2020-09-14 23:34:51

docs/handson-cnn-tf/0.md

-# 前言
+# 零、前言
 
 本书旨在为您提供实用的机器学习动手入门，其目的是使任何人都可以在该领域开始工作。 我们将主要关注深度学习方法以及如何将其用于解决重要的计算机视觉问题，但是此处获得的知识可以转移到许多不同的领域。 在此过程中，读者还将掌握如何使用流行的深度学习库 TensorFlow。
 

docs/handson-cnn-tf/1.md

-# TensorFlow 的设置和介绍
+# 一、TensorFlow 的设置和介绍
 
 TensorFlow 是 Google 创建的开源软件库，可让您构建和执行数据流图以进行数值计算。 在这些图中，每个节点表示要执行的某些计算或功能，连接节点的图边缘表示它们之间流动的数据。 在 TensorFlow 中，数据是称为**张量**的多维数组。 张量围绕图流动，因此命名为 TensorFlow。
 

docs/handson-cnn-tf/10.md

-# 参考文献
+# 十、参考文献
 
 # 第 1 章
 

docs/handson-cnn-tf/2.md

-# 深度学习和卷积神经网络
+# 二、深度学习和卷积神经网络
 
 在开始本章之前，我们需要讨论一下 AI 和**机器学习**（**ML**）以及这两个组件如何组合在一起。 术语“人工”是指不真实或自然的事物，而“智能”是指能够理解，学习或能够解决问题的事物（在极端情况下，具有自我意识）。
 

docs/handson-cnn-tf/3.md

-# TensorFlow 中的图像分类
+# 三、TensorFlow 中的图像分类
 
 图像分类是指根据图像内容将图像分类的问题。 让我们从分类的示例任务开始，其中图片可能是狗的图像，也可能不是。 某人可能要完成此任务的一种简单方法是，像在第 1 章中所做的那样，获取输入图像，将其重塑为矢量，然后训练线性分类器（或其他某种分类器）。 但是，您很快就会发现此主意不好，原因有几个。 除了不能很好地缩放到输入图像的大小之外，线性分类器将很难将一个图像与另一个图像分开。
 

docs/handson-cnn-tf/4.md

-# 目标检测与分割
+# 四、目标检测与分割
 
 从上一章我们知道，当我们在输入图像中只有一个类的实例时，图像分类才真正处理这种情况。 即使那样，它也只能为我们提供粗略的输出，让我们知道图像中存在什么对象，但不知道它在哪里。 一个更有趣的情况是，当我们想查找一个类的所有实例，甚至多个不同的类在输入图像中的位置时。
 

docs/handson-cnn-tf/5.md

-# VGG，启动模块，残差和 MobileNets
+# 五、VGG，Inception，ResNet 和 MobileNets
 
 到目前为止，我们已经讨论了所有必要的构建块，以便能够实现常见问题（例如图像分类和检测）的解决方案。 在本章中，我们将讨论一些通用模型体系结构的实现，这些体系结构在许多常见任务中都表现出了很高的性能。 自从最初创建以来，这些体系结构一直很流行，并且在今天继续被广泛使用。
 

docs/handson-cnn-tf/6.md

-# 自编码器，变分自编码器和生成对抗网络
+# 六、自编码器，变分自编码器和生成对抗网络
 
 本章将介绍一种与到目前为止所看到的模型稍有不同的模型。 到目前为止提供的所有模型都属于一种称为判别模型的模型。 判别模型旨在找到不同类别之间的界限。 他们对找到`P(Y|X)`-给定某些输入`X`的输出`Y`的概率感兴趣。 这是用于分类的自然概率分布，因为您通常要在给定一些输入`X`的情况下找到标签`Y`。
 

docs/handson-cnn-tf/7.md

-# 迁移学习
+# 七、迁移学习
 
 迁移学习的作用恰如其名。 这个想法是将从一项任务中学到的东西转移到另一项任务上。 为什么？ 实际上，每次都从头开始训练整个模型的效率很低，其成功取决于许多因素。 另一个重要原因是，对于某些应用程序，公开可用的数据集不够大，无法训练出像 AlexNet 或 ResNet 这样的深层架构而又不会过拟合，这意味着无法推广。 示例应用程序可以从用户给出的一些示例中进行在线学习，也可以是细粒度的分类，其中类别之间的差异很小。
 

docs/handson-cnn-tf/8.md

-# 机器学习最佳实践和故障排除
+# 八、机器学习最佳实践和故障排除
 
 在机器学习工程中，至关重要的是要知道如何在系统开发过程中进行操作，以避免陷阱并解决常见问题。 创建机器学习系统（最节省时间和金钱）的最简单方法是重用已应用于您自己的类似问题的代码和预先训练的模型。 如果这不能满足您的需求，那么您可能需要训练自己的 CNN 体​​系结构，因为有时这可能是解决问题的最佳方法。 但是，面临的最大挑战之一是找到针对您的问题量身定制的大规模，公开可用的数据集。 因此，通常情况下，您可能需要创建自己的数据集。 创建自己的数据集时，至关重要的是适当组织它，以确保成功进行模型训练。
 

docs/handson-cnn-tf/9.md

-# 大规模训练
+# 九、大规模训练
 
 到目前为止，在本书中，我们使用或查看的数据集的大小从数万个（MNIST）样本到略超过一百万个（ImageNet）。 尽管所有这些数据集在刚推出时都被认为是巨大的，并且需要使用最先进的机器，但是 GPU 和云计算等技术的迅捷发展现已使它们易于训练。 由功率较低的机器的人。