OpenCV+TensorFlow深度學(xué)習(xí)與計算機視覺實戰(zhàn)

目 錄
第1章 計算機視覺與深度學(xué)習(xí) 1
1.1 計算機視覺與深度學(xué)習(xí)的關(guān)系 1
1.1.1 人類視覺神經(jīng)的啟迪 2
1.1.2 計算機視覺的難點與人工神經(jīng)網(wǎng)絡(luò) 3
1.1.3 應(yīng)用深度學(xué)習(xí)解決計算機視覺問題 4
1.2 計算機視覺學(xué)習(xí)的基礎(chǔ)與研究方向 5
1.2.1 學(xué)習(xí)計算機視覺結(jié)構(gòu)圖 5
1.2.2 計算機視覺的學(xué)習(xí)方式和未來趨勢 6
1.3 本章小結(jié) 7
第2章 Python的安裝與使用 8
2.1 Python基本安裝和用法 8
2.1.1 Anaconda的下載與安裝 9
2.1.2 Python編譯器PyCharm的安裝 12
2.1.3 使用Python計算softmax函數(shù) 15
2.2 TensorFlow類庫的下載與安裝（基于CPU模式） 16
2.3 TensorFlow類庫的下載與安裝（基于GPU模式） 18
2.3.1 CUDA配置 18
2.3.2 cuDNN配置 21
2.4 OpenCV類庫的下載與安裝 22
2.5 Python常用類庫中的threading 24
2.5.1 threading庫的使用 25
2.5.2 threading模塊中最重要的Thread類 25
2.5.3 threading中的Lock類 26
2.5.4 threading中的join類 27
2.6 本章小結(jié) 28
第3章 Python數(shù)據(jù)處理及可視化 29
3.1 從小例子起步—NumPy的初步使用 29
3.1.1 數(shù)據(jù)的矩陣化 29
3.1.2 數(shù)據(jù)分析 31
3.1.3 基于統(tǒng)計分析的數(shù)據(jù)處理 32
3.2 圖形化數(shù)據(jù)處理—Matplotlib包的使用 33
3.2.1 差異的可視化 33
3.2.2 坐標(biāo)圖的展示 34
3.2.3 玩?zhèn)€大的數(shù)據(jù)集 36
3.3 深度學(xué)習(xí)理論方法—相似度計算 38
3.3.1 基于歐幾里得距離的相似度計算 38
3.3.2 基于余弦角度的相似度計算 39
3.3.3 歐幾里得相似度與余弦相似度的比較 40
3.4 數(shù)據(jù)的統(tǒng)計學(xué)可視化展示 41
3.4.1 數(shù)據(jù)的四分位 41
3.4.2 數(shù)據(jù)的四分位示例 42
3.4.3 數(shù)據(jù)的標(biāo)準化 46
3.4.4 數(shù)據(jù)的平行化處理 47
3.4.5 熱點圖-屬性相關(guān)性檢測 49
3.5 Python數(shù)據(jù)分析與可視化實戰(zhàn)—某地降水的關(guān)系處理 50
3.5.1 不同年份的相同月份統(tǒng)計 50
3.5.2 不同月份之間的增減程度比較 52
3.5.3 每月降水是否相關(guān) 53
3.6 本章小結(jié) 54
第4章 深度學(xué)習(xí)的理論基礎(chǔ)—機器學(xué)習(xí) 55
4.1 機器學(xué)習(xí)基本分類 55
4.1.1 基于學(xué)科的分類 55
4.1.2 基于學(xué)習(xí)模式的分類 56
4.1.3 基于應(yīng)用領(lǐng)域的分類 56
4.2 機器學(xué)習(xí)基本算法 57
4.2.1 機器學(xué)習(xí)的算法流程 57
4.2.2 基本算法的分類 58
4.3 算法的理論基礎(chǔ) 60
4.3.1 小學(xué)生的故事—求圓的面積 60
4.3.2 機器學(xué)習(xí)基礎(chǔ)理論—函數(shù)逼近 61
4.4 回歸算法 62
4.4.1 函數(shù)逼近經(jīng)典算法—線性回歸算法 62
4.4.2 線性回歸的姐妹—邏輯回歸 64
4.5 機器學(xué)習(xí)的其他算法—決策樹 65
4.5.1 水晶球的秘密 65
4.5.2 決策樹的算法基礎(chǔ)—信息熵 66
4.5.3 決策樹的算法基礎(chǔ)—ID3算法 67
4.6 本章小結(jié) 68
第5章 計算機視覺處理庫OpenCV 70
5.1 認識OpenCV 70
5.1.1 OpenCV的結(jié)構(gòu) 70
5.1.2 從雪花電視談起—在Python中使用OpenCV 74
5.2 OpenCV基本的圖片讀取 75
5.2.1 基本的圖片存儲格式 76
5.2.2 圖像的讀取與存儲 78
5.2.3 圖像的轉(zhuǎn)換 78
5.2.4 使用NumPy模塊對圖像進行編輯 80
5.3 OpenCV的卷積核處理 81
5.3.1 計算機視覺的三種不同色彩空間 81
5.3.2 卷積核與圖像特征提取 82
5.3.3 卷積核進階 84
5.4 本章小結(jié) 85
第6章 OpenCV圖像處理實戰(zhàn) 86
6.1 圖片的自由縮放以及邊緣裁剪 86
6.1.1 圖像的擴縮裁挖 86
6.1.2 圖像色調(diào)的調(diào)整 87
6.1.3 圖像的旋轉(zhuǎn)、平移和翻轉(zhuǎn) 89
6.2 使用OpenCV擴大圖像數(shù)據(jù)庫 90
6.2.1 圖像的隨機裁剪 90
6.2.2 圖像的隨機旋轉(zhuǎn)變換 91
6.2.3 圖像色彩的隨機變換 92
6.2.4 對鼠標(biāo)的監(jiān)控 93
6.3 本章小結(jié) 94
第7章 Let’s play TensorFlow 95
7.1 TensorFlow游樂場 95
7.1.1 I want to play a game 95
7.1.2 TensorFlow游樂場背后的故事 99
7.1.3 如何訓(xùn)練神經(jīng)網(wǎng)絡(luò) 101
7.2 Hello TensorFlow 102
7.2.1 TensorFlow名稱的解釋 102
7.2.2 TensorFlow基本概念 103
7.2.3 TensorFlow基本架構(gòu) 105
7.3 本章小結(jié) 106
第8章 Hello TensorFlow，從0到1 107
8.1 TensorFlow的安裝 107
8.2 TensorFlow常量、變量和數(shù)據(jù)類型 109
8.3 TensorFlow矩陣計算 114
8.4 Hello TensorFlow 115
8.5 本章小結(jié) 120
第9章 TensorFlow重要算法基礎(chǔ) 122
9.1 BP神經(jīng)網(wǎng)絡(luò)簡介 122
9.2 BP神經(jīng)網(wǎng)絡(luò)兩個基礎(chǔ)算法詳解 124
9.2.1 最小二乘法詳解 125
9.2.2 道士下山的故事—梯度下降算法 127
9.3 TensorFlow實戰(zhàn)—房屋價格的計算 130
9.3.1 數(shù)據(jù)收集 130
9.3.2 模型的建立與計算 131
9.3.3 TensorFlow程序設(shè)計 133
9.4 反饋神經(jīng)網(wǎng)絡(luò)反向傳播算法介紹 135
9.4.1 深度學(xué)習(xí)基礎(chǔ) 135
9.4.2 鏈式求導(dǎo)法則 136
9.4.3 反饋神經(jīng)網(wǎng)絡(luò)原理與公式推導(dǎo) 138
9.4.4 反饋神經(jīng)網(wǎng)絡(luò)原理的激活函數(shù) 143
9.4.5 反饋神經(jīng)網(wǎng)絡(luò)原理的Python實現(xiàn) 144
9.5 本章小結(jié) 150
第10章 TensorFlow數(shù)據(jù)的生成與讀取 151
10.1 TensorFlow的隊列 151
10.1.1 隊列的創(chuàng)建 151
10.1.2 線程同步與停止 155
10.1.3 隊列中數(shù)據(jù)的讀取 156
10.2 CSV文件的創(chuàng)建與讀取 157
10.2.1 CSV文件的創(chuàng)建 157
10.2.2 CSV文件的讀取 158
10.3 TensorFlow文件的創(chuàng)建與讀取 160
10.3.1 TFRecords文件的創(chuàng)建 160
10.3.2 TFRecords文件的讀取 163
10.3.3 圖片文件的創(chuàng)建與讀取 164
10.4 本章小結(jié) 169
第11章 卷積神經(jīng)網(wǎng)絡(luò)的原理 170
11.1 卷積運算基本概念 170
11.1.1 卷積運算 171
11.1.2 TensorFlow中卷積函數(shù)實現(xiàn)詳解 172
11.1.3 使用卷積函數(shù)對圖像感興趣區(qū)域進行標(biāo)注 176
11.1.4 池化運算 178
11.1.5 使用池化運算加強卷積特征提取 180
11.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)詳解 181
11.2.1 卷積神經(jīng)網(wǎng)絡(luò)原理 181
11.2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用實例—LeNet5網(wǎng)絡(luò)結(jié)構(gòu) 184
11.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 186
11.3 TensorFlow實現(xiàn)LeNet實例 186
11.3.1 LeNet模型分解 187
11.3.2 使用ReLU激活函數(shù)替代Sigmoid 191
11.3.3 程序的重構(gòu)—模塊化設(shè)計 195
11.3.4 卷積核和隱藏層參數(shù)的修改 199
11.4 本章小結(jié) 205
第12章 卷積神經(jīng)網(wǎng)絡(luò)公式的推導(dǎo)與應(yīng)用 206
12.1 反饋神經(jīng)網(wǎng)絡(luò)算法 206
12.1.1 經(jīng)典反饋神經(jīng)網(wǎng)絡(luò)正向與反向傳播公式推導(dǎo) 206
12.1.2 卷積神經(jīng)網(wǎng)絡(luò)正向與反向傳播公式推導(dǎo) 209
12.2 使用卷積神經(jīng)網(wǎng)絡(luò)分辨CIFAR-10數(shù)據(jù)集 217
12.2.1 CIFAR-10數(shù)據(jù)集下載與介紹 217
12.2.2 CIFAR-10模型的構(gòu)建與數(shù)據(jù)處理 219
12.2.3 CIFAR-10模型的細節(jié)描述與參數(shù)重構(gòu) 228
12.3 本章小結(jié) 229
第13章 貓狗大戰(zhàn)—實戰(zhàn)AlexNet圖像識別 230
13.1 AlexNet簡介 231
13.1.1 AlexNet模型解讀 231
13.1.2 AlexNet程序的實現(xiàn) 234
13.2 實戰(zhàn)貓狗大戰(zhàn)—AlexNet模型 239
13.2.1 數(shù)據(jù)的收集與處理 240
13.2.2 模型的訓(xùn)練與存儲 244
13.2.3 使用訓(xùn)練過的模型預(yù)測圖片 250
13.2.4 使用Batch_Normalization正則化處理數(shù)據(jù)集 257
13.3 本章小結(jié) 266