内容简介

本书总的指导思想是在掌握深度学习的基本知识和特性的基础上，培养使用TensorFlow进行实际编程以解决图像处理相关问题的能力。全书力求深入浅出，通过通俗易懂的语言和详细的程序分析，介绍TensorFlow的基本用法、高级模型设计和对应的程序编写。 本书共22章，内容包括Python类库的安装和使用、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、人工神经网络、反馈神经网络、全卷积神经网络的理论基础、深度学习模型的创建、模型的特性、算法、ResNet、Slim、GAN等。本书强调理论联系实际，重点介绍TensorFlow编程解决图像识别的应用，提供了大量数据集，并以代码的形式实现了深度学习模型，以供读者参考。 本书既可作为学习人工神经网络、深度学习、TensorFlow程序设计以及图像处理等相关内容的程序设计人员培训和自学用书，也可作为高等院校和培训机构相关专业的教材。

目录

第1章  星星之火          1

1.1  计算机视觉与深度学习        1

1.1.1 人类视觉神经的启迪         2

1.1.2 计算机视觉的难点与人工神经网络         3

1.1.3 应用深度学习解决计算机视觉问题         4

1.2  计算机视觉学习的基础与研究方向   5

1.2.1 学习计算机视觉结构图    5

1.2.2 计算机视觉的学习方式和未来趋势         6

1.3  本章小结        7

第2章  Python的安装与使用     8

2.1 Python基本安装和用法        8

2.1.1 Anaconda的下载与安装   9

2.1.2 Python编译器PyCharm的安装         12

2.1.3 使用Python计算softmax函数         16

2.2 Python常用类库中的threading   17

2.2.1 threading库的使用    18

2.2.2 threading模块中最重要的Thread类       18

2.2.3 threading中的Lock类       19

2.2.4 threading中的join类         20

2.3  本章小结        21

第3章  深度学习的理论基础——机器学习     22

3.1  机器学习基本分类        22

3.1.1 基于学科的分类         22

3.1.2 基于学习模式的分类         23

3.1.3 基于应用领域的分类         23

3.2  机器学习基本算法        24

3.2.1 机器学习的算法流程         24

3.2.2 基本算法的分类         25

3.3  算法的理论基础   26

3.3.1 小学生的故事——求圆的面积         27

3.3.2 机器学习基础理论——函数逼近    27

3.4  回归算法        29

3.4.1 函数逼近经典算法——线性回归    29

3.4.2 线性回归的姐妹——逻辑回归         31

3.5  机器学习的其他算法——决策树        32

3.5.1 水晶球的秘密    32

3.5.2 决策树的算法基础——信息熵         33

3.5.3 决策树的算法基础——ID3算法      34

3.6  本章小结        35

第4章  Python类库的使用——数据处理及可视化展示          37

4.1  从小例子起步——NumPy的初步使用        37

4.1.1 数据的矩阵化    37

4.1.2 数据分析    39

4.1.3 基于统计分析的数据处理         40

4.2  图形化数据处理——Matplotlib包使用      41

4.2.1 差异的可视化    41

4.2.2 坐标图的展示    42

4.2.3 玩个大的    44

4.3  深度学习理论方法——相似度计算   46

4.3.1 基于欧几里得距离的相似度计算    46

4.3.2 基于余弦角度的相似度计算    47

4.3.3 欧几里得相似度与余弦相似度的比较    48

4.4  数据的统计学可视化展示   49

4.4.1 数据的四分位    49

4.4.2 数据的四分位示例    50

4.4.3 数据的标准化    53

4.4.4 数据的平行化处理    55

4.4.5 热点图——属性相关性检测    57

4.5 Python实战——某地降水的关系处理        58

4.5.1 不同年份的相同月份统计         58

4.5.2 不同月份之间的增减程度比较         59

4.5.3 每月降水不相关吗    60

4.6  本章小结        61

第5章  OpenCV的基础使用       62

5.1 OpenCV基本的图片读取      62

5.1.1 基本的图片存储格式         62

5.1.2 图像的读取与存储    64

5.1.3 图像的转换         65

5.1.4 使用NumPy模块对图像进行编辑   66

5.2 OpenCV的卷积核处理 68

5.2.1 计算机视觉的三种不同色彩空间    68

5.2.2 卷积核与图像特征提取    68

5.2.3 卷积核进阶         70

5.3  本章小结        72

第6章  OpenCV与TensorFlow的融合       73

6.1  图片的自由缩放以及边缘裁剪   73

6.1.1 图像的扩缩裁挖         73

6.1.2 图像色调的调整         74

6.1.3 图像的旋转、平移和翻转         76

6.2  使用OpenCV扩大图像数据库     77

6.2.1 图像的随机裁剪         77

6.2.2 图像的随机旋转变换         78

6.2.3 图像色彩的随机变换         79

6.2.4 对鼠标的监控    80

6.3  本章小结        81

第7章  Let’s playTensorFlow   82

7.1 TensorFlow游乐场         82

7.1.1 I want to play a game 82

7.1.2 TensorFlow游乐场背后的故事 86

7.1.3 如何训练神经网络    88

7.2  初识HelloTensorFlow   89

7.2.1 TensorFlow名称的解释     89

7.2.2 TensorFlow基本概念 89

7.2.3 TensorFlow基本架构 92

7.3  本章小结        93

第8章  Hello TensorFlow，从0到1   94

8.1 TensorFlow的安装         94

8.2 TensorFlow常量、变量和数据类型    96

8.3 TensorFlow矩阵计算    100

8.4 Hello TensorFlow    102

8.5  本章小结        107

第9章  TensorFlow重要算法基础      108

9.1 BP神经网络简介  108

9.2 BP神经网络中的两个基础算法  110

9.2.1 最小二乘法（LS算法）详解    111

9.2.2 道士下山的故事——梯度下降算法         113

9.3 TensorFlow实战——房屋价格的计算         116

9.3.1 数据收集    117

9.3.2 模型的建立与计算    117

9.3.3 TensorFlow程序设计 119

9.4  反馈神经网络反向传播算法        121

9.4.1 深度学习基础    121

9.4.2 链式求导法则    122

9.4.3 反馈神经网络原理与公式推导         124

9.4.4 反馈神经网络原理的激活函数         129

9.4.5 反馈神经网络原理的Python实现   130

9.5  本章小结        136

第10章  TensorFlow数据的生成与读取详解    137

10.1 TensorFlow的队列       137

10.1.1 队列的创建       137

10.1.2 线程同步与停止       141

10.1.3 队列中数据的读取  142

10.2 CSV文件的创建与读取       143

10.2.1 CSV文件的创建        143

10.2.2 CSV文件的读取        144

10.3 TensorFlow文件的创建与读取  146

10.3.1 TFRecords文件的创建     146

10.3.2 TFRecords文件的读取     149

10.3.3 图片文件的创建与读取  150

10.4 本章小结      155

第11章  回归分析——从TensorFlow陷阱与细节开始 156

11.1 TensorFlow线性回归  156

11.1.1 线性回归详解与编程实战       157

11.1.2 线性回归编程中的陷阱与细节设计       159

11.1.3  TensorFlow多元线性回归        163

11.2 多元线性回归实战编程      166

11.2.1 多元线性回归实战的编程——房屋价格计算       166

11.2.2 多元线性回归实战的推广——数据的矩阵化       168

11.3 逻辑回归详解      174

11.3.1 逻辑回归不是回归算法  174

11.3.2 常用的逻辑回归特征变化与结果转换  175

11.3.3 逻辑回归的损失函数       176

11.3.4 逻辑回归编程实战——胃癌的转移判断       178

11.4 本章小结      181

第12章  TensorFlow编程实战——MNIST手写体识别    183

12.1 MNIST数据集      183

12.1.1 MNIST是什么  183

12.1.2 MNIST数据集的特征和标签  185

12.2 MNIST数据集实战编程      187

12.2.1 softmax激活函数    187

12.2.2 MNIST编程实战       189

12.2.3 为了更高的准确率  192

12.2.4 增加更多的深度       193

12.3 初识卷积神经网络      195

12.3.1 卷积神经网络  196

12.3.2 卷积神经网络的程序编写       196

12.3.3 多层卷积神经网络的程序编写       199

12.4 本章小结      201

第13章  卷积神经网络原理       202

13.1 卷积运算基本概念      202

13.1.1 卷积运算  203

13.1.2 TensorFlow中卷积函数实现详解   204

13.1.3 使用卷积函数对图像感兴趣区域进行标注  208

13.1.4 池化运算  210

13.1.5 使用池化运算加强卷积特征提取  212

13.2 卷积神经网络的结构详解 213

13.2.1 卷积神经网络原理  213

13.2.2 卷积神经网络的应用实例——LeNet5网络结构 216

13.2.3 卷积神经网络的训练       218

13.3 TensorFlow实现LeNet实例       219

13.3.1 LeNet模型分解        219

13.3.2 使用ReLU激活函数代替sigmoid  223

13.3.3 程序的重构——模块化设计  227

13.3.4 卷积核和隐藏层参数的修改  231

13.4 本章小结      237

第14章  卷积神经网络公式推导与应用   238

14.1 反馈神经网络算法      238

14.1.1 经典反馈神经网络正向与反向传播公式推导       238

14.1.2 卷积神经网络正向与反向传播公式推导       241

14.2 使用卷积神经网络分辨CIFAR-10数据集 249

14.2.1 CIFAR-10数据集下载与介绍   249

14.2.2 CIFAR-10模型的构建与数据处理   251

14.2.3 CIFAR-10模型的细节描述与参数重构   260

14.3 本章小结      261

第15章  猫狗大战——实战AlexNet 262

15.1 AlexNet简介        263

15.1.1 AlexNet模型解读     263

15.1.2 AlexNet程序的实现         266

15.2 实战猫狗大战——AlexNet模型        270

15.2.1 数据的收集与处理  271

15.2.2 模型的训练与存储  276

15.2.3 使用训练过的模型预测图片  281

15.2.4 使用Batch_Normalization正则化处理数据集       288

15.3 本章小结      297

第16章  我们都爱Finetuning——复用VGG16进行猫狗大战         298

16.1 TensorFlow模型保存与恢复详解       298

16.1.1 TensorFlow保存和恢复函数的使用        298

16.1.2 多次模型的保存和恢复  299

16.1.3 实战TensorFlow模型的存储与恢复       300

16.2 更为细化的保存和恢复方法      304

16.2.1 存储文件的解读       304

16.2.2 更细节地对模型进行恢复和处理  305

16.3 VGGNet实现        309

16.3.1 VGGNet模型解读及与AlexNet比较      309

16.3.2 VGGNet模型的TensorFlow实现    311

16.4 使用已训练好的模型和权重复现VGGNet        315

16.4.1 npz文件的读取        316

16.4.2 复用的VGGNet模型定义        317

16.4.3 保存复用的VGGNet模型为TensorFlow格式        323

16.5 猫狗大战V2—— Finetuning使用VGGNet进行图像判断      324

16.5.1 Finetuning基本理解         324

16.5.2 猫狗大战——Finetuning使用VGGNet  326

16.6 本章小结      336

第17章  开始找工作吧——深度学习常用面试问题答疑       337

17.1 深度学习面试常用问题答疑      337

17.1.1 如何降低过拟合       338

17.1.2 全连接层详解  342

17.1.3 激活函数起作用的原因  342

17.1.4 卷积后的图像大小  343

17.1.5 池化层的作用  343

17.1.6 为什么在最后分类时使用softmax而不是传统的SVM        343

17.2 卷积神经网络调优面试问答汇总      343

17.2.1 数据集的注意事项  343

17.2.2 卷积模型训练的注意事项       344

17.3 NIN模型介绍       344

17.3.1 NIN模型简介   344

17.3.2 猫狗大战——NIN的代码实现        345

17.4 “deeper is better”——GoogLeNet 模型介绍        350

17.4.1 GoogLeNet模型的介绍   350

17.4.2 GoogLeNet模型单元的TensorFlow实现        352

17.4.3 GoogLeNet模型的一些注意事项   354

17.5 本章小结      355

第18章  暂时的冠军——ResNet简介及TensorFlow实现      356

18.1 ResNet模型简介         356

18.1.1 ResNet模型定义      357

18.1.2 定义工具的TensorFlow实现  359

18.1.3 ResNet模型的TensorFlow实现      360

18.2 新兴的卷积神经模型简介 362

18.2.1 SqueezeNet模型简介      362

18.2.2 Xception模型简介   365

18.3 本章小结      366

第19章  TensorFlow高级API—— Slim使用入门    368

19.1 Slim详解      368

19.2 Slim使用方法介绍      369

19.2.1 Slim中变量使用方法介绍       369

19.2.2 Slim中层的使用方法介绍       373

19.2.3 Slim中参数空间使用方法介绍       375

19.3 实战——使用Slim定义VGG16          377

19.3.1 VGG16结构图和TensorFlow定义  377

19.3.2 使用Slim创建VGG16并训练          379

19.4 实战——使用Slim设计多层感知器（MLP）  382

19.4.1 MLP的Slim实现      383

19.4.2 MLP模型的评估       392

19.5 Slim数据读取方式      394

19.5.1 Slim数据读取格式   394

19.5.2 生成TFRecords格式数据        395

19.5.3 使用Slim读取TFRecords格式数据        398

19.6 本章小结      399

第20章  Slim使用进阶        400

20.1 使用Slim创建卷积神经网络（CNN）      400

20.1.1 数据集获取       400

20.1.2 创建卷积神经网络  403

20.1.3 训练Slim创建的卷积网络      405

20.2 使用Slim预训练模型进行Finetuning        407

20.2.1 Inception-ResNet-v2模型简介         407

20.2.2 使用Inception-ResNet-v2预训练模型参数   408

20.2.3 修改Inception-ResNet-v2预训练模型输出层级   415

20.3 本章小结      419

第21章  全卷积神经网络图像分割入门   420

21.1 全卷积神经网络进行图像分割的理论基础      420

21.1.1 全连接层和全卷积层       421

21.1.2 反卷积（upsampling）计算    423

21.2 全卷积神经网络进行图像分割的分步流程与编程基础 425

21.2.1 使用VGG16进行图像识别     425

21.2.2 上采样（upsampling）详解    428

21.2.3 一种常用的卷积核——双线插值  430

21.2.4 实战——使用VGG16全卷积网络进行图像分割 434

21.3 本章小结      438

第22章  不服就是GAN——对抗生成网络       439

22.1 对抗生成网络详解      439

22.1.1 GAN的基本原理介绍      440

22.1.2 简单GAN的TensorFlow实现 443

22.2 从0到1——实战：使用GAN生成手写体数字      449

22.2.1 分步骤简介       450

22.2.2 GAN网络的训练      455

22.3 本章小结      458

文档截图