更新时间：2019-08-15 18:07:28
封面
版权信息
前言
第1章 机器视觉在行业中的应用
1.1 机器视觉的发展背景
1.1.1 人工智能
1.1.2 机器视觉
1.2 机器视觉的主要应用场景
1.2.1 人脸识别
1.2.2 视频监控分析
1.2.3 工业瑕疵检测
1.2.4 图片识别分析
1.2.5 自动驾驶/驾驶辅助
1.2.6 三维图像视觉
1.2.7 医疗影像诊断
1.2.8 文字识别
1.2.9 图像/视频的生成及设计
1.3 本章小结
第2章 图像识别前置技术
2.1 深度学习框架
2.1.1 Theano
2.1.2 Tensorflow
2.1.3 MXNet
2.1.4 Keras
2.1.5 PyTorch
2.1.6 Caffe
2.2 搭建图像识别开发环境
2.2.1 Anaconda
2.2.2 conda
2.2.3 Pytorch的下载与安装
2.3 Numpy使用详解
2.3.1 创建数组
2.3.2 创建Numpy数组
2.3.3 获取Numpy属性
2.3.4 Numpy数组索引
2.3.5 切片
2.3.6 Numpy中的矩阵运算
2.3.7 数据类型转换
2.3.8 Numpy的统计计算方法
2.3.9 Numpy中的arg运算
2.3.10 FancyIndexing
2.3.11 Numpy数组比较
2.4 本章小结
第3章 图像分类之KNN算法
3.1 KNN的理论基础与实现
3.1.1 理论知识
3.1.2 KNN的算法实现
3.2 图像分类识别预备知识
3.2.1 图像分类
3.2.2 图像预处理
3.3 KNN实战
3.3.1 KNN实现MNIST数据分类
3.3.2 KNN实现Cifar10数据分类
3.4 模型参数调优
3.5 本章小结
第4章 机器学习基础
4.1 线性回归模型
4.1.1 一元线性回归
4.1.2 多元线性回归
4.2 逻辑回归模型
4.2.1 Sigmoid函数
4.2.2 梯度下降法
4.2.3 学习率η的分析
4.2.4 逻辑回归的损失函数
4.2.5 Python实现逻辑回归
4.3 本章小结
第5章 神经网络基础
5.1 神经网络
5.1.1 神经元
5.1.2 激活函数
5.1.3 前向传播
5.2 输出层
5.2.1 Softmax
5.2.2 one-hotencoding
5.2.3 输出层的神经元个数
5.2.4 MNIST数据集的前向传播
5.3 批处理
5.4 广播原则
5.5 损失函数
5.5.1 均方误差
5.5.2 交叉熵误差
5.5.3 Mini-batch
5.6 最优化
5.6.1 随机初始化
5.6.2 跟随梯度（数值微分）
5.7 基于数值微分的反向传播
5.8 基于测试集的评价
5.9 本章小结
第6章 误差反向传播
6.1 激活函数层的实现
6.1.1 ReLU反向传播实现
6.1.2 Sigmoid反向传播实现
6.2 Affine层的实现
6.3 Softmaxwithloss层的实现
6.4 基于数值微分和误差反向传播的比较
6.5 通过反向传播实现MNIST识别
6.6 正则化惩罚
6.7 本章小结
第7章 PyTorch实现神经网络图像分类
7.1 PyTorch的使用
