TensorFlow中模型的訓練方法

3.5.1使用model.fit訓練模型

3.5.2使用model.train_on_batch訓練模型

3.5.3自定義模型訓練

3.6TensorFlow中Metrics評價指標

3.6.1準確率

3.6.2精確率

3.6.3召回率

3.6.4PR曲線

3.6.5F1Score

3.6.6ROC曲線

3.6.7AUC曲線

3.6.8混淆矩陣

3.7TensorFlow中的推理預測

3.8PyTorch搭建神經網絡

3.8.1PyTorch中將數據轉換為張量

3.8.2PyTorch指定設備

3.8.3PyTorch數學運算

3.8.4PyTorch維度變化

3.8.5PyTorch切片取值

3.8.6PyTorch中gather取值

3.8.7PyTorch中布爾取值

3.8.8PyTorch張量合並

3.8.9PyTorch模型搭建

3.8.10PyTorch模型自定義訓練

3.8.11PyTorch調用Keras訓練

3.8.12PyTorch調用TorchMetrics評價指標

3.8.13PyTorch中推理預測

第4章捲積神經網絡

4.1捲積

4.1.1為什麽用捲積

4.1.2單通道捲積計算

4.1.3多通道捲積計算

4.1.4捲積padding和valid

4.1.5感受野

4.1.6捲積程序計算過程

4.2池化

4.3捲積神經網絡的組成要素

4.4常見捲積分類

4.4.1分組捲積

4.4.2逐點捲積

4.4.3深度可分離捲積

4.4.4空間可分離捲積

4.4.5空洞捲積

4.4.6轉置捲積

4.4.7可變形捲積

4.5捲積神經網絡LeNet5

4.5.1模型介紹

4.5.2代碼實戰

4.6深度捲積神經網絡AlexNet

4.6.1模型介紹

4.6.2代碼實戰

4.7使用重復元素的網絡VGG

4.7.1模型介紹

4.7.2代碼實戰

4.8合並連接網絡GoogLeNet

4.8.1模型介紹

4.8.2代碼實戰

4.9殘差網絡ResNet

4.9.1殘差塊

4.9.2歸一化

4.9.3模型介紹

4.9.4代碼實戰

4.10輕量級網絡MobiLeNet

4.10.1模型介紹

4.10.2註意力機制

4.10.3代碼實戰

4.11輕量級網絡ShuffLeNet

4.11.1模型介紹

4.11.2代碼實戰

4.12重參數網絡RepVGGNet

4.12.1模型介紹

4.12.2代碼實戰

第5章目標檢測

5.1標簽處理及代碼

5.2開山之作RCNN

5.2.1模型介紹

5.2.2代碼實戰選擇區域搜索

5.2.3代碼實戰正負樣本選擇

5.2.4代碼實戰特徵提取

5.2.5代碼實戰SVM分類訓練

5.2.6代碼實戰邊界框回歸訓練

5.2.7代碼實戰預測推理

5.3兩階段網絡Faster RCNN

5.3.1模型介紹

5.3.2代碼實戰RPN、ROI模型搭建

5.3.3代碼實戰RPN損失函數及訓練

5.3.4代碼實戰ROI損失函數及訓練

5.3.5代碼實戰預測推理

5.4單階段多尺度檢測網絡SSD

5.4.1模型介紹

5.4.2代碼實戰模型搭建

5.4.3代碼實戰建議框的生成

5.4.4代碼實戰損失函數的構建及訓練

5.4.5代碼實戰預測推理

5.5單階段速度快的檢測網絡YOLOv1

5.5.1模型介紹

5.5.2代碼實戰模型搭建

5.5.3無建議框時標註框編碼

5.5.4代碼實現損失函數的構建及訓練

5.5.5代碼實戰預測推理

5.6單階段速度快的檢測網絡YOLOv2

5.6.1模型介紹

5.6.2代碼實戰模型搭建

5.6.3代碼實戰聚類得到建議框寬和高

5.6.4代碼實戰建議框的生成

5.6.5代碼實現損失函數的構建及訓練

5.6.6代碼實戰預測推理

5.7單階段速度快多檢測頭網絡YOLOv3

5.7.1模型介紹

5.7.2代碼實戰模型搭建

5.7.3代碼實戰建議框的生成

5.7.4代碼實現損失函數的構建及訓練

5.7.5代碼實戰預測推理

5.8單階段速度快多檢測頭網絡YOLOv4

5.8.1模型介紹

5.8.2代碼實戰模型搭建

5.8.3代碼實戰建議框的生成

5.8.4代碼實現損失函數的構建及訓練

5.8.5代碼實戰預測推理

5.9單階段速度快多檢測頭網絡YOLOv5

5.9.1模型介紹

5.9.2代碼實戰模型搭建

5.9.3代碼實戰建議框的生成

5.9.4代碼實現損失函數的構建及訓練

5.9.5代碼實戰預測推理

5.10單階段速度快多檢測頭網絡YOLOv7

5.10.1模型介紹

5.10.2代碼實戰模型搭建

5.10.3代碼實戰建議框的生成

5.10.4代碼實現損失函數的構建及訓練

5.10.5代碼實戰預測推理

5.11數據增強

5.11.1數據增強的作用

5.11.2代碼實現CutOut數據增強

5.11.3代碼實現MixUp數據增強

5.11.4代碼實現隨機復制Label數據增強

5.11.5代碼實現Mosic數據增強

第6章項目實戰

6.1電腦視覺項目的工作流程

6.2條形碼項目實戰

6.2.1項目背景分析

6.2.2整體技術方案

6.2.3數據分佈分析

6.2.4參數設置

6.2.5訓練結果分析

6.2.6OpenCV DNN實現推理

參考文獻