編輯推薦:

內容簡介:　　《深度學習技術圖像處理入門》從機器學習、圖像處理的基本概念入手，逐步闡述深度學習圖像處理技術的基本原理以及簡單的實現(xiàn)。繼而以幾個實戰(zhàn)案例來介紹如何使用深度學習方法，在數(shù)據(jù)分析競賽中取得較高的排名。最后，通過一個實戰(zhàn)案例，介紹如何將模型放入iOS程序，制作相應的人工智能手機App。
　　《深度學習技術圖像處理入門》適用于對深度學習有興趣、希望入門這一領域的理工科大學生、研究生，以及希望了解該領域基本原理的軟件開發(fā)人員。此外，《深度學習技術圖像處理入門》所有案例均提供了云環(huán)境上的代碼，便于讀者復現(xiàn)結果，并進行深入學習。

作者簡介:

目錄:第1章 搭建指定的開發(fā)環(huán)境
1．1 為什么要使用指定的開發(fā)環(huán)境
1．2 硬件準備
1．2．1 在亞馬遜租用云GPU服務器
1．2．2 在騰訊云租用GPU服務器
1．2．3 在云服務器中開啟搭載開發(fā)環(huán)境的Docker服務
1．3 軟件準備
1．3．1 在Ubuntu 16．04下配置環(huán)境
1．3．2 在CentOS 7下配置環(huán)境
1．4 參考文獻及網(wǎng)頁鏈接

第2章 溫故知新——機器學習基礎知識
2．1 人工智能、機器學習與深度學習
2．2 訓練一個傳統(tǒng)的機器學習模型
2．2．1 第一步，觀察數(shù)據(jù)
2．2．2 第二步，預覽數(shù)據(jù)
2．3 數(shù)據(jù)挖掘與訓練模型
2．3．1 第一步，準備數(shù)據(jù)
2．3．2 第二步，挖掘數(shù)據(jù)特征
2．3．3 第三步，使用模型
2．3．4 第四步，代碼實戰(zhàn)
2．4 參考文獻及網(wǎng)頁鏈接

第3章 數(shù)形結合——圖像處理基礎知識
3．1 讀取圖像文件進行基本操作
3．1．1 使用python-opencv讀取圖片
3．1．2 借助python-opencv進行不同編碼格式的轉換
3．1．3 借助python-opencv改變圖片尺寸
3．2 用簡單的矩陣操作處理圖像
3．2．1 對圖像進行復制與粘貼
3．2．2 把圖像當成矩陣進行處理——二維碼轉換成矩陣
3．3 使用OpenCV“摳圖”——基于顏色通道以及形態(tài)特征
3．4 基于傳統(tǒng)特征的傳統(tǒng)圖像分類方法
3．4．1 將圖片簡化為少數(shù)區(qū)域并計算每個區(qū)域輪廓特征的方向
3．4．2 將HOG變換運用在所有正負樣本中
3．4．3 訓練模型
3．4．4 將訓練好的分類器運用在新的圖片中
3．5 參考文獻及網(wǎng)頁鏈接

第4章 繼往開來——使用深度神經網(wǎng)絡框架
4．1 從邏輯回歸說起
4．2 深度學習框架
4．3 基于反向傳播算法的自動求導
4．4 簡單的深度神經網(wǎng)絡框架實現(xiàn)
4．4．1 數(shù)據(jù)結構部分
4．4．2 計算圖部分
4．4．3 使用方法
4．4．4 訓練模型
4．5 參考文獻及網(wǎng)頁鏈接

第5章 排列組合——深度神經網(wǎng)絡框架的模型元件
5．1 常用層
5．1．1 Dense
5．1．2 Activation
5．1．3 Dropout
5．1．4 Flatten
5．2 卷積層
5．2．1 Conv2D
5．2．2 Cropping2D
5．2．3 ZeroPadding2D
5．3 池化層
5．3．1 MaxPooling2D
5．3．2 AveragePooling2D
5．3．3 GlobalAveragePooling2D
5．4 正則化層與過擬合
5．5 反卷積層
5．6 循環(huán)層
5．6．1 SimpleRNN
5．6．2 LSTM
5．6．3 GRU
5．7 參考文獻及網(wǎng)頁鏈接

第6章 少量多次——深度神經網(wǎng)絡框架的輸入處理
6．1 批量生成訓練數(shù)據(jù)
6．2 數(shù)據(jù)增強
6．3 參考文獻及網(wǎng)頁鏈接

第7章 愚公移山——深度神經網(wǎng)絡框架的模型訓練
7．1 隨機梯度下降
7．2 動量法
7．3 自適應學習率算法
7．4 實驗案例
7．5 參考文獻及網(wǎng)頁鏈接

第8章 小試牛刀——使用深度神經網(wǎng)絡進行CIFAR．1 0數(shù)據(jù)分類
8．1 上游部分——基于生成器的批量生成輸入模塊
8．2 核心部分——用各種零件搭建深度神經網(wǎng)絡
8．3 下游部分——使用凸優(yōu)化模塊訓練模型
8．4 參考文獻及網(wǎng)頁鏈接

第9章 見多識廣——使用遷移學習提升準確率
9．1 貓狗大戰(zhàn)1．0——使用卷積神經網(wǎng)絡直接進行訓練
9．1．1 導入數(shù)據(jù)
9．1．2 可視化
9．1．3 分割訓練集和驗證集
9．1．4 搭建模型
9．1．5 模型訓練
9．1．6 總結
9．2 貓狗大戰(zhàn)2．0——使用ImageNet數(shù)據(jù)集預訓練模型
9．2．1 遷移學習
9．2．2 數(shù)據(jù)預處理
9．2．3 搭建模型
9．2．4 模型可視化
9．2．5 訓練模型
9．2．6 提交到kaggle評估
9．3 貓狗大戰(zhàn)3．0——使用多種預訓練模型組合提升表現(xiàn)
9．3．1 載入數(shù)據(jù)集
9．3．2 使用正確的預處理函數(shù)
9．3．3 搭建特征提取模型并導出特征
9．3．4 搭建并訓練全連接分類器模型
9．3．5 在測試集上預測
9．4 融合模型
9．4．1 獲取特征
9．4．2 數(shù)據(jù)持久化
9．4．3 構建模型
9．4．4 在測試集上預測
9．5 總結
9．6 參考文獻及網(wǎng)頁鏈接

第10章 看圖識字——使用深度神經網(wǎng)絡進行文字識別
10．1 使用卷積神經網(wǎng)絡進行端到端學習
10．1．1 編寫數(shù)據(jù)生成器
10．1．2 使用生成器
10．1．3 構建深度卷積神經網(wǎng)絡
10．1．4 模型可視化
10．1．5 訓練模型
10．1．6 計算模型總體準確率
10．1．7 測試模型
10．1．8 模型總結
10．2 使用循環(huán)神經網(wǎng)絡改進模型
10．2．1 CTC Loss
10．2．2 模型結構
10．2．3 模型可視化
10．2．4 數(shù)據(jù)生成器
10．2．5 評估模型
10．2．6 評估回調
10．2．7 訓練模型
10．2．8 測試模型
10．2．9 再次評估模型
10．2．1 0總結
10．3 識別四則混合運算驗證碼（初賽）
10．3．1 問題描述
10．3．2 數(shù)據(jù)集探索
10．3．3 模型結構
10．3．4 結果可視化
10．3．5 總結
10．4 識別四則混合運算驗證碼（決賽）
10．4．1 問題描述
10．4．2 數(shù)據(jù)集探索
10．4．3 數(shù)據(jù)預處理
10．4．4 模型結構
10．4．5 生成器
10．4．6 模型的訓練
10．4．7 預測結果
10．4．8 模型結果融合
10．4．9 其他嘗試
10．4．1 0小結
10．5 參考文獻及網(wǎng)頁鏈接

第11章 見習醫(yī)生——使用全卷積神經網(wǎng)絡分割病理切片中的癌組織
11．1 任務描述
11．1．1 賽題設置
11．1．2 數(shù)據(jù)描述
11．1．3 數(shù)據(jù)標注
11．2 總體思路
11．3 構造模型
11．3．1 準備數(shù)據(jù)
11．3．2 構建模型
11．3．3 模型優(yōu)化
11．4 程序執(zhí)行
11．5 模型結果可視化
11．5．1 加載函數(shù)
11．5．2 選擇驗證集并編寫預測函數(shù)
11．5．3 根據(jù)tensorborad可視化結果選擇最好的模型
11．5．4 嘗試逐步降低學習率
11．6 觀察模型在驗證集上的預測表現(xiàn)
11．7 參考文獻及網(wǎng)頁鏈接

第12章 知行合一——如何寫一個深度學習App
12．1 CAM可視化
12．2 導出分類模型和CAM可視化模型
12．2．1 載入數(shù)據(jù)集
12．2．2 提取特征
12．2．3 搭建和訓練分類器
12．2．4 搭建分類模型和CAM模型
12．2．5 可視化測試
12．2．6 保存模型
12．2．7 導出mlmodel模型文件
12．3 開始編寫App
12．3．1 創(chuàng)建工程
12．3．2 配置工程
12．3．3 測試工程
12．3．4 運行程序
12．4 使用深度學習模型
12．4．1 將模型導入到工程中
12．4．2 數(shù)據(jù)類型轉換函數(shù)
12．4．3 實施CAM可視化
12．4．4 模型效果
12．5 參考文獻及網(wǎng)頁鏈接