[套装书]Python深度学习：基于PyTorch+Python人脸识别：从入门到工程实践（2册）

作者
吴茂贵 郁明敏 杨本法 李涛 张粤磊王天庆
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9781911041740
简要
简介
这是一本基于最新的Python和PyTorch版本的深度学习著作，旨在帮助读者低门槛进入深度学习领域，轻松速掌握深度学习的理论知识和实践方法，快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶，从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。 本书共16章，分为三部分： 第一部分（第1~4章） PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用，然后从多个角度讲解了Pytorch的必备基础知识，最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分（第5~8章） 深度学习基础 这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧，涵盖视觉处理、NLP和生成式深度学习等主题。 第三部分（第9~16章） 深度学习实践 这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案，具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。 ---------------------------Python人脸识别：从入门到工程实践--------------------------- . 内容简介 这是一本面向初学者的人脸识别工具书，不仅适合零基础的读者快速入门，而且适合有一定基础的读者迅速达到可以进行工程实践的水平。 作者就职于某世界100强企业，在人脸识别方面积累了丰富的工程实践经验，本书不仅详细介绍了机器学习、深度学习、计算机视觉、人脸识别等方面的原理、技术和算法，而且还通过相关的实战案例讲解了如何进行人脸识别方面的实践，以及如何将做好的模型用于工程实践中。同时，本书还提供了大量简洁、精炼的代码，能帮助读者从零开始实现一个工程级别的人脸识别引擎。 全书一共8章： 第1章介绍了人脸识别的基础和必备常识； 第2-4章详细讲解了与人脸识别相关的数学、机器学习、计算机视觉、OpenCV相关的基础和算法； 第5章讲解了深度学习的原理以及使用Keras实现深度学习模型的方法； 第6章介绍了常用的人脸识别算法； 第7~8章详细讲解了人脸识别引擎的实现方法以及如何将做好的模型进行工程化。
目录



---------------------------Python深度学习：基于PyTorch---------------------------


前言
第一部分　PyTorch基础
第1章　Numpy基础2
1.1　生成Numpy数组3
1.1.1　从已有数据中创建数组3
1.1.2　利用random模块生成数组4
1.1.3　创建特定形状的多维数组5
1.1.4　利用arange、linspace函数生成数组6
1.2　获取元素7
1.3　Numpy的算术运算9
1.3.1　对应元素相乘9
1.3.2　点积运算10
1.4　数组变形11
1.4.1　更改数组的形状11
1.4.2　合并数组14
1.5　批量处理16
1.6　通用函数17
1.7　广播机制19
1.8　小结20
第2章　PyTorch基础21
2.1　为何选择PyTorch？21
2.2　安装配置22
2.2.1　安装CPU版PyTorch22
2.2.2　安装GPU版PyTorch24
2.3　Jupyter Notebook环境配置26
2.4　Numpy与Tensor28
2.4.1　Tensor概述28
2.4.2　创建Tensor28
2.4.3　修改Tensor形状30
2.4.4　索引操作31
2.4.5　广播机制32
2.4.6　逐元素操作32
2.4.7　归并操作33
2.4.8　比较操作34
2.4.9　矩阵操作35
2.4.10　PyTorch与Numpy比较35
2.5　Tensor与Autograd36
2.5.1　自动求导要点36
2.5.2　计算图37
2.5.3　标量反向传播38
2.5.4　非标量反向传播39
2.6　使用Numpy实现机器学习41
2.7　使用Tensor及Antograd实现机器学习44
2.8　使用TensorFlow架构46
2.9　小结48
第3章　PyTorch神经网络工具箱49
3.1　神经网络核心组件49
3.2　实现神经网络实例50
3.2.1　背景说明51
3.2.2　准备数据52
3.2.3　可视化源数据53
3.2.4　构建模型53
3.2.5　训练模型54
3.3　如何构建神经网络？56
3.3.1　构建网络层56
3.3.2　前向传播57
3.3.3　反向传播57
3.3.4　训练模型58
3.4　神经网络工具箱nn58
3.4.1　nn.Module58
3.4.2　nn.functional58
3.5　优化器59
3.6　动态修改学习率参数60
3.7　优化器比较60
3.8　小结62
第4章　PyTorch数据处理工具箱63
4.1　数据处理工具箱概述63
4.2　utils.data简介64
4.3　torchvision简介66
4.3.1　transforms67
4.3.2　ImageFolder67
4.4　可视化工具69
4.4.1　tensorboardX简介69
4.4.2　用tensorboardX可视化神经网络71
4.4.3　用tensorboardX可视化损失值72
4.4.4　用tensorboardX可视化特征图73
4.5　本章小结74
第二部分　深度学习基础
第5章　机器学习基础76
5.1　机器学习的基本任务76
5.1.1　监督学习77
5.1.2　无监督学习77
5.1.3　半监督学习78
5.1.4　强化学习78
5.2　机器学习一般流程78
5.2.1　明确目标79
5.2.2　收集数据79
5.2.3　数据探索与预处理79
5.2.4　选择模型及损失函数80
5.2.5　评估及优化模型81
5.3　过拟合与欠拟合81
5.3.1　权重正则化82
5.3.2　Dropout正则化83
5.3.3　批量正则化86
5.3.4　权重初始化88
5.4　选择合适激活函数89
5.5　选择合适的损失函数90
5.6　选择合适优化器92
5.6.1　传统梯度优化的不足93
5.6.2　动量算法94
5.6.3　AdaGrad算法96
5.6.4　RMSProp算法97
5.6.5　Adam算法98
5.7　GPU加速99
5.7.1　单GPU加速100
5.7.2　多GPU加速101
5.7.3　使用GPU注意事项104
5.8　本章小结104
第6章　视觉处理基础105
6.1　卷积神经网络简介105
6.2　卷积层107
6.2.1　卷积核108
6.2.2　步幅109
6.2.3　填充111
6.2.4　多通道上的卷积111
6.2.5　激活函数113
6.2.6　卷积函数113
6.2.7　转置卷积114
6.3　池化层115
6.3.1　局部池化116
6.3.2　全局池化117
6.4　现代经典网络119
6.4.1　LeNet-5模型119
6.4.2　AlexNet模型120
6.4.3　VGG模型121
6.4.4　GoogleNet模型122
6.4.5　ResNet模型123
6.4.6　胶囊网络简介124
6.5　PyTorch实现CIFAR-10多分类125
6.5.1　数据集说明125
6.5.2　加载数据125
6.5.3　构建网络127
6.5.4　训练模型128
6.5.5　测试模型129
6.5.6　采用全局平均池化130
6.5.7　像Keras一样显示各层参数131
6.6　模型集成提升性能133
6.6.1　使用模型134
6.6.2　集成方法134
6.6.3　集成效果135
6.7　使用现代经典模型提升性能136
6.8　本章小结137
第7章　自然语言处理基础138
7.1　循环神经网络基本结构138
7.2　前向传播与随时间反向传播140
7.3　循环神经网络变种143
7.3.1　LSTM144
7.3.2　GRU145
7.3.3　Bi-RNN146
7.4　循环神经网络的PyTorch实现146
7.4.1　RNN实现147
7.4.2　LSTM实现149
7.4.3　GRU实现151
7.5　文本数据处理152
7.6　词嵌入153
7.6.1　Word2Vec原理154
7.6.2　CBOW模型155
7.6.3　Skip-Gram模型155
7.7　PyTorch实现词性判别156
7.7.1　词性判别主要步骤156
7.7.2　数据预处理157
7.7.3　构建网络157
7.7.4　训练网络158
7.7.5　测试模型160
7.8　用LSTM预测股票行情160
7.8.1　 导入数据160
7.8.2　数据概览161
7.8.3　预处理数据162
7.8.4　定义模型163
7.8.5　训练模型163
7.8.6　测试模型164
7.9　循环神经网络应用场景165
7.10　小结166
第8章　生成式深度学习167
8.1　用变分自编码器生成图像167
8.1.1　自编码器168
8.1.2　变分自编码器168
8.1.3　用变分自编码器生成图像169
8.2　GAN简介173
8.2.1　GAN架构173
8.2.2　GAN的损失函数174
8.3　用GAN生成图像175
8.3.1　判别器175
8.3.2　生成器175
8.3.3　训练模型175
8.3.4　可视化结果177
8.4　VAE与GAN的优缺点178
8.5　ConditionGAN179
8.5.1　CGAN的架构179
8.5.2　CGAN生成器180
8.5.3　CGAN判别器180
8.5.4　CGAN损失函数181
8.5.5　CGAN可视化181
8.5.6　查看指定标签的数据182
8.5.7　可视化损失值182
8.6　DCGAN183
8.7　提升GAN训练效果的一些技巧184
8.8　小结185
第三部分　深度学习实践
第9章　人脸检测与识别188
9.1　人脸识别一般流程188
9.2　人脸检测189
9.2.1　目标检测189
9.2.2　人脸定位191
9.2.3　人脸对齐191
9.2.4　MTCNN算法192
9.3　特征提取193
9.4　人脸识别198
9.4.1　人脸识别主要原理198
9.4.2　人脸识别发展198
9.5　PyTorch实现人脸检测与识别199
9.5.1　验证检测代码199
9.5.2　检测图像200
9.5.3　检测后进行预处理200
9.5.4　查看经检测后的图像201
9.5.5　人脸识别202
9.6　小结202
第10章　迁移学习实例203
10.1　迁移学习简介203
10.2　特征提取204
10.2.1　PyTorch提供的预处理模块205
10.2.2　特征提取实例206
10.3　数据增强209
10.3.1　按比例缩放209
10.3.2　裁剪210
10.3.3　翻转210
10.3.4　改变颜色211
10.3.5　组合多种增强方法211
10.4　微调实例212
10.4.1　数据预处理212
10.4.2　加载预训练模型213
10.4.3　修改分类器213
10.4.4　选择损失函数及优化器213
10.4.5　训练及验证模型214
10.5　清除图像中的雾霾214
10.6　小结217
第11章　神经网络机器翻译实例218
11.1　Encoder-Decoder模型原理218
11.2　注意力框架220
11.3　PyTorch实现注意力Decoder224
11.3.1　构建Encoder224
11.3.2　构建简单Decoder225
11.3.3　构建注意力Decoder226
11.4　用注意力机制实现中英文互译227
11.4.1　导入需要的模块228
11.4.2　数据预处理228
11.4.3　构建模型231
11.4.4　训练模型234
11.4.5　随机采样，对模型进行测试235
11.4.6　可视化注意力236
11.5　小结237
第12章　实战生成式模型238
12.1　DeepDream模型238
12.1.1　Deep Dream原理238
12.1.2　DeepDream算法流程239
12.1.3　用PyTorch实现Deep Dream240
12.2　风格迁移243
12.2.1　内容损失244
12.2.2　风格损失245
12.2.3　用PyTorch实现神经网络风格迁移247
12.3　PyTorch实现图像修复252
12.3.1　网络结构252
12.3.2　损失函数252
12.3.3　图像修复实例253
12.4　PyTorch实现DiscoGAN255
12.4.1　DiscoGAN架构256
12.4.2　损失函数258
12.4.3　DiscoGAN实现258
12.4.4　用PyTorch实现从边框生成鞋子260
12.5　小结262
第13章　Caffe2模型迁移实例263
13.1　Caffe2简介263
13.2　Caffe如何升级到Caffe2264
13.3　PyTorch如何迁移到Caffe2265
13.4　小结268
第14章　AI新方向：对抗攻击269
14.1　对抗攻击简介269
14.1.1　白盒攻击与黑盒攻击270
14.1.2　无目标攻击与有目标攻击270
14.2　常见对抗样本生成方式271
14.2.1　快速梯度符号法271
14.2.2　快速梯度算法271
14.3　PyTorch实现对抗攻击272
14.3.1　实现无目标攻击272
14.3.2　实现有目标攻击274
14.4　对抗攻击和防御措施276
14.4.1　对抗攻击276
14.4.2　常见防御方法分类276
14.5　总结277
第15章　强化学习278
15.1　强化学习简介278
15.2　Q-Learning原理281
15.2.1　Q-Learning主要流程281
15.2.2　Q函数282
15.2.3　贪婪策略283
15.3　用PyTorch实现Q-Learning283
15.3.1　定义Q-Learing主函数283
15.3.2　执行Q-Learing284
15.4　SARSA算法285
15.4.1　SARSA算法主要步骤285
15.4.2　用PyTorch实现SARSA算法286
15.5　小结287
第16章　深度强化学习288
16.1　DQN算法原理288
16.1.1　Q-Learning方法的局限性289
16.1.2　用DL处理RL需要解决的问题289
16.1.3　用DQN解决方法289
16.1.4　定义损失函数290
16.1.5　DQN的经验回放机制290
16.1.6　目标网络290
16.1.7　网络模型291
16.1.8　DQN算法291
16.2　用PyTorch实现DQN算法292
16.3　小结295
附录A　PyTorch0.4版本变更296
附录B　AI在各行业的最新应用301



---------------------------Python人脸识别：从入门到工程实践---------------------------


前言
第1章　人脸识别入门1
1.1　人脸识别概况1
1.1.1　何为人脸识别1
1.1.2　人脸识别的应用2
1.1.3　人脸识别的目标4
1.1.4　人脸识别的一般方法5
1.2　人脸识别发展状况8
1.2.1　人脸识别历史沿革8
1.2.2　DT时代的呼唤10
1.2.3　计算机视觉的新起点10
1.3　本章小结12
第2章　数学与机器学习基础13
2.1　矩阵13
2.1.1　矩阵的形式13
2.1.2　行列式14
2.1.3　转置15
2.1.4　矩阵的一般运算15
2.2　向量17
2.2.1　向量的形式18
2.2.2　向量的点乘18
2.2.3　向量的范数19
2.3　距离度量19
2.3.1　欧式距离19
2.3.2　曼哈顿距离20
2.3.3　余弦距离20
2.3.4　汉明距离21
2.4　卷积22
2.4.1　一维卷积22
2.4.2　二维卷积23
2.5　机器学习基础25
2.5.1　机器学习类别25
2.5.2　分类算法26
2.6　本章小结38
第3章　计算机视觉原理与应用39　
3.1　计算机视觉介绍39
3.2　颜色模型40
3.2.1　彩色图像40
3.2.2　灰度图像与二值图像42
3.3　信号与噪声44
3.3.1　信号44
3.3.2　噪声45
3.4　图像滤波45
3.4.1　均值滤波45
3.4.2　中值滤波47
3.5　图像的几何变换47
3.5.1　平移48
3.5.2　旋转49
3.5.3　缩放50
3.6　图像特征50
3.6.1　灰度直方图50
3.6.2　LBP特征51
3.6.3　Haar特征52
3.6.4　HOG特征54
3.7　本章小结56
第4章　OpenCV基础与应用58
4.1　OpenCV介绍58
4.2　科学计算库Numpy59
4.2.1　array类型60
4.2.2　线性代数相关62
4.2.3　矩阵的高级函数64
4.3　OpenCV基本操作70
4.4　图像的基本变换72
4.4.1　颜色变换72
4.4.2　几何变换80
4.4.3　图像噪声处理83
4.5　本章小结86
第5章　深度学习与Keras工程实践87
5.1　深度学习介绍87
5.2　Keras框架简介89
5.3　Keras的使用方法91
5.3.1　深度学习的原理91
5.3.2　Keras神经网络堆叠的两种方法92
5.4　常用的神经网络层96
5.4.1　全连接层96
5.4.2　二维卷积层98
5.4.3　池化层100
5.4.4　BN层103
5.4.5　dropout层105
5.4.6　flatten层106
5.5　激活函数108
5.5.1　Sigmoid激活函数108
5.5.2　Softmax激活函数109
5.5.3　ReLU激活函数110
5.5.4　Keras中激活函数的使用111
5.6　优化器112
5.6.1　SGD优化器113
5.6.2　Adadelta优化器116
5.7　损失函数117
5.7.1　均方误差117
5.7.2　交叉熵损失函数118
5.7.3　Keras提供的损失函数120
5.8　模型评估方法122
5.8.1　交叉验证122
5.8.2　分类器性能评估124
5.9　数据增强127
5.9.1　数据增强概述128
5.9.2　Keras实现数据增强129
5.9.3　自己实现数据增强133
5.10　Keras的工程实践134
5.10.1　训练时的回调函数135
5.10.2　打印网络信息137
5.10.3　输出网络结构图139
5.10.4　获取某层的输出140
5.11　本章小结142
第6章　常用人脸识别算法143
6.1　特征脸法143
6.2　OpenCV的方法146
6.2.1　人脸检测方法147
6.2.2　人脸识别方法149
6.3　Dlib的人脸检测方法151
6.4　基于深度学习的图片特征提取152
6.4.1　AlexNet152
6.4.2　VGGNet155
6.4.3　GoogLeNet157
6.4.4　ResNet160
6.5　基于深度学习的人脸检测161
6.5.1　基于深度学习的目标检测162
6.5.2　MTCNN164
6.6　基于深度学习的人脸识别167
6.6.1　基于度量学习的方法168
6.6.2　基于边界分类的方法171
6.7　本章小结177
第7章　人脸识别项目实战178
7.1　人脸图片数据集178
7.1.1　Olivetti Faces人脸数据集178
7.1.2　LFW人脸数据集180
7.1.3　YouTube Faces人脸数据集181
7.1.4　IMDB WIKI人脸数据集181
7.1.5　FDDB人脸数据集182
7.2　使用OpenCV的人脸检测182
7.2.1　Haar级联分类器182
7.2.2　OpenCV的SSD人脸检测器184
7.3　使用Dlib的人脸检测186
7.3.1　基于Hog-SVM的人脸检测186
7.3.2　基于最大边界的对象检测器187
7.4　深度学习实践188
7.4.1　卷积神经网络实现189
7.4.2　数据增强207
7.4.3　自定义损失函数211
7.4.4　数据预处理213
7.4.5　模型训练214
7.4.6　实现Web接口216
7.4.7　模型调优与总结218
7.5　人脸识别的拓展应用219
7.6　本章小结220
第8章　人脸识别工程化221
8.1　云平台实践221
8.1.1　云计算介绍221
8.1.2　云服务的形式223
8.1.3　云平台架构设计224
8.2　服务API设计229
8.2.1　人脸检测229
8.2.2　人脸对比239
8.3　人脸图片存储241
8.4　人脸图片检索243
8.5　本章小结244
附录　参考文献245




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4