第4章 图像分类基础 一张图片胜过千言万语。我们不断地攫取视觉内容，解释它的含义，并且存储它们以备后用。 但是，对于计算机要解释一张图片的内容是很难的，因为计算机看到的图 ...

第5章图像分类的数据集 在我们实际进入到代码编写阶段来构建分类器之前，我们首先回顾下在本书中用到的数据集。一些数据集可理想的获得大于95%的准确率，另一些则还在开放研究阶段，还有一些是图像分类竞赛的 ...

第17章 发现过拟合和欠拟合 我们现在将更深入的研究和讨论在深度学习背景下的过拟合和欠拟合（underfitting and overfitting）。这里将提供一些图表来将它们匹配到你 ...

　　0、以作者的书籍开篇之语开始： 　　“The secret of getting ahead is to get started.” – Mark Twain 　　本书指导深度学 ...

第8章 参数化学习（parameterized learning） 前一章中，我们学习了KNN，虽然它简单但是不能从数据中学习，仅是利用了测试数据点和训练数据点之间的距离度量，这在数据量很大时，测试 ...

第11章 卷积神经网络（CNNs） 我们回顾了整个机器学习和深度学习知识，现在我们学习CNNs（Convolutional Neural Networks）以及它在深度学习中的作用。在传 ...

第7章 你的第一个分类器 在过去几章，我们花费时间讨论了图像基础、学习类型、甚至是构建图像分类器时的四个步骤，但是到目前为止我们还没有构建一个真正的自己的分类器。 我们 ...

　　第12章 训练你的第一个CNN 既然熟悉了CNN基础，我们将用python和keras实现我们的第一个CNN。我们通过快速的回顾当构建和训练你的CNNs时应当注意的keras配置开始 ...

第3章图像基础 　　在开始构建图像分类器之前，首先要理解图像是什么。首先要理解图像的基石——像素。 1 像素——图像的基石 　　像素是图像最原始的构建块。每副图像由像素集 ...

第15章 MiniVGGNet：更深的CNNs VGGNet（或简称为VGG），第一次在文献《Very Deep Learning Convolutional Neural Networ ...