- 2.1監(jiān)督學(xué)習(xí)
- 2.2為什么使用TensorFlow
- 2.3安裝Python
- 2.4安裝Virtualenv
- 2.5安裝Tenserflow（非GPU版本）
- 2.6Hello world
- 2.7MNIST手寫數(shù)據(jù)集
- 2.8讀取MNIST手寫數(shù)據(jù)（一）
- 2.9讀取MNIST手寫數(shù)據(jù)（二）
- 2.10讀取MNIST手寫數(shù)據(jù)（三）
- 2.11線性回歸模型
- 2.12深度神經(jīng)網(wǎng)絡(luò)模型
- 3.1轉(zhuǎn)型算法工程師：知識(shí)體系（一）
- 3.2轉(zhuǎn)型算法工程師：知識(shí)體系（二）
- 3.3轉(zhuǎn)型算法工程師：知識(shí)體系（三）
- 3.4轉(zhuǎn)型算法工程師：知識(shí)體系（四）
- 3.5轉(zhuǎn)型算法工程師：實(shí)戰(zhàn)經(jīng)驗(yàn)
- 3.6轉(zhuǎn)型算法工程師：認(rèn)知水平
- 3.7為什么學(xué)習(xí)圖像識(shí)別（一）
- 3.8為什么學(xué)習(xí)圖像識(shí)別（二）
- 3.9課程大綱
- 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深度學(xué)習(xí)知識(shí)點(diǎn)
- 3.16神經(jīng)元
- 3.17感知器
- 3.18人工神經(jīng)網(wǎng)絡(luò)
- 4.1監(jiān)督學(xué)習(xí)與前向運(yùn)算
- 4.2前向運(yùn)算舉例
- 4.3神經(jīng)網(wǎng)絡(luò)如何解決二分問(wèn)題
- 4.4矩陣乘法的幾何意義（一）
- 4.5矩陣乘法的幾何意義（二）
- 4.6隱層神經(jīng)元數(shù)量的作用
- 4.7反向傳播
- 4.8梯度下降（一）
- 4.9梯度下降（二）
- 4.10沖量梯度下降
- 4.11牛頓：拉普森算法
- 4.12牛頓法
- 4.13鏈?zhǔn)角髮?dǎo)（一）
- 4.14鏈?zhǔn)角髮?dǎo)（二）
- 4.15鏈?zhǔn)角髮?dǎo)練習(xí)
- 4.16學(xué)習(xí)率
- 4.17梯度消失與梯度爆炸
- 4.18凸函數(shù)和凸優(yōu)化
- 4.19總結(jié)
- 5.1大綱
- 5.2卷積層（一）
- 5.3卷積層（二）
- 5.4卷積運(yùn)算
- 5.5卷積核（一）
- 5.6卷積核（二）
- 5.7多通道神經(jīng)網(wǎng)絡(luò)輸入
- 5.8卷積核的重要參數(shù)
- 5.9權(quán)值共享
- 5.10為什么使用卷積
- 5.11步長(zhǎng)
- 5.12考慮步長(zhǎng)后的計(jì)算量估計(jì)（一）
- 5.13考慮步長(zhǎng)后的計(jì)算量估計(jì)（二）
- 5.14Padding
- 5.15減少參數(shù)增大感受野的方法
- 5.16TensorFlow定義卷積
- 5.17池化層
- 5.18激活函數(shù)（一）
- 5.19激活函數(shù)（二）
- 6.1BatchNorm層
- 6.2全連接層
- 6.3Dropout層
- 6.4損失層（一）
- 6.5損失層（二）
- 6.6損失層（三）
- 6.7損失層（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如何減少網(wǎng)絡(luò)計(jì)算量
- 6.17ResNet（一）
- 6.18ResNet（二）
- 6.19輕量級(jí)神經(jīng)網(wǎng)絡(luò)
- 6.20SqueezeNet
- 6.21MobileNet（一）
- 6.22MobileNet（二）
- 6.23ShuffleNet
- 6.24Xception
- 6.25從學(xué)院派到工程派
- 7.2TensorFlow1.0講解（一）
- 7.3TensorFlow1.0講解（二）
- 7.4TensorFlow1.0講解（三）
- 7.5TensorFlow1.0講解（四）
- 7.6安裝GPU版本的TensorFlow2.0
- 7.7TensorFlow2.0講解（一）
圖像識(shí)別，是指利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解，以識(shí)別各種不同模式的目標(biāo)和對(duì)象的技術(shù)，是應(yīng)用深度學(xué)習(xí)算法的一種實(shí)踐應(yīng)用。 [1] 現(xiàn)階段圖像識(shí)別技術(shù)一般分為人臉識(shí)別與商品識(shí)別，人臉識(shí)別主要運(yùn)用在安全檢查、身份核驗(yàn)與移動(dòng)支付中；商品識(shí)別主要運(yùn)用在商品流通過(guò)程中，特別是無(wú)人貨架、智能零售柜等無(wú)人零售領(lǐng)域
