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10 \n
第2章　圖像識別前置技術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)建數組20 \n
2.3.2　創(chuàng)建Numpy數組22 \n
2.3.3　獲取Numpy屬性24 \n
2.3.4　Numpy數組索引25 \n
2.3.5　切片25 \n
2.3.6　Numpy中的矩陣運算26 \n
2.3.7　數據類型轉換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數組比較30 \n
2.4　本章小結31 \n
第3章　圖像分類之KNN算法32 \n
3.1　KNN的理論基礎與實現32 \n
3.1.1　理論知識32 \n
3.1.2　KNN的算法實現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MNIST數據分類36 \n
3.3.2　KNN實現Cifar10數據分類41 \n
3.4　模型參數調優(yōu)44 \n
3.5　本章小結48 \n
第4章　機器學習基礎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63 \n
4.2.5　Python實現邏輯回歸66 \n
4.3　本章小結68 \n
第5章　神經網絡基礎69 \n
5.1　神經網絡69 \n
5.1.1　神經元70 \n
5.1.2　激活函數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　輸出層的神經元個數83 \n
5.2.4　MNIST數據集的前向傳播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（數值微分）92 \n
5.7　基于數值微分的反向傳播98 \n
5.8　基于測試集的評價101 \n
5.9　本章小結104 \n
第6章　誤差反向傳播105 \n
6.1　激活函數層的實現105 \n
6.1.1　ReLU反向傳播實現106 \n
6.1.2　Sigmoid反向傳播實現106 \n
6.2　Affine層的實現107 \n
6.3　Softmaxwithloss層的實現108 \n
6.4　基于數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MNIST識別111 \n
6.6　正則化懲罰114 \n
6.7　本章小結115 \n
第7章　PyTorch實現神經網絡圖像分類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118 \n
7.1.4　損失函數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128 \n
第8章　卷積神經網絡129 \n
8.1　卷積神經網絡基礎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　常見卷積神經網絡結構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　其他網絡結構144 \n
8.3　VGG16實現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VOC目標檢測167 \n
9.3.1　PASCAL VOC數據集167 \n
9.3.2　數據準備170 \n
9.3.3　構建模型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213 \n
10.4　參考文獻214 \n
第11章　產生式模型215 \n
11.1　自編碼器215 \n
11.2　對抗生成網絡215 \n
11.3　DCGAN及實戰(zhàn)217 \n
11.3.1　數據集218 \n
11.3.2　網絡設置220 \n
11.3.3　構建產生網絡221 \n
11.3.4　構建判別網絡223 \n
11.3.5　定義損失函數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235 \n
11.6　參考文獻235 \n
第12章　神經網絡可視化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247 \n
12.4　本章小結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265