深度學習 : 進階電腦視覺(GANs, SSD, +More!)

Contents

VGG、ResNet、Inception、SSD、RetinaNet、神經網路風格轉換、GANs + Tensorflow、Keras 和 Python 中的更多內容

從這 16 小時的課程，你會學到

理解並應用遷移學習( transfer learning )
了解和使用最先進的捲積神經網路，如 VGG、ResNet 和 Inception
了解並使用 SSD 這類的物件檢測演算法 ( object detection algorithms )
了解並應用神經網路風格轉換 ( neural style transfer )
理解最先進的電腦視覺主題
類別活化映射( Class Activation Maps )
生成對抗網路 (GANs，Generative Adversarial Networks)
物件定位實施專案

要求

知道如何使用某些程式庫來建立、訓練和運用 CNN（最好使用 Python）
理解卷積和神經網路背後的基本理論概念
夠水準的 Python 程式技巧，最好有資料科學和 Numpy Stack 方面的技術

課程說明

最新更新：我將向你展示如何使用更好、更現代的 RetinaNet，而不是 SSD。我將向你展示如何使用預訓練模型以及如何使用 Google Colab 上的自定義數據集自行訓練模型。

這是我所做過的最令人興奮的課程之一，它顯示了深度學習這些年來走得有多快又遠。

當我第一次開始製作我的深度學習系列時，我從未想過我會在卷積神經網路上做到兩門課程。

我想你會發現，這個課程與以前的課程完全不同，你會對我們還要學多少內容印象深刻。

讓我簡單介紹一下這門課的內容：

我們將彌合你已經知道和喜愛的基本 CNN 架構與 VGG、ResNet 和 Inception (以電影全面啟動命名，順便說一下，這也很棒！）等現代新穎架構之間的差距

我們將把這些應用於血液細胞影像，並建立一個比你我更好的醫學專家系統。這帶來了一個迷人的想法：未來的醫生不是人類，而是機器人。

在本課程中，你將看到我們如何將 CNN 變成一個物件檢測( object detection )系統，該系統不僅可以對圖像進行分類，還可以定位圖像中的每個物件並預測其標籤( label )。

你可以想像，這樣的任務是自動駕駛車輛的基本先決條件。（它必須能夠實時檢測汽車、行人、自行車、交通信號燈等）

我們將研究一種名為 SSD 的最先進的演算法，它比以前的演算法更快、更準確。

使用 CNN 的另一個非常流行的電腦視覺任務被稱為神經網路風格轉換( neural style transfer ）。

在這裡你可以拍攝一張名為內容圖像( content image )的圖像，另一張圖像稱為樣式圖像( style image )，然後將這些圖像合併為一個全新的圖像，就好像你聘用了一位畫家以後面那張圖像的樣式來繪製第一張的內容。與人類畫家不同，這可以在幾秒鐘內完成。

我希望你很高興能夠了解這些 CNN 的進階應用，我會在課堂上見到你！

很棒的事實：

本課程的主要主題之一是我們正在從 CNN 本身轉移到涉及 CNN 的系統。
我們不再關注 CNN 的詳細內部工作（我們已經完成了），而是專注於高級建構模塊。結果？幾乎沒有用到數學。
另一個結果？沒有像 Tensorflow、Theano 或 PyTorch 的那樣複雜的低階程式碼 ( 儘管一些選擇性的練習可能包含，給非常高級的學生練習）。大部分課程將用 Keras ，這意味著很多乏味、重複的東西都是為你寫的。

注意：

所有的課程代碼都可以從我的github下載：

/ lazyprogrammer/ machine_learning_examples

在目錄中：cnn_class2

確保你總是用“ git pull ”，如此你總是拿到最新版本！

提示(通過課程)：

以 2x 觀看。
拿手寫筆記。這將大大增加你記住訊息的能力。
寫下方程。如果你不這樣做，我保證它看起來像亂碼。
在討論板上提出許多問題。越多越好！
意識到大多數練習將需要幾天或幾週才能完成。
自己編寫程式碼，不要只是坐在那裡看我寫程式。

修課順序

查看講座 “ What order should I take your courses in?” （可在我的任何課程的附錄中找到，包括免費的 Numpy 課程）

目標受眾

希望將電腦視覺和深度學習知識提升到更高水平的學生和專業人員
任何想學習 SSD 和 YOLO 等物件檢測演算法的人
任何想學習如何編寫神經風格轉移程式碼的人
任何想使用轉移學習的人
任何希望縮短培訓時間、快速建立最先進的電腦視覺網路的人

講師簡介

Lazy Programmer Inc 資料科學家和大數據工程師 ( 更多講師主講課程介紹 )

我是一名資料科學家、大數據工程師和全端軟體工程師。

我有電腦工程的碩士，專長為機器學習和模式辨識。

我曾在網路廣告和數位媒體企業擔任過資料科學家和大數據工程師，圍繞所謂的資料建構各種高流量的 web 服務。我曾經使用 Hadoop / Pig / MapReduce 創建新的大數據管道，也曾建立機器學習模型來預測點擊率，使用線性迴歸、Bayesian Bandits 和協同過濾 ( collaborative filtering )建立新聞推薦系統，並使用A / B測試驗證結果。

我曾在大學部與研究所教授資料科學、統計學、機器學習、演算法、微積分、電腦圖學和物理學，任職的學校如哥倫比亞大學、紐約大學、Hunter 學院和 The New School。

有多家企業已從我的 Web 程式設計專業知識中受益。我做所有的後端(伺服器)、前端（HTML / JS / CSS）和運營/佈署工作。我使用的技術包含：Python、Ruby / Rails、PHP、Bootstrap、jQuery（Javascript）、Backbone 和 Angular。至於儲存/資料庫，我採用 MySQL、Postgres、Redis、MongoDB等。