[套装书]Python编程从0到1（视频教学版）+深度学习之图像识别：核心技术与案例实战（2册）

作者
张頔言有三
丛书名
出版社
机械工业出版社
ISBN
9781909061156
简要
简介
内容简介书籍计算机书籍 ---------------------------Python编程从0到1（视频教学版）--------------------------- 本书以Python语言构建了程序设计基础课程的教学体系。本书在对程序设计核心方法的探讨上较其他Python书籍更为全面和深入。通过对本书内容的学习，读者将全面地掌握用Python进行程序设计的基本能力。 本书分为4章，每章都细分为若干节，知识点非常详细。第1章向读者介绍Python的基本语法和程序设计的一般方法。第2章向读者介绍函数这一重要概念。第3章通过Python的内建类型讲述了常见数据结构。第4章讲解Python的面向对象特性。 本书适合大专院校理工科专业的Python教学，IT职业培训机构的Python类课程体系，以及自学Python的学习者。 ---------------------------深度学习之图像识别：核心技术与案例实战--------------------------- 本书是一本讲述深度学习在计算机视觉领域的书籍，为机器学习和深度学习相关领域中需要学习图像识别和处理技术的读者量身定做。本书非常详尽地讲述了深度学习的各个知识点，包括深度学习卷积神经网络的理论知识、深度学习中的数据，以及图像分类、图像分割和目标检测等三大图像基础应用；另外还介绍了深度学习的数据可视化和模型可视化、深度学习中的常用损失函数、模型压缩以及深度学习模型部署的前后端基础知识。 本书从第4章开始，每章都配置有一到两个难易程度不同的案例，让读者在实践中更好地掌握相关领域的技术细节。读者在读完每章的理论知识后，就可以紧接着进行实践，并在已有代码的基础上进行修改和改进，从而理论与实践结合进行系统性的学习。
目录



---------------------------Python编程从0到1（视频教学版）---------------------------


前言
第1章 基础 1
1.1 历史 2
1.2 表达式 3
1.2.1 运算数 3
1.2.2 运算符 3
1.2.3 表达式的风格 4
1.2.4 表达式的嵌套 5
1.2.5 数据类型 5
1.2.6 副作用 6
1.2.7 小结 6
1.3 运行程序 6
1.3.1 交互执行模式 7
1.3.2 查阅帮助文档 8
1.3.3 执行Python程序脚本 9
1.3.4 标识符和关键字 10
1.3.5 运行环境的错误提示 11
1.3.6 示例：欧几里得算法 12
1.3.7 小结 15
1.4 内建类型、赋值和引用 15
1.4.1 字面值 15
1.4.2 构造方法 17
1.4.3 容器类型 18
1.4.4 索引和切片 22
1.4.5 左值、赋值和引用 24
1.4.6 del操作 29
1.4.7 小结 30
1.5 流程控制结构 30
1.5.1 if分支语句 30
1.5.2 布尔运算 33
1.5.3 while循环 34
1.5.4 for循环 40
1.5.5 条件表达式 42
1.5.6 定义简单函数 43
1.5.7 小结 44
1.6 输入/输出 44
1.6.1 标准输入/输出（I/O）流 44
1.6.2 重定向标准I/O至文件 45
1.6.3 用管道行串接I/O 46
1.6.4 标准I/O流对象 47
1.6.5 命令行参数 48
1.6.6 环境变量 49
1.6.7 格式化字符串 50
1.6.8 小结 51
1.7 简单练习 51
1.7.1 示例：打印金字塔图形 52
1.7.2 示例：3X+1问题 53
1.7.3 示例：绘制正多边形 54
1.7.4 示例：绘制函数曲线 55
1.7.5 示例：蒙特卡洛方法 56
1.7.6 示例：埃特金迭代法求方程的根 59
1.7.7 小结 61
1.8 程序执行模型 61
1.8.1 手段限制 62
1.8.2 无状态程序 62
1.8.3 有状态程序 67
1.8.4 线性存储器 73
1.8.5 使用栈设计程序 76
1.8.6 使用队列设计程序 79
1.8.7 小结 84
1.9 算法的性能描述 85
1.10 异常处理 87
1.10.1 基本语法 88
1.10.2 提升程序的健壮性 91
1.10.3 完整的异常捕获机制 94
1.10.4 小结 96
1.11 程序调试 97
1.12 总结 98
第2章 函数 99
2.1 函数基础 100
2.1.1 函数的作用 100
2.1.2 定义和调用函数 101
2.1.3 提供机制而非策略 102
2.1.4 用函数消除重复代码 103
2.1.5 Lambda表达式 105
2.1.6 回调函数 106
2.1.7 闭包 107
2.1.8 传参方式 108
2.1.9 文档字符串 110
2.1.10 小结 111
2.2 模块和包 111
2.2.1 处理名字冲突 111
2.2.2 模块与import 112
2.2.3 在模块中包含测试代码 113
2.2.4 模块搜索路径 113
2.2.5 包 114
2.2.6 小结 115
2.3 作用域和栈帧 115
2.3.1 名字的查找 115
2.3.2 nonlocal和global关键字 118
2.3.3 函数的调用栈 118
2.3.4 对象的生命期 119
2.3.5 小结 121
2.4 递归 121
2.4.1 单重递归 121
2.4.2 多重递归 124
2.4.3 示例：科赫雪花 125
2.4.4 示例：二叉树的后序遍历 127
2.4.5 消除尾递归 129
2.4.6 用栈和状态机消除递归 131
2.4.7 重复递归带来的性能陷阱 135
2.4.8 用动态规划消除重复递归 136
2.4.9 示例：通配符匹配 139
2.4.10 小结 141
2.5 类和成员方法 141
2.5.1 面向对象的函数调用风格 142
2.5.2 类和实例 143
2.5.3 定义类 144
2.5.4 创建实例 145
2.5.5 方法定义 145
2.6 高阶函数 147
2.6.1 对函数进行运算 148
2.6.2 函数装饰器 149
2.6.3 map和filter函数 152
2.6.4 小结 155
2.7 迭代器和生成器模式 155
2.7.1 可迭代对象和迭代器 156
2.7.2 生成器函数 157
2.7.3 列表推导式和生成器表达式 158
2.7.4 小结 160
2.8 总结 160
第3章 数据结构 161
3.1 列表 162
3.1.1 数组和内存 162
3.1.2 列表对象的结构 165
3.1.3 列表元素的插入 168
3.1.4 列表的排序 170
3.1.5 有序列表的二分查找 171
3.1.6 列表的基本操作接口 172
3.1.7 小结 173
3.2 链表 174
3.2.1 单链表 175
3.2.2 实现迭代器模式 178
3.2.3 用单链表实现栈 179
3.2.4 双向循环链表 180
3.2.5 用双向链表实现队列 182
3.2.6 双向链表的查找、插入和删除 183
3.2.7 小结 184
3.3 散列表 184
3.3.1 基本原理 185
3.3.2 应用示例 188
3.3.3 字典 189
3.3.4 小结 193
3.4 二叉树 194
3.4.1 概念和定义 194
3.4.2 表示和存储 196
3.4.3 遍历 198
3.4.4 二叉搜索树 200
3.4.5 二叉堆和优先队列 207
3.4.6 哈夫曼编码 209
3.4.7 小结 212
3.5 案例分析 212
3.5.1 deque链表块 212
3.5.2 OrderedDict有序字典 216
3.6 综合练习：寻路问题算法 218
3.6.1 图的表示 219
3.6.2 Dijkstra算法 221
3.6.3 A*算法 224
3.7 总结 231
第4章 面向对象 232
4.1 类 233
4.1.1 术语 233
4.1.2 成员方法 234
4.1.3 静态方法 236
4.1.4 类属性和类方法 237
4.1.5 私有成员 239
4.1.6 property装饰器 240
4.1.7 动态添加属性和slots 242
4.1.8 实例的生命周期 243
4.1.9 复制对象 244
4.1.10 小结 245
4.2 继承和多态 246
4.2.1 语法 246
4.2.2 如何设计类 249
4.2.3 多继承 251
4.2.4 鸭子类型和多态 252
4.2.5 小结 253
4.3 综合练习：GUI程序设计PyQt 253
4.3.1 安装PyQt 254
4.3.2 使用继承创建窗体 255
4.3.3 响应事件 256
4.3.4 小结 257
4.4 总结 257
参考文献 258



---------------------------深度学习之图像识别：核心技术与案例实战---------------------------


前言
第1章 神经网络基础 1
1.1 神经网络的生物基础与数学模型 1
1.1.1 神经元 1
1.1.2 感知机 2
1.1.3 BP算法 6
1.2 卷积神经网络基础 10
1.2.1 卷积神经网络的基本结构 11
1.2.2 卷积与权值共享 13
1.2.3 感受野与池化 14
第2章 深度学习优化基础 17
2.1 深度学习主流开源框架 17
2.1.1 Caffe简介 18
2.1.2 TensorFlow简介 18
2.1.3 PyTorch简介 19
2.1.4 Theano简介 20
2.1.5 Keras简介 20
2.1.6 MXNet简介 21
2.1.7 Chainer简介 21
2.2 网络优化参数 22
2.2.1 常用激活函数 22
2.2.2 参数初始化方法 26
2.2.3 最优化方法 27
2.2.4 归一化方法 31
2.2.5 正则化方法 33
第3章 深度学习中的数据 36
3.1 深度学习通用数据集的发展 36
3.1.1 MNIST数据集 36
3.1.2 CIFAR10和CIFAR100数据集 37
3.1.3 PASCAL数据集 38
3.1.4 ImageNet数据集 38
3.1.5 Microsoft COCO数据集 39
3.2 常见的计算机视觉任务数据集 40
3.2.1 人脸数据集 40
3.2.2 自动驾驶数据集 52
3.2.3 医学数据集 55
3.3 数据增强 59
3.3.1 有监督数据增强 60
3.3.2 无监督数据增强 63
3.4 数据的收集与标注 65
3.4.1 数据收集 65
3.4.2 数据标注 67
3.4.3 数据清洗与整理 68
第4章 图像分类 70
4.1 图像分类基础 70
4.1.1 图像分类问题 70
4.1.2 深度学习图像分类发展简史 72
4.1.3 评测指标与优化目标 75
4.1.4 图像分类的挑战 76
4.2 移动端实时表情分类实战 77
4.2.1 项目背景 78
4.2.2 数据预处理 80
4.2.3 项目方案 82
4.2.4 模型训练与测试 84
4.2.5 项目总结 88
4.3 细粒度图像分类实战 89
4.3.1 项目背景 89
4.3.2 项目方案 90
4.3.3 模型训练与测试 92
4.3.4 参数调试 97
4.3.5 项目总结 102
第5章 图像分割 103
5.1 传统图像分割方法 103
5.1.1 阈值法 103
5.1.2 区域生长法与超像素 105
5.1.3 图切割 105
5.1.4 活动轮廓模型 106
5.2 深度学习图像分割 109
5.2.1 基本流程 110
5.2.2 反卷积 110
5.2.3 多尺度与感受野 112
5.2.4 CRF方法 113
5.2.5 Image Matting与图像融合 114
5.3 移动端实时图像分割项目 115
5.3.1 项目背景 115
5.3.2 项目方案 116
5.3.3 模型训练与总结 126
5.4 一个实时肖像换背景项目 127
5.4.1 项目背景 127
5.4.2 项目方案 128
5.4.3 模型训练与测试 134
5.4.4 项目总结 138
第6章 目标检测 139
6.1 目标检测基础 139
6.1.1 检测窗口选择 140
6.1.2 特征提取 141
6.1.3 分类器 142
6.1.4 V-J人脸检测算法 143
6.2 深度学习目标检测方法 145
6.2.1 Selective search与R-CNN 146
6.2.2 RoI Pooling与SPPNet 147
6.2.3 Fast R-CNN与Faster R-CNN 149
6.2.4 YOLO方法 152
6.2.5 SSD方法 154
6.2.6 目标检测中的关键技术 155
6.3 实战Faster-R-CNN目标检测 157
6.3.1 项目背景 157
6.3.2 py-faster-rcnn框架解读 157
6.3.3 模型定义与分析 170
6.3.4 模型训练与测试 180
6.3.5 项目总结 183
第7章 数据与模型可视化 185
7.1 数据可视化 185
7.1.1 低维数据可视化 185
7.1.2 高维数据可视化 187
7.2 模型可视化 190
7.2.1 模型结构可视化 190
7.2.2 模型权重可视化 198
7.2.3 特征图可视化 201
7.3 可视化案例 202
7.3.1 项目背景 202
7.3.2 数据接口定义 204
7.3.3 网络结构定义 205
7.3.4 可视化代码添加 207
7.3.5 可视化训练指标 207
第8章 模型压缩 209
8.1 模型压缩方法 209
8.1.1 模型设计压缩 210
8.1.2 网络剪枝与量化 213
8.1.3 张量分解 216
8.1.4 模型蒸馏与迁移学习 216
8.2 模型压缩实战 218
8.2.1 网络分析 220
8.2.2 输入尺度和第一层卷积设计 224
8.2.3 网络宽度与深度压缩 226
8.2.4 弥补通道损失 228
8.2.5 总结 230
第9章 损失函数 231
9.1 分类任务损失 231
9.1.1 什么是0-1 loss 231
9.1.2 熵与交叉熵loss 231
9.1.3 softmax loss及其变种 232
9.1.4 KL散度 237
9.1.5 Hinge loss简介 237
9.1.6 Exponential loss与Logistic loss 237
9.1.7 多标签分类任务loss 238
9.2 回归任务损失 238
9.2.1 L1 loss与L2 loss 238
9.2.2 L1 loss与L2 loss的改进 239
9.3 常见图像任务与loss使用 240
9.3.1 图像基础任务 240
9.3.2 风格化与图像复原，超分辨重建 240
9.3.3 生成对抗网络 241
9.3.4 总结 245
第10章 模型部署与上线 246
10.1 微信小程序前端开发 246
10.1.1 小程序的技术特点与定位 246
10.1.2 Web前端基础 248
10.1.3 小程序开发工具 251
10.1.4 小程序前端 252
10.1.5 小程序前端开发 254
10.2 微信小程序服务端开发 260
10.2.1 域名注册与管理 260
10.2.2 服务端框架简介 261
10.2.3 算法搭建与实现 262
10.3 Caffe环境配置 264
10.3.1 依赖库安装 264
10.3.2 Caffe编译安装 266




有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4