[套装书]深度学习与图像识别：原理与实践+深度学习之图像识别：核心技术与案例实战（2册）

作者
魏溪含 涂铭 张修鹏言有三
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9787190807102
简要
简介
内容简介书籍计算机书籍 ---------------------------深度学习与图像识别：原理与实践--------------------------- 本书是一本有关人工智能图像识别应用开发与实践指导类的教材，主要介绍图像处理应用项目开发的基本流程、图像识别处理应用项目关键技术。本书直击当今研究热点，选择有代表性的专题项目而且尽量避免复杂的数学推导，易于读者理解，专注于实战。详细介绍了numpy，knn，线性回归，逻辑回归，神经网络在图像识别上的应用，并为后一部分的深度学习做好铺垫。同时，针对每一个项目介绍项目的应用及意义，该项目的数据特征分析、识别系统设计、图像预处理技术、特征提取技术，以及识别方法等。书中实例程序的框架结构简单，代码简洁，读者可在数字图像处理技术的基础上进一步深化学习内容，提高实践应用能力和项目开发能力。 ---------------------------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



---------------------------深度学习与图像识别：原理与实践---------------------------


前言
第1章　机器视觉在行业中的应用1
1.1　机器视觉的发展背景1
1.1.1　人工智能1
1.1.2　机器视觉2
1.2　机器视觉的主要应用场景3
1.2.1　人脸识别3
1.2.2　视频监控分析4
1.2.3　工业瑕疵检测5
1.2.4　图片识别分析6
1.2.5　自动驾驶/驾驶辅助7
1.2.6　三维图像视觉8
1.2.7　医疗影像诊断8
1.2.8　文字识别9
1.2.9　图像/视频的生成及设计9
1.3　本章小结10
第2章　图像识别前置技术11
2.1　深度学习框架11
2.1.1　Theano11
2.1.2　Tensorflow12
2.1.3　MXNet13
2.1.4　Keras13
2.1.5　PyTorch14
2.1.6　Caffe14
2.2　搭建图像识别开发环境15
2.2.1　Anaconda15
2.2.2　conda18
2.2.3　Pytorch的下载与安装19
2.3　Numpy使用详解20
2.3.1　创建数组20
2.3.2　创建Numpy数组22
2.3.3　获取Numpy属性24
2.3.4　Numpy数组索引25
2.3.5　切片25
2.3.6　Numpy中的矩阵运算26
2.3.7　数据类型转换27
2.3.8　Numpy的统计计算方法28
2.3.9　Numpy中的arg运算29
2.3.10　FancyIndexing29
2.3.11　Numpy数组比较30
2.4　本章小结31
第3章　图像分类之KNN算法32
3.1　KNN的理论基础与实现32
3.1.1　理论知识32
3.1.2　KNN的算法实现33
3.2　图像分类识别预备知识35
3.2.1　图像分类35
3.2.2　图像预处理36
3.3　KNN实战36
3.3.1　KNN实现MNIST数据分类36
3.3.2　KNN实现Cifar10数据分类41
3.4　模型参数调优44
3.5　本章小结48
第4章　机器学习基础49
4.1　线性回归模型49
4.1.1　一元线性回归50
4.1.2　多元线性回归56
4.2　逻辑回归模型57
4.2.1　Sigmoid函数58
4.2.2　梯度下降法59
4.2.3　学习率的分析61
4.2.4　逻辑回归的损失函数63
4.2.5　Python实现逻辑回归66
4.3　本章小结68
第5章　神经网络基础69
5.1　神经网络69
5.1.1　神经元70
5.1.2　激活函数72
5.1.3　前向传播76
5.2　输出层80
5.2.1　Softmax80
5.2.2　one-hotencoding82
5.2.3　输出层的神经元个数83
5.2.4　MNIST数据集的前向传播83
5.3　批处理85
5.4　广播原则87
5.5　损失函数88
5.5.1　均方误差88
5.5.2　交叉熵误差89
5.5.3　Mini-batch90
5.6　最优化91
5.6.1　随机初始化91
5.6.2　跟随梯度（数值微分）92
5.7　基于数值微分的反向传播98
5.8　基于测试集的评价101
5.9　本章小结104
第6章　误差反向传播105
6.1　激活函数层的实现105
6.1.1　ReLU反向传播实现106
6.1.2　Sigmoid反向传播实现106
6.2　Affine层的实现107
6.3　Softmaxwithloss层的实现108
6.4　基于数值微分和误差反向传播的比较109
6.5　通过反向传播实现MNIST识别111
6.6　正则化惩罚114
6.7　本章小结115
第7章　PyTorch实现神经网络图像分类116
7.1　PyTorch的使用116
7.1.1　Tensor116
7.1.2　Variable117
7.1.3　激活函数118
7.1.4　损失函数120
7.2　PyTorch实战122
7.2.1　PyTorch实战之MNIST分类122
7.2.2　PyTorch实战之Cifar10分类125
7.3　本章小结128
第8章　卷积神经网络129
8.1　卷积神经网络基础129
8.1.1　全连接层129
8.1.2　卷积层130
8.1.3　池化层134
8.1.4　批规范化层135
8.2　常见卷积神经网络结构135
8.2.1　AlexNet136
8.2.2　VGGNet138
8.2.3　GoogLeNet140
8.2.4　ResNet142
8.2.5　其他网络结构144
8.3　VGG16实现Cifar10分类145
8.3.1　训练146
8.3.2　预测及评估149
8.4　本章小结152
8.5　参考文献152
第9章　目标检测153
9.1　定位+分类153
9.2　目标检测155
9.2.1　R-CNN156
9.2.2　Fast R-CNN160
9.2.3　Faster R-CNN162
9.2.4　YOLO165
9.2.5　SSD166
9.3　SSD实现VOC目标检测167
9.3.1　PASCAL VOC数据集167
9.3.2　数据准备170
9.3.3　构建模型175
9.3.4　定义Loss178
9.3.5　SSD训练细节181
9.3.6　训练186
9.3.7　测试189
9.4　本章小结190
9.5　参考文献191
第10章　分割192
10.1　语义分割193
10.1.1　FCN193
10.1.2　UNet实现裂纹分割196
10.1.3　SegNet209
10.1.4　PSPNet210
10.2　实例分割211
10.2.1　层叠式212
10.2.2　扁平式212
10.3　本章小结213
10.4　参考文献214
第11章　产生式模型215
11.1　自编码器215
11.2　对抗生成网络215
11.3　DCGAN及实战217
11.3.1　数据集218
11.3.2　网络设置220
11.3.3　构建产生网络221
11.3.4　构建判别网络223
11.3.5　定义损失函数224
11.3.6　训练过程224
11.3.7　测试227
11.4　其他GAN230
11.5　本章小结235
11.6　参考文献235
第12章　神经网络可视化236
12.1　卷积核236
12.2　特征层237
12.2.1　直接观测237
12.2.2　通过重构观测239
12.2.3　末端特征激活情况243
12.2.4　特征层的作用244
12.3　图片风格化245
12.3.1　理论介绍245
12.3.2　代码实现247
12.4　本章小结255
12.5　参考文献255
第13章　图像识别算法的部署模式257
13.1　图像算法部署模式介绍257
13.2　实际应用场景和部署模式的匹配262
13.3　案例介绍264
13.4　本章小结265



---------------------------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