移动深度学习
电子书推荐
-
Python深度学习-中文版 评分:
Francois Chollet的Deep Learning with Python中文版 第一部分 深度学习基础 第 1 章 什么是深度学习............................. 2 1.1 人工智能、机器学习与深度学习...............2 1.1.1 人工智能...........................................3 1.1.2 机器学习...........................................3 1.1.3 从数据中学习表示...........................4 1.1.4 深度学习之“深度”.........................6 1.1.5 用三张图理解深度学习的工作 原理 ..................................................7 1.1.6 深度学习已经取得的进展...............9 1.1.7 不要相信短期炒作...........................9 1.1.8 人工智能的未来.............................10 1.2 深度学习之前:机器学习简史.................11 1.2.1 概率建模.........................................11 1.2.2 早期神经网络.................................11 1.2.3 核方法.............................................12 1.2.4 决策树、随机森林与梯度 提升机 ............................................13 1.2.5 回到神经网络.................................14 1.2.6 深度学习有何不同.........................14 1.2.7 机器学习现状.................................15 1.3 为什么是深度学习,为什么是现在.........15 1.3.1 硬件.................................................16 1.3.2 数据.................................................17 1.3.3 算法.................................................17 1.3.4 新的投资热潮.................................17 1.3.5 深度学习的大众化.........................18 1.3.6 这种趋势会持续吗.........................18 第 2 章 神经网络的数学基础.....................20 2.1 初识神经网络.............................................20 2.2 神经网络的数据表示.................................23 2.2.1 标量(0D 张量).............................23 2.2.2 向量(1D 张量).............................24 2.2.3 矩阵(2D 张量).............................24 2.2.4 3D 张量与更高维张量...................24 2.2.5 关键属性.........................................25 2.2.6 在 Numpy 中操作张量...................26 2.2.7 数据批量的概念.............................27 2.2.8 现实世界中的数据张量.................27 2.2.9 向量数据.........................................27 2.2.10 时间序列数据或序列数据...........28 2.2.11 图像数据.......................................28 2.2.12 视频数据.......................................29 2.3 神经网络的“齿轮”:张量运算..............29 2.3.1 逐元素运算.....................................30 2.3.2 广播.................................................31 2.3.3 张量点积.........................................32 2.3.4 张量变形.........................................34 2.3.5 张量运算的几何解释.....................34 2.3.6 深度学习的几何解释.....................35 2.4 神经网络的“引擎”:基于梯度的 优化.............................................................36 2.4.1 什么是导数.....................................37 2.4.2 张量运算的导数:梯度.................38 2.4.3 随机梯度下降.................................38 2.4.4 链式求导:反向传播算法.............41 2.5 回顾第一个例子.........................................41 本章小结..............................................................422 目 录 第 3 章 神经网络入门 ...............................43 3.1 神经网络剖析.............................................43 3.1.1 层:深度学习的基础组件.............44 3.1.2 模型:层构成的网络.....................45 3.1.3 损失函数与优化器:配置学习 过程的关键 ....................................45 3.2 Keras 简介...................................................46 3.2.1 Keras、 TensorFlow、 Theano 和 CNTK..............................................47 3.2.2 使用 Keras 开发:概述 .................48 3.3 建立深度学习工作站.................................49 3.3.1 Jupyter 笔记本:运行深度学习 实验的首选方法 ............................49 3.3.2 运行 Keras:两种选择 ..................50 3.3.3 在云端运行深度学习任务: 优点和缺点 ....................................50 3.3.4 深度学习的最佳 GPU....................50 3.4 电影评论分类:二分类问题.....................51 3.4.1 IMDB 数据集 .................................51 3.4.2 准备数据.........................................52 3.4.3 构建网络.........................................52 3.4.4 验证你的方法.................................56 3.4.5 使用训练好的网络在新数据上 生成预测结果 ................................59 3.4.6 进一步的实验.................................59 3.4.7 小结.................................................59 3.5 新闻分类:多分类问题.............................59 3.5.1 路透社数据集.................................60 3.5.2 准备数据.........................................61 3.5.3 构建网络.........................................61 3.5.4 验证你的方法.................................62 3.5.5 在新数据上生成预测结果.............65 3.5.6 处理标签和损失的另一种方法.....65 3.5.7 中间层维度足够大的重要性.........65 3.5.8 进一步的实验.................................66 3.5.9 小结.................................................66 3.6 预测房价:回归问题.................................66 3.6.1 波士顿房价数据集.........................67 3.6.2 准备数据.........................................67 3.6.3 构建网络.........................................68 3.6.4 利用 K 折验证来验证你的 方法 ................................................68 3.6.5 小结.................................................72 本章小结..............................................................73 第 4 章 机器学习基础 ...............................74 4.1 机器学习的四个分支.................................74 4.1.1 监督学习.........................................74 4.1.2 无监督学习.....................................75 4.1.3 自监督学习.....................................75 4.1.4 强化学习.........................................75 4.2 评估机器学习模型.....................................76 4.2.1 训练集、验证集和测试集.............77 4.2.2 评估模型的注意事项.....................80 4.3 数据预处理、特征工程和特征学习.........80 4.3.1 神经网络的数据预处理.................80 4.3.2 特征工程.........................................81 4.4 过拟合与欠拟合.........................................83 4.4.1 减小网络大小.................................83 4.4.2 添加权重正则化.............................85 4.4.3 添加 dropout 正则化 ......................87 4.5 机器学习的通用工作流程.........................89 4.5.1 定义问题,收集数据集.................89 4.5.2 选择衡量成功的指标.....................89 4.5.3 确定评估方法.................................90 4.5.4 准备数据.........................................90 4.5.5 开发比基准更好的模型.................90 4.5.6 扩大模型规模:开发过拟合的 模型 ................................................91 4.5.7 模型正则化与调节超参数.............92 本章小结..............................................................921 3 5 7 10 2 4 6 8 9 11 目 录 3 第二部分 深度学习实践 第 5 章 深度学习用于计算机视觉 .............94 5.1 卷积神经网络简介.....................................94 5.1.1 卷积运算.........................................96 5.1.2 最大池化运算...............................101 5.2 在小型数据集上从头开始训练一个 卷积神经网络...........................................102 5.2.1 深度学习与小数据问题的 相关性 ..........................................103 5.2.2 下载数据.......................................103 5.2.3 构建网络.......................................106 5.2.4 数据预处理...................................107 5.2.5 使用数据增强...............................111 5.3 使用预训练的卷积神经网络...................115 5.3.1 特征提取.......................................116 5.3.2 微调模型.......................................124 5.3.3 小结...............................................130 5.4 卷积神经网络的可视化...........................130 5.4.1 可视化中间激活...........................131 5.4.2 可视化卷积神经网络的 过滤器 ..........................................136 5.4.3 可视化类激活的热力图...............142 本章小结............................................................146 第 6 章 深度学习用于文本和序列 ........... 147 6.1 处理文本数据...........................................147 6.1.1 单词和字符的 one-hot 编码 ........149 6.1.2 使用词嵌入...................................151 6.1.3 整合在一起:从原始文本到 词嵌入 ..........................................155 6.1.4 小结...............................................162 6.2 理解循环神经网络...................................162 6.2.1 Keras 中的循环层 ........................164 6.2.2 理解 LSTM 层和 GRU 层 ...........168 6.2.3 Keras 中一个 LSTM 的具体 例子 ..............................................170 6.2.4 小结...............................................172 6.3 循环神经网络的高级用法.......................172 6.3.1 温度预测问题...............................172 6.3.2 准备数据.......................................175 6.3.3 一种基于常识的、非机器学 习的基准方法 ..............................177 6.3.4 一种基本的机器学习方法...........178 6.3.5 第一个循环网络基准...................180 6.3.6 使用循环 dropout 来降低过 拟合 ..............................................181 6.3.7 循环层堆叠...................................182 6.3.8 使用双向 RNN .............................184 6.3.9 更多尝试.......................................187 6.3.10 小结.............................................187 6.4 用卷积神经网络处理序列.......................188 6.4.1 理解序列数据的一维卷积...........188 6.4.2 序列数据的一维池化...................189 6.4.3 实现一维卷积神经网络...............189 6.4.4 结合 CNN 和 RNN 来处理 长序列 ..........................................191 6.4.5 小结...............................................195 本章总结............................................................195 第 7 章 高级的深度学习最佳实践 ........... 196 7.1 不用 Sequential 模型的解决方案: Keras 函数式 API .....................................196 7.1.1 函数式 API 简介 ..........................199 7.1.2 多输入模型...................................200 7.1.3 多输出模型...................................202 7.1.4 层组成的有向无环图...................204 7.1.5 共享层权重...................................208 7.1.6 将模型作为层...............................208 7.1.7 小结...............................................209 7.2 使用 Keras 回调函数和 TensorBoard 来检查并监控深度学习模型...................210 7.2.1 训练过程中将回调函数作用于 模型 ..............................................2104 目 录 7.2.2 TensorBoard 简介: TensorFlow 的可视化框架 ..............................212 7.2.3 小结...............................................219 7.3 让模型性能发挥到极致...........................219 7.3.1 高级架构模式...............................219 7.3.2 超参数优化...................................222 7.3.3 模型集成.......................................223 7.3.4 小结...............................................224 本章总结............................................................225 第 8 章 生成式深度学习.......................... 226 8.1 使用 LSTM 生成文本 ..............................227 8.1.1 生成式循环网络简史...................227 8.1.2 如何生成序列数据.......................228 8.1.3 采样策略的重要性.......................229 8.1.4 实现字符级的 LSTM 文本 生成 ..............................................230 8.1.5 小结...............................................234 8.2 DeepDream................................................235 8.2.1 用 Keras 实现 DeepDream...........236 8.2.2 小结...............................................241 8.3 神经风格迁移...........................................241 8.3.1 内容损失.......................................242 8.3.2 风格损失.......................................243 8.3.3 用 Keras 实现神经风格迁移 .......243 8.3.4 小结...............................................249 8.4 用变分自编码器生成图像.......................249 8.4.1 从图像的潜在空间中采样...........249 8.4.2 图像编辑的概念向量...................250 8.4.3 变分自编码器...............................251 8.4.4 小结...............................................256 8.5 生成式对抗网络简介...............................257 8.5.1 GAN 的简要实现流程.................258 8.5.2 大量技巧.......................................259 8.5.3 生成器...........................................260 8.5.4 判别器...........................................261 8.5.5 对抗网络.......................................261 8.5.6 如何训练 DCGAN .......................262 8.5.7 小结...............................................264 本章总结............................................................264 第 9 章 总结............................................ 265 9.1 重点内容回顾...........................................265 9.1.1 人工智能的各种方法...................265 9.1.2 深度学习在机器学习领域 中的特殊之处 ..............................266 9.1.3 如何看待深度学习.......................266 9.1.4 关键的推动技术...........................267 9.1.5 机器学习的通用工作流程...........268 9.1.6 关键网络架构...............................268 9.1.7 可能性空间...................................272 9.2 深度学习的局限性...................................273 9.2.1 将机器学习模型拟人化的 风险 ..............................................273 9.2.2 局部泛化与极端泛化...................275 9.2.3 小结...............................................276 9.3 深度学习的未来.......................................277 9.3.1 模型即程序...................................277 9.3.2 超越反向传播和可微层...............278 9.3.3 自动化机器学习...........................279 9.3.4 终身学习与模块化子程序复用....279 9.3.5 长期愿景.......................................281 9.4 了解一个快速发展领域的最新进展.......281 9.4.1 使用 Kaggle 练习解决现实 世界的问题 ..................................281 9.4.2 在 arXiv 阅读最新进展 ...............282 9.4.3 探索 Keras 生态系统 ...................282 9.5 结束语.......................................................282 附录 A 在 Ubuntu 上安装 Keras 及其 依赖 ............................................ 283 附录 B 在 EC2 GPU 实例上运行 Jupyter 笔记本............................ 287
上传时间:2019-06 大小:17.35MB
- 1.35MB
python深度学习-pandas
2023-08-04python深度学习-pandas
- 3.1MB
Python深度学习基于Pytorch深度学习.pdf
2022-12-26机器视觉-深度学习
- 8KB
Python深度学习-1-8章代码.zip
2022-07-01Python深度学习-1-8章代码.zip
- 81.6MB
python深度学习-基于pytorch ppt.zip
2023-03-01python深度学习_基于pytorch ppt.zip
- 3.15MB
深度学习入门-Python语言学习-04循环-入门学习
2023-06-16深度学习入门-Python语言学习-04循环-入门学习
- 564KB
深度学习入门-Python语言学习-16异常-入门学习
2023-06-16深度学习入门-Python语言学习-16异常-入门学习
- 8.95MB
深度学习入门-Python语言学习-01Python简介及环境搭建-入门学习
2023-06-16深度学习入门-Python语言学习-01Python简介及环境搭建-入门学习
- 578KB
深度学习入门-Python语言学习-17模块和包-入门学习
2023-06-16深度学习入门-Python语言学习-17模块和包-入门学习
- 3.43MB
深度学习入门-Python语言学习-05字符串-入门学习
2023-06-16深度学习入门-Python语言学习-05字符串-入门学习
- 556KB
深度学习入门-Python语言学习-03条件语句-入门学习
2023-06-16深度学习入门-Python语言学习-03条件语句-入门学习
- 103KB
深度学习入门-Python语言学习-15面向对象其他-入门学习
2023-06-16深度学习入门-Python语言学习-15面向对象其他-入门学习
- 218KB
深度学习入门-Python语言学习-14面向对象继承-入门学习
2023-06-16深度学习入门-Python语言学习-14面向对象继承-入门学习
- 1.16MB
深度学习入门-Python语言学习-13面向对象基础-入门学习
2023-06-16深度学习入门-Python语言学习-13面向对象基础-入门学习
- 1.36MB
深度学习入门-Python语言学习-07集合和字典-入门学习
2023-06-16深度学习入门-Python语言学习-07集合和字典-入门学习
- 720KB
深度学习入门-Python语言学习-06列表和元组-入门学习
2023-06-16深度学习入门-Python语言学习-06列表和元组-入门学习
- 6.62MB
《Python深度学习》2018源代码_python代码资源_Python深度学习_深度学习_python_python深度学习
2021-09-10《Python深度学习》2018所有的源代码打包
- 293KB
深度学习入门-Python语言学习-11函数(三)-入门学习
2023-06-16深度学习入门-Python语言学习-11函数(三)-入门学习
- 478KB
深度学习入门-Python语言学习-10函数(二)-入门学习
2023-06-16深度学习入门-Python语言学习-10函数(二)-入门学习
- 1.91MB
深度学习入门-Python语言学习-09函数(一)-入门学习
2023-06-16深度学习入门-Python语言学习-09函数(一)-入门学习
- 6.77MB
基于Python+pytorch的图像处理+附完整代码图像处理,能够轻松实现图像的读取、显示、裁剪等还有机器学习等操作
2024-04-17Python+PyTorch:图像处理界的“瑞士军刀” 在图像处理这个充满魔法的世界里,Python和PyTorch这对黄金搭档,就像一位技艺高超的魔法师和一把无所不能的“瑞士军刀”,总能轻松解决各种看似棘手的难题。它们以高效、灵活和强大的特性,引领着图像处理技术的发展潮流,让无数开发者为之倾倒。Python,这位优雅的魔法师,以其简洁易懂的语法和丰富的库资源,赢得了广大开发者喜爱。无论是数据处理、机器学习还是深度学习,Python都能轻松应对,展现出其无与伦比的魅力。在图像处理领域,Python更是如鱼得水,通过OpenCV、PIL等库,能够轻松实现图像的读取、显示、裁剪、缩放、滤波等操作,让图像在指尖起舞。而PyTorch,这把图像处理界的“瑞士军刀”,则以其灵活性和易用性,成为深度学习领域的翘楚。它拥有强大的自动求导功能,能够轻松构建和训练复杂的神经网络模型。在图像处理中,PyTorch能够助力开发者构建出各种高效的图像识别、分割、生成等模型,让图像焕发出新的生机。想象一下,当你掌握了Python和PyTorch这对黄金搭档,就如同掌握了一把魔法杖和一把瑞士军刀。必然大可作为
- 29.74MB
python大作业 含爬虫、数据可视化、地图、报告、及源码(2016-2021全国各地区粮食产量).rar
2022-05-01(含源码及报告)本程序分析了自2016年到2021年(外加)每年我国原油加工的产量,并且分析了2020年全国各地区原油加工量等,含饼状图,柱状图,折线图,数据在地图上显示。运行本程序需要requests、bs4、csv、pandas、matplotlib、pyecharts库的支持,如果缺少某库请自行安装后再运行。文件含6个excel表,若干个csv文件以及一个名字为render的html文件(需要用浏览器打开),直观的数据处理部分是图片以及html文件,可在地图中显示,数据处理的是excel文件。不懂可以扫文件中二维码在QQ里面问。
- 0B
《点燃我温暖你》中李峋的同款爱心代码
2022-11-08python做的《点燃我温暖你》中李峋的同款爱心代码,最还原的
- 182KB
第十五届蓝桥杯大赛软件赛省赛-PythonB组题目
2024-04-13您正在寻找的是第十五届蓝桥杯大赛软件赛省赛Python B组的题目全集。蓝桥杯大赛作为国内知名的计算机程序设计竞赛,一直以来都以其高水平的题目和严格的评选标准而备受瞩目。本次大赛的Python B组题目更是涵盖了众多编程领域的知识点,无论是算法设计、数据结构还是编程技巧,都考验了参赛者的深厚实力。 这份题目全集以PDF格式呈现,清晰易读,方便您随时查阅和学习。每一道题目都经过精心设计和筛选,旨在考察参赛者的编程思维、问题解决能力以及创新能力。无论您是正在准备参赛的选手,还是对编程感兴趣的爱好者,这份题目集都将为您提供一个极好的学习和挑战的平台。 通过这份题目集,您可以深入了解蓝桥杯大赛的出题风格和难度,熟悉各种编程问题的解题思路和方法,从而提升自己的编程能力和竞技水平。此外,这些题目也是极好的练习材料,可以帮助您巩固和拓展编程知识,提高解决实际问题的能力。 适用人群: 蓝桥杯大赛参赛选手 计算机专业学生 编程爱好者 对算法和数据结构有兴趣的学习者 资源特点: 高质量的题目设计,涵盖广泛的知识点 清晰易读的PDF格式,方便查阅和学习 提供解题思路和方法,有助于提升编程能力
- 3.40MB
Python金融量化的高级库:TA-Lib-0.4.24(包含python3.7、3.8、3.9、3.10的32位和64位版本)
2023-08-02TA-Lib(Technical Analysis Library, 即技术分析库)是Python金融量化的高级库,涵盖了150多种股票、期货交易软件中常用的技术分析指标,如MACD、RSI、KDJ、动量指标、布林带等。但很多人安装指标计算ta-lib库就总报错,就可以在这里找到包下载后安装。 文件举例:TA_Lib‑0.4.24‑cp37‑cp37m‑win_amd64.whl 命名解释:包名-版本号-cp37代表适用于python3.7版本-win代表windows平台-amd64表示64位版本(与python版本要一致) 假定文件下载到d盘根目录,使用如下命令进行安装: pip install d:\TA_Lib‑0.4.24‑cp37‑cp37m‑win_amd64.whl 原文链接:https://blog.csdn.net/popboy29/article/details/126140862 建议使用360压缩进行解压。
- 6.40MB
大麦网抢票脚本【Python脚本】
2023-09-17Python脚本,使用Selenium 模拟浏览器操作。 在使用 Chrome 浏览器,用户可以使用鼠标滑动、按键点击以及键盘输入,作为信号输入设备向浏览器传达指令,浏览器收到指令后执行渲染。 这里提到的 Selenium WebDriver 是对浏览器提供的原生 API 进行封装,使用这套 API 可以操控浏览器的开启、关闭,打开网页,操作界面元素,控制 Cookie。简单说就是,可以通过写代码的方式来自动实现用户鼠标和键盘信号的输入。 由此实现模拟人为操作进行登录、验证、刷新网页以及点击购票等操作。
- 5.83MB
Python数据分析项目实践,包括数据读取、评估、清洗、分析、可视化机器学习相关内容等
2024-01-16Python数据分析项目实践,包括数据读取、评估、清洗、分析、可视化机器学习相关内容等
- 258.41MB
YOLOv8-火焰识别(火焰数据集+代码+GUI界面+内置训练好的模型文件)
2023-11-15教程请参考:https://blog.csdn.net/Little_Carter/article/details/131387425 欢迎浏览我的最新资源,这个全面的资源是为了帮助研究人员和开发者在火灾预防和安全监控领域取得突破而设计的。本资源包含以下几个关键部分: 1、火焰数据集:精心策划和注释的高质量火焰图像集,覆盖了不同类型和大小的火焰场景。这个数据集对于训练和测试火焰检测算法至关重要。 2、代码:完整的YOLOv8算法实现代码,针对火焰检测进行了优化。代码清晰、注释详细,易于理解和定制。 3、GUI界面:为了更方便地使用和展示火焰识别模型,我复现了一个直观的图形用户界面(GUI)。这个界面不仅易于操作,还可以实时展示检测结果。 4、内置训练好的模型文件:为了让用户能够即刻使用该工具,我提供了一个已经在火焰数据集上训练好的YOLOv8模型。这个模型经过精心训练,具有高精度和良好的泛化能力。 此外,我还提供了详细的安装和使用指南,帮助您轻松地部署和运行这个系统。无论您是在进行学术研究,还是在开发商业应用,这个资源都将是您不可或缺的工具。期待您的下载和反馈!
- 29.89MB
人脸识别系统OpenCV+dlib+python(含数据库)Pyqt5界面设计 项目源码 毕业设计
2023-10-20一、项目主要技术 Python语言、dlib、OpenCV、Pyqt5界面设计、sqlite3数据库 本系统使用dlib作为人脸识别工具,dlib提供一个方法可将人脸图片数据映射到128维度的空间向量,如果两张图片来源于同一个人,那么两个图片所映射的空间向量距离就很近,否则就会很远。因此,可以通过提取图片并映射到128维空间向量再度量它们的欧氏距离是否足够小来判定是否为同一个人。 二、方法实现、实现步骤 1、实例化人脸检测模型、人脸关键点检测模型、人脸识别模型 2、电脑摄像头设备加载一对图片 3、分别获取图片中的人脸图片所映射的空间向量,即人脸特征值 4、计算特征向量欧氏距离,根据阈值判断是否为同一个人 dlib人脸特征检测原理 1、提取特征点:例: 2、将特征值保存 3、计算特征数据集的欧氏距离作对比,当误差小于一定阙值就判定为同一人。 其他学习项目: OpenCV+dlib人脸识别门禁管理系统Python语言、dlib、OpenCV、Pyqt5、sqlite3数据库 OpenCV+dlib人脸识别考勤管理系统Python语言、dlib、OpenCV
- 508.88MB
Python教程2020版 完全入门 达到Python工程师水平 笔记+代码+课件+资料
2020-12-27Python教程2020版 完全入门 达到Python工程师水平 笔记+代码+课件+资料
- 22.34MB
Python学习笔记(干货) 中文PDF完整版.pdf
2023-05-231、Python环境搭建 1.1 Python简介 1.2 Python语言的发展历程 1.3 Python语言的主要特点 1.4 Python应用场景 1.5 Python环境搭建 1.6 第一个Python程序 1.7 集成开发工具 2、Python语法基础 2.1 Python中的输入输出函数 2.2 Python中的注释 2.3 Python中的变量 3、Python中的基本数据类型 3.1 整型-int 3.2 浮点型-float 3.3 布尔类型-bool 3.4 字符串类型-str 4、Python中的常见运算符 4.1 算术运算符 4.2 关系运算符 4.3 逻辑运算符 4.4 位运算符 4.5 成员运算符 4.6 身份运算符 5、Python中的分支结构 5.1 单向分支-if语句 5.2 双向分支-if 5.3 多分支-if 5.4 分支结构的嵌套 5.5 条件表达式 6、Python中的循环结构 6.1 while循环 6.2 for循环 6.3 循环结构嵌套