深度學習與圖像識別：原理與實踐

前言 \n
第1章　機器視覺在行業(yè)中的應用1 \n
1.1　機器視覺的發(fā)展背景1 \n
1.1.1　人工智能1 \n
1.1.2　機器視覺2 \n
1.2　機器視覺的主要應用場景3 \n
1.2.1　人臉識別3 \n
1.2.2　視頻監(jiān)控分析4 \n
1.2.3　工業(yè)瑕疵檢測5 \n
1.2.4　圖片識別分析6 \n
1.2.5　自動駕駛/駕駛輔助7 \n
1.2.6　三維圖像視覺8 \n
1.2.7　醫(yī)療影像診斷8 \n
1.2.8　文字識別9 \n
1.2.9　圖像/視頻的生成及設計9 \n
1.3　本章小結(jié)10 \n
第2章　圖像識別前置技術(shù)11 \n
2.1　深度學習框架11 \n
2.1.1　Theano11 \n
2.1.2　Tensorflow12 \n
2.1.3　MXNet13 \n
2.1.4　Keras13 \n
2.1.5　PyTorch14 \n
2.1.6　Caffe14 \n
2.2　搭建圖像識別開發(fā)環(huán)境15 \n
2.2.1　Anaconda15 \n
2.2.2　conda18 \n
2.2.3　Pytorch的下載與安裝19 \n
2.3　Numpy使用詳解20 \n
2.3.1　創(chuàng)建數(shù)組20 \n
2.3.2　創(chuàng)建Numpy數(shù)組22 \n
2.3.3　獲取Numpy屬性24 \n
2.3.4　Numpy數(shù)組索引25 \n
2.3.5　切片25 \n
2.3.6　Numpy中的矩陣運算26 \n
2.3.7　數(shù)據(jù)類型轉(zhuǎn)換27 \n
2.3.8　Numpy的統(tǒng)計計算方法28 \n
2.3.9　Numpy中的arg運算29 \n
2.3.10　FancyIndexing29 \n
2.3.11　Numpy數(shù)組比較30 \n
2.4　本章小結(jié)31 \n
第3章　圖像分類之KNN算法32 \n
3.1　KNN的理論基礎(chǔ)與實現(xiàn)32 \n
3.1.1　理論知識32 \n
3.1.2　KNN的算法實現(xiàn)33 \n
3.2　圖像分類識別預備知識35 \n
3.2.1　圖像分類35 \n
3.2.2　圖像預處理36 \n
3.3　KNN實戰(zhàn)36 \n
3.3.1　KNN實現(xiàn)MNIST數(shù)據(jù)分類36 \n
3.3.2　KNN實現(xiàn)Cifar10數(shù)據(jù)分類41 \n
3.4　模型參數(shù)調(diào)優(yōu)44 \n
3.5　本章小結(jié)48 \n
第4章　機器學習基礎(chǔ)49 \n
4.1　線性回歸模型49 \n
4.1.1　一元線性回歸50 \n
4.1.2　多元線性回歸56 \n
4.2　邏輯回歸模型57 \n
4.2.1　Sigmoid函數(shù)58 \n
4.2.2　梯度下降法59 \n
4.2.3　學習率的分析61 \n
4.2.4　邏輯回歸的損失函數(shù)63 \n
4.2.5　Python實現(xiàn)邏輯回歸66 \n
4.3　本章小結(jié)68 \n
第5章　神經(jīng)網(wǎng)絡基礎(chǔ)69 \n
5.1　神經(jīng)網(wǎng)絡69 \n
5.1.1　神經(jīng)元70 \n
5.1.2　激活函數(shù)72 \n
5.1.3　前向傳播76 \n
5.2　輸出層80 \n
5.2.1　Softmax80 \n
5.2.2　one-hotencoding82 \n
5.2.3　輸出層的神經(jīng)元個數(shù)83 \n
5.2.4　MNIST數(shù)據(jù)集的前向傳播83 \n
5.3　批處理85 \n
5.4　廣播原則87 \n
5.5　損失函數(shù)88 \n
5.5.1　均方誤差88 \n
5.5.2　交叉熵誤差89 \n
5.5.3　Mini-batch90 \n
5.6　最優(yōu)化91 \n
5.6.1　隨機初始化91 \n
5.6.2　跟隨梯度（數(shù)值微分）92 \n
5.7　基于數(shù)值微分的反向傳播98 \n
5.8　基于測試集的評價101 \n
5.9　本章小結(jié)104 \n
第6章　誤差反向傳播105 \n
6.1　激活函數(shù)層的實現(xiàn)105 \n
6.1.1　ReLU反向傳播實現(xiàn)106 \n
6.1.2　Sigmoid反向傳播實現(xiàn)106 \n
6.2　Affine層的實現(xiàn)107 \n
6.3　Softmaxwithloss層的實現(xiàn)108 \n
6.4　基于數(shù)值微分和誤差反向傳播的比較109 \n
6.5　通過反向傳播實現(xiàn)MNIST識別111 \n
6.6　正則化懲罰114 \n
6.7　本章小結(jié)115 \n
第7章　PyTorch實現(xiàn)神經(jīng)網(wǎng)絡圖像分類116 \n
7.1　PyTorch的使用116 \n
7.1.1　Tensor116 \n
7.1.2　Variable117 \n
7.1.3　激活函數(shù)118 \n
7.1.4　損失函數(shù)120 \n
7.2　PyTorch實戰(zhàn)122 \n
7.2.1　PyTorch實戰(zhàn)之MNIST分類122 \n
7.2.2　PyTorch實戰(zhàn)之Cifar10分類125 \n
7.3　本章小結(jié)128 \n
第8章　卷積神經(jīng)網(wǎng)絡129 \n
8.1　卷積神經(jīng)網(wǎng)絡基礎(chǔ)129 \n
8.1.1　全連接層129 \n
8.1.2　卷積層130 \n
8.1.3　池化層134 \n
8.1.4　批規(guī)范化層135 \n
8.2　常見卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)135 \n
8.2.1　AlexNet136 \n
8.2.2　VGGNet138 \n
8.2.3　GoogLeNet140 \n
8.2.4　ResNet142 \n
8.2.5　其他網(wǎng)絡結(jié)構(gòu)144 \n
8.3　VGG16實現(xiàn)Cifar10分類145 \n
8.3.1　訓練146 \n
8.3.2　預測及評估149 \n
8.4　本章小結(jié)152 \n
8.5　參考文獻152 \n
第9章　目標檢測153 \n
9.1　定位+分類153 \n
9.2　目標檢測155 \n
9.2.1　R-CNN156 \n
9.2.2　Fast R-CNN160 \n
9.2.3　Faster R-CNN162 \n
9.2.4　YOLO165 \n
9.2.5　SSD166 \n
9.3　SSD實現(xiàn)VOC目標檢測167 \n
9.3.1　PASCAL VOC數(shù)據(jù)集167 \n
9.3.2　數(shù)據(jù)準備170 \n
9.3.3　構(gòu)建模型175 \n
9.3.4　定義Loss178 \n
9.3.5　SSD訓練細節(jié)181 \n
9.3.6　訓練186 \n
9.3.7　測試189 \n
9.4　本章小結(jié)190 \n
9.5　參考文獻191 \n
第10章　分割192 \n
10.1　語義分割193 \n
10.1.1　FCN193 \n
10.1.2　UNet實現(xiàn)裂紋分割196 \n
10.1.3　SegNet209 \n
10.1.4　PSPNet210 \n
10.2　實例分割211 \n
10.2.1　層疊式212 \n
10.2.2　扁平式212 \n
10.3　本章小結(jié)213 \n
10.4　參考文獻214 \n
第11章　產(chǎn)生式模型215 \n
11.1　自編碼器215 \n
11.2　對抗生成網(wǎng)絡215 \n
11.3　DCGAN及實戰(zhàn)217 \n
11.3.1　數(shù)據(jù)集218 \n
11.3.2　網(wǎng)絡設置220 \n
11.3.3　構(gòu)建產(chǎn)生網(wǎng)絡221 \n
11.3.4　構(gòu)建判別網(wǎng)絡223 \n
11.3.5　定義損失函數(shù)224 \n
11.3.6　訓練過程224 \n
11.3.7　測試227 \n
11.4　其他GAN230 \n
11.5　本章小結(jié)235 \n
11.6　參考文獻235 \n
第12章　神經(jīng)網(wǎng)絡可視化236 \n
12.1　卷積核236 \n
12.2　特征層237 \n
12.2.1　直接觀測237 \n
12.2.2　通過重構(gòu)觀測239 \n
12.2.3　末端特征激活情況243 \n
12.2.4　特征層的作用244 \n
12.3　圖片風格化245 \n
12.3.1　理論介紹245 \n
12.3.2　代碼實現(xiàn)247 \n
12.4　本章小結(jié)255 \n
12.5　參考文獻255 \n
第13章　圖像識別算法的部署模式257 \n
13.1　圖像算法部署模式介紹257 \n
13.2　實際應用場景和部署模式的匹配262 \n
13.3　案例介紹264 \n
13.4　本章小結(jié)265