人工智能
实用图像识别教程
课程目录
- 2.1监督学习
- 2.2为什么使用TensorFlow
- 2.3安装Python
- 2.4安装Virtualenv
- 2.5安装Tenserflow（非GPU版本）
- 2.6Hello world
- 2.7MNIST手写数据集
- 2.8读取MNIST手写数据（一）
- 2.9读取MNIST手写数据（二）
- 2.10读取MNIST手写数据（三）
- 2.11线性回归模型
- 2.12深度神经网络模型
- 3.1转型算法工程师：知识体系（一）
- 3.2转型算法工程师：知识体系（二）
- 3.3转型算法工程师：知识体系（三）
- 3.4转型算法工程师：知识体系（四）
- 3.5转型算法工程师：实战经验
- 3.6转型算法工程师：认知水平
- 3.7为什么学习图像识别（一）
- 3.8为什么学习图像识别（二）
- 3.9课程大纲
- 3.10第一次人工智能浪潮（一）
- 3.11第一次人工智能浪潮（二）
- 3.12第一次人工智能浪潮（三）
- 3.13第二次人工智能浪潮
- 3.14第三次人工智能浪潮
- 3.15深度学习知识点
- 3.16神经元
- 3.17感知器
- 3.18人工神经网络
- 4.1监督学习与前向运算
- 4.2前向运算举例
- 4.3神经网络如何解决二分问题
- 4.4矩阵乘法的几何意义（一）
- 4.5矩阵乘法的几何意义（二）
- 4.6隐层神经元数量的作用
- 4.7反向传播
- 4.8梯度下降（一）
- 4.9梯度下降（二）
- 4.10冲量梯度下降
- 4.11牛顿：拉普森算法
- 4.12牛顿法
- 4.13链式求导（一）
- 4.14链式求导（二）
- 4.15链式求导练习
- 4.16学习率
- 4.17梯度消失与梯度爆炸
- 4.18凸函数和凸优化
- 4.19总结
- 5.1大纲
- 5.2卷积层（一）
- 5.3卷积层（二）
- 5.4卷积运算
- 5.5卷积核（一）
- 5.6卷积核（二）
- 5.7多通道神经网络输入
- 5.8卷积核的重要参数
- 5.9权值共享
- 5.10为什么使用卷积
- 5.11步长
- 5.12考虑步长后的计算量估计（一）
- 5.13考虑步长后的计算量估计（二）
- 5.14Padding
- 5.15减少参数增大感受野的方法
- 5.16TensorFlow定义卷积
- 5.17池化层
- 5.18激活函数（一）
- 5.19激活函数（二）
- 6.1BatchNorm层
- 6.2全连接层
- 6.3Dropout层
- 6.4损失层（一）
- 6.5损失层（二）
- 6.6损失层（三）
- 6.7损失层（四）
- 6.8LeNet
- 6.9AlexNet
- 6.10ZFNet
- 6.11VGGNet
- 6.12GoogLeNet-Inception（一）
- 6.13GoogLeNet-Inception（二）
- 6.14GoogLeNet-Inception（三）
- 6.15GoogLeNet-Inception（四）
- 6.16如何减少网络计算量
- 6.17ResNet（一）
- 6.18ResNet（二）
- 6.19轻量级神经网络
- 6.20SqueezeNet
- 6.21MobileNet（一）
- 6.22MobileNet（二）
- 6.23ShuffleNet
- 6.24Xception
- 6.25从学院派到工程派
- 7.2TensorFlow1.0讲解（一）
- 7.3TensorFlow1.0讲解（二）
- 7.4TensorFlow1.0讲解（三）
- 7.5TensorFlow1.0讲解（四）
- 7.6安装GPU版本的TensorFlow2.0
- 7.7TensorFlow2.0讲解（一）
课程介绍
图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。 [1] 现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域
