深度學(xué)習(xí)之圖像識別：核心技術(shù)與案例實戰(zhàn)

定　價：￥79.00

作　者：	言有三著
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥79.00)

ISBN：	9787111624721	出版時間：	2019-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	280	字?jǐn)?shù)：

內(nèi)容簡介

　　本書全面介紹了深度學(xué)習(xí)在圖像處理領(lǐng)域中的核心技術(shù)與應(yīng)用。書中不但重視基礎(chǔ)理論的講解，而且從第4章開始的每章都提供了一到兩個不同難度的案例供讀者實踐，讀者可以在已有代碼的基礎(chǔ)上進行修改和改進，從而加深對所學(xué)知識的理解。本書共10章，首先從深度學(xué)習(xí)的基礎(chǔ)概念開始，介紹了神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識和深度學(xué)習(xí)中的優(yōu)化技術(shù)；然后系統(tǒng)地介紹了深度學(xué)習(xí)中與數(shù)據(jù)相關(guān)的知識，包括經(jīng)典數(shù)據(jù)集的設(shè)計、數(shù)據(jù)集的增強以及數(shù)據(jù)的獲取與整理；接著重點針對圖像開發(fā)領(lǐng)域，用3章內(nèi)容系統(tǒng)地介紹了深度學(xué)習(xí)在圖像分類、圖像分割和目標(biāo)檢測3個領(lǐng)域的核心技術(shù)與應(yīng)用，這些內(nèi)容的講解均結(jié)合實戰(zhàn)案例展開；另外，還對深度學(xué)習(xí)中損失函數(shù)的發(fā)展、數(shù)據(jù)和模型的可視化以及模型的壓縮和優(yōu)化進行了詳細介紹，為讀者設(shè)計和訓(xùn)練更加實用的模型提供了指導(dǎo)；最后以微信小程序平臺為依托，介紹了微信小程序前后端開發(fā)技術(shù)，完成了深度學(xué)習(xí)的模型部署，讓本書的內(nèi)容形成了一個完整的閉環(huán)。本書理論與實踐結(jié)合，深度與廣度兼具，特別適合深度學(xué)習(xí)領(lǐng)域的相關(guān)技術(shù)人員與愛好者閱讀，尤其適合基于深度學(xué)習(xí)的圖像從業(yè)人員閱讀，以全方位了解深度學(xué)習(xí)在圖像領(lǐng)域中的技術(shù)全貌。另外，本書還適合作為相關(guān)培訓(xùn)機構(gòu)的深度學(xué)習(xí)教材使用。

作者簡介

　　言有三真名龍鵬。2012年本科畢業(yè)于華中科技大學(xué)，后保研至中國科學(xué)院并于2015年畢業(yè)。先后在奇虎360人工智能研究院和陌陌深度學(xué)習(xí)實驗室從事與計算機視覺相關(guān)的工作，積累了豐富的傳統(tǒng)圖像處理算法和深度學(xué)習(xí)項目實戰(zhàn)經(jīng)驗。運營微信公眾號《有三AI》，內(nèi)容覆蓋深度學(xué)習(xí)的理論、實戰(zhàn)經(jīng)驗、開源框架、模型架構(gòu)，以及深度學(xué)習(xí)在各應(yīng)用領(lǐng)域的技術(shù)分析，還提供國內(nèi)外AI研究院的核心技術(shù)報導(dǎo)及AI工程師成長路線的完整規(guī)劃。在知乎上開設(shè)專欄《有三AI學(xué)院》和其他子方向?qū)?。在GitChat和網(wǎng)易云課堂上開設(shè)若干圖文和視頻課程。

圖書目錄

前言
第1章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)1
1.1 神經(jīng)網(wǎng)絡(luò)的生物基礎(chǔ)與數(shù)學(xué)模型1
1.1.1 神經(jīng)元1
1.1.2 感知機2
1.1.3 BP算法6
1.2 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)10
1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)11
1.2.2 卷積與權(quán)值共享13
1.2.3 感受野與池化14
第2章深度學(xué)習(xí)優(yōu)化基礎(chǔ)17
2.1 深度學(xué)習(xí)主流開源框架17
2.1.1 Caffe簡介18
2.1.2 TensorFlow簡介18
2.1.3 PyTorch簡介19
2.1.4 Theano簡介20
2.1.5 Keras簡介20
2.1.6 MXNet簡介21
2.1.7 Chainer簡介21
2.2 網(wǎng)絡(luò)優(yōu)化參數(shù)22
2.2.1 常用激活函數(shù)22
2.2.2 參數(shù)初始化方法26
2.2.3 最優(yōu)化方法27
2.2.4 歸一化方法31
2.2.5 正則化方法33
第3章深度學(xué)習(xí)中的數(shù)據(jù)36
3.1 深度學(xué)習(xí)通用數(shù)據(jù)集的發(fā)展36
3.1.1 MNIST數(shù)據(jù)集36
3.1.2 CIFAR10和CIFAR100數(shù)據(jù)集37
3.1.3 PASCAL數(shù)據(jù)集38
3.1.4 ImageNet數(shù)據(jù)集38
3.1.5 Microsoft COCO數(shù)據(jù)集39
3.2 常見的計算機視覺任務(wù)數(shù)據(jù)集40
3.2.1 人臉數(shù)據(jù)集40
3.2.2 自動駕駛數(shù)據(jù)集52
3.2.3 醫(yī)學(xué)數(shù)據(jù)集55
3.3 數(shù)據(jù)增強59
3.3.1 有監(jiān)督數(shù)據(jù)增強60
3.3.2 無監(jiān)督數(shù)據(jù)增強63
3.4 數(shù)據(jù)的收集與標(biāo)注65
3.4.1 數(shù)據(jù)收集65
3.4.2 數(shù)據(jù)標(biāo)注67
3.4.3 數(shù)據(jù)清洗與整理68
第4章圖像分類70
4.1 圖像分類基礎(chǔ)70
4.1.1 圖像分類問題70
4.1.2 深度學(xué)習(xí)圖像分類發(fā)展簡史72
4.1.3 評測指標(biāo)與優(yōu)化目標(biāo)75
4.1.4 圖像分類的挑戰(zhàn)76
4.2 移動端實時表情分類實戰(zhàn)77
4.2.1 項目背景78
4.2.2 數(shù)據(jù)預(yù)處理80
4.2.3 項目方案82
4.2.4 模型訓(xùn)練與測試84
4.2.5 項目總結(jié)88
4.3 細粒度圖像分類實戰(zhàn)89
4.3.1 項目背景89
4.3.2 項目方案90
4.3.3 模型訓(xùn)練與測試92
4.3.4 參數(shù)調(diào)試97
4.3.5 項目總結(jié)102
第5章圖像分割103
5.1 傳統(tǒng)圖像分割方法103
5.1.1 閾值法103
5.1.2 區(qū)域生長法與超像素105
5.1.3 圖切割105
5.1.4 活動輪廓模型106
5.2 深度學(xué)習(xí)圖像分割109
5.2.1 基本流程110
5.2.2 反卷積110
5.2.3 多尺度與感受野112
5.2.4 CRF方法113
5.2.5 Image Matting與圖像融合114
5.3 移動端實時圖像分割項目115
5.3.1 項目背景115
5.3.2 項目方案116
5.3.3 模型訓(xùn)練與總結(jié)126
5.4 一個實時肖像換背景項目127
5.4.1 項目背景127
5.4.2 項目方案128
5.4.3 模型訓(xùn)練與測試134
5.4.4 項目總結(jié)138
第6章目標(biāo)檢測139
6.1 目標(biāo)檢測基礎(chǔ)139
6.1.1 檢測窗口選擇140
6.1.2 特征提取141
6.1.3 分類器142
6.1.4 V-J人臉檢測算法143
6.2 深度學(xué)習(xí)目標(biāo)檢測方法145
6.2.1 Selective search與R-CNN146
6.2.2 RoI Pooling與SPPNet147
6.2.3 Fast R-CNN與Faster R-CNN149
6.2.4 YOLO方法152
6.2.5 SSD方法154
6.2.6 目標(biāo)檢測中的關(guān)鍵技術(shù)155
6.3 實戰(zhàn)Faster-R-CNN目標(biāo)檢測157
6.3.1 項目背景157
6.3.2 py-faster-rcnn框架解讀157
6.3.3 模型定義與分析170
6.3.4 模型訓(xùn)練與測試180
6.3.5 項目總結(jié)183
第7章數(shù)據(jù)與模型可視化185
7.1 數(shù)據(jù)可視化185
7.1.1 低維數(shù)據(jù)可視化185
7.1.2 高維數(shù)據(jù)可視化187
7.2 模型可視化190
7.2.1 模型結(jié)構(gòu)可視化190
7.2.2 模型權(quán)重可視化198
7.2.3 特征圖可視化201
7.3 可視化案例202
7.3.1 項目背景202
7.3.2 數(shù)據(jù)接口定義204
7.3.3 網(wǎng)絡(luò)結(jié)構(gòu)定義205
7.3.4 可視化代碼添加207
7.3.5 可視化訓(xùn)練指標(biāo)207
第8章模型壓縮209
8.1 模型壓縮方法209
8.1.1 模型設(shè)計壓縮210
8.1.2 網(wǎng)絡(luò)剪枝與量化213
8.1.3 張量分解216
8.1.4 模型蒸餾與遷移學(xué)習(xí)216
8.2 模型壓縮實戰(zhàn)218
8.2.1 網(wǎng)絡(luò)分析220
8.2.2 輸入尺度和第一層卷積設(shè)計224
8.2.3 網(wǎng)絡(luò)寬度與深度壓縮226
8.2.4 彌補通道損失228
8.2.5 總結(jié)230
第9章損失函數(shù)231
9.1 分類任務(wù)損失231
9.1.1 什么是0-1 loss231
9.1.2 熵與交叉熵loss231
9.1.3 softmax loss及其變種232
9.1.4 KL散度237
9.1.5 Hinge loss簡介237
9.1.6 Exponential loss與Logistic loss237
9.1.7 多標(biāo)簽分類任務(wù)loss238
9.2 回歸任務(wù)損失238
9.2.1 L1 loss與L2 loss238
9.2.2 L1 loss與L2 loss的改進239
9.3 常見圖像任務(wù)與loss使用240
9.3.1 圖像基礎(chǔ)任務(wù)240
9.3.2 風(fēng)格化與圖像復(fù)原，超分辨重建240
9.3.3 生成對抗網(wǎng)絡(luò)241
9.3.4 總結(jié)245
第10章模型部署與上線246
10.1 微信小程序前端開發(fā)246
10.1.1 小程序的技術(shù)特點與定位246
10.1.2 Web前端基礎(chǔ)248
10.1.3 小程序開發(fā)工具251
10.1.4 小程序前端目錄252
10.1.5 小程序前端開發(fā)254
10.2 微信小程序服務(wù)端開發(fā)260
10.2.1 域名注冊與管理260
10.2.2 服務(wù)端框架簡介261
10.2.3 算法搭建與實現(xiàn)262
10.3 Caffe環(huán)境配置264
10.3.1 依賴庫安裝264
10.3.2 Caffe編譯安裝266