1樓:大江東去
要實現影象識別的功能,現在最常用的是卷積神經網路吧。在卷積神經網路中,有比較基礎的,例如LeNet、AlexNet,也有比較新的,例如殘差網路、深度殘差收縮網路。
AlexNet是2023年在ImageNet分模擬賽中一鳴驚人的方法。
AlexNet
由於殘差網路包含了跨層恒等對映,更易於梯度傳播和引數優化。
殘差網路
[2]。
深度殘差收縮網路
2樓:萍水相逢
建議先簡單看下原理,然後從例子學起,然後慢慢再深入,黃文堅的tensorflow還不錯,書裡有很多例子。為了直接用書裡的例子,你tensorflow版本最好和書裡的一致。
3樓:南音
白話大資料與機器學習
白話深度學習與TensorFlow
看封面大概就知道適用人群了吧
(圖方便手機拍的,不接受為啥不用電腦截圖的吐槽)
4樓:itlr
Programming Computer Vision with Python: Techniques and Libraries for Imaging and Retrieving Information
5樓:辣椒麵
@issac Syndrome的回答較為完整了。這裡補充兩個有關深度學習的資料:
Hinton在coursera的神經網路課程:https://www.
coursera.org/course/neuralnets
另外一方面,如果做深度學習,可能需要使用GPU平行計算技術,當下最流行的GPU計算框架是CUDA ( https://
),這也是theano背後的支援技術。
6樓:Syndrome
這是乙個較完整的應用深度學習進行影象識別的學習路徑,不是深度學習的捷徑!
1. 模式識別
從你的描述問題的語言來看,題主似乎對模式識別沒有較高的認識。
所以在做基於深度學習的影象識別前,建議先大致閱讀模式識別和計算機視覺相關書籍。先理解影象這個資訊本身,才來嘗試識別。《學習OpenCV》,我覺得是一本非常好的上述領域入門書籍,也有python介面。
2.機器學習
不清楚你對機器學習及其相關領域的了解程度。在學習深度學習理論前,建議學習淺層模型及其理論。當然沒有特別好的中文書籍。
但《機器學習》,《統計學習方法》還是值得一看。外文推薦《Pattern Recognition and Machine Learning》和《Machine Learning: a Probabilistic Perspective》,後者包含了深度神經網路的章節。
3.深度學習
最後深度學習在python方面首推蒙特婁大學的Theano(Welcome — Theano 0.6 documentation)。其有對應的英文版深度學習教程(Contents — DeepLearning 0.
1 documentation),會涉及到淺層模型到深度模型的擴充套件。
我已經把部分文件翻譯為中文,放在github上。質量不佳,如果有興趣的可以一起加入(Syndrome777/DeepLearningTutorial · GitHub)。
另外有個斯坦福的文件,主要講解自動編碼機,有中文學者完成了翻譯(UFLDL教程 - Ufldl)。
深度學習很火,使得一部分同學急切的加入。但我還是建議首先先有模式識別和機器學習的基礎後再學習不遲,這樣打後期才會比較給力。
如何利用深度學習實現影象識別?
大煎餅 借助卷積神經網路或其變體,就可以實現。1 卷積神經網路 卷積神經網路最開始是用於手寫數字的識別,後來也用於影象中物體的識別。卷積神經網路 2 殘差網路 殘差網路是卷積神經網路的改進,新增了跨層連線。殘差網路 3 殘差收縮網路 殘差收縮網路 1 2 在殘差網路中又加入了軟閾值化,減輕了雜訊的影...
有從事影象識別 深度學習方面的大佬嗎,能告訴我,我應該怎麼去學習嗎?
東臨碣石 可以從簡單的深度學習演算法開始學,尤其是卷積神經網路的各種結構,例如1 AlexNet AlexNet是2012年的一種卷積神經網路結構,至今引用量已經超過8萬次。AlexNet 2 ResNet ResNet是卷積神經網路的一種變體,核心特色是跨層路徑。ResNet 3 殘差收縮網路 面...
深度學習做影象識別,和傳統方式比有啥好處?
少木 可以解決傳統方法沒法或者很難解決的問題。有些問題傳統方法需要大量的人為制定規則,而深度學習可以自動完成這一步。這兩者各有優劣,可以互為補充 DataXujing 兩種當時都有優點,都有弊端,深度學習做識別,精度高,不然大佬們還再搞傳統的一些辦法,特徵提取的過程是自學習的,泛化能力比較強,但是需...