- 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)
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