機器視覺之TensorFlow 2：入門、原理與應用實戰(zhàn)

第 一篇基礎知識
第 1章　神經(jīng)網(wǎng)絡的原理／3
1．1　神經(jīng)網(wǎng)絡／4
1．1．1　神經(jīng)元的結(jié)構(gòu)／4
1．1．2　生物神經(jīng)元與計算機中神經(jīng)元模型結(jié)構(gòu)的相似性／6
1．1．3　生物神經(jīng)元與計算機神經(jīng)元模型工作流程的相似性／6
1．1．4　神經(jīng)網(wǎng)絡的形成／6
1．2　神經(jīng)網(wǎng)絡與深度學習的關(guān)系／7
1．3　全連接神經(jīng)網(wǎng)絡／7
1．3．1　全連接神經(jīng)網(wǎng)絡的結(jié)構(gòu)／7
1．3．2　實例分析：全連接神經(jīng)網(wǎng)絡中每個神經(jīng)元的作用／8
1．3．3　全連接神經(jīng)網(wǎng)絡的擬合原理／10
1．3．4　全連接神經(jīng)網(wǎng)絡的設計思想／10
1．4　生物界的視覺處理系統(tǒng)／11
1．4．1　大腦對視覺信號的處理流程 ／11
1．4．2　大腦對神經(jīng)信號的分級處理 ／12
1．5　離散微積分／12
1．5．1　離散微分與離散積分／12
1．5．2　計算機視覺中的離散積分／13
1．6　卷積神經(jīng)網(wǎng)絡／13
1．6．1　卷積的過程／14
1．6．2　1D卷積、2D卷積和3D卷積／14
1．6．3　實例分析：Sobel算子的原理／15
1．6．4　深度神經(jīng)網(wǎng)絡中的卷積核／17
1．6．5　反卷積／18
1．7　卷積分／18
1．8　卷積神經(jīng)網(wǎng)絡與全連接神經(jīng)網(wǎng)絡的關(guān)系／19
第 2章　搭建開發(fā)環(huán)境／21
2．1　準備硬件環(huán)境／22
2．2　下載及安裝Anaconda／22
2．2．1　下載Anaconda開發(fā)工具／22
2．2．2　安裝Anaconda開發(fā)工具／23
2．2．3　安裝Anaconda開發(fā)工具時的注意事項／23
2．3　使用Anaconda安裝TensorFlow／24
2．3．1　查看TensorFlow的版本／24
2．3．2　使用Anaconda 安裝TensorFlow／24
2．3．3　TensorFlow的安裝指南／25
2．4　測試顯卡及開發(fā)環(huán)境的一些常用命令／25
2．4．1　使用nvidia-smi命令查看顯卡 信息／25
2．4．2　nvidia-smi命令失效的解決 辦法／26
2．4．3　查看CUDA 的版本／27
2．4．4　查看cuDNN 的版本／27
2．4．5　用代碼測試安裝環(huán)境／28
2．5　使用Python虛環(huán)境實現(xiàn)多個 TensorFlow版本共存／28
2．5．1　查看當前的Python虛環(huán)境及Python版本／28
2．5．2　創(chuàng)建Python虛環(huán)境／29
2．5．3　在Python虛環(huán)境中安裝TensorFlow 1．x版本／31
2．5．4　進行界面配置／31
2．5．5　使用PyCharm編輯器切換虛環(huán)境／33
2．6　安裝Docker／35
2．6．1　Docker簡介／35
2．6．2　在Dabian系列的Linux系統(tǒng)中安裝Docker／35
2．6．3　在Red Had系列的Linux系統(tǒng)中安裝Docker／36
2．6．4　安裝NVIDIA Docker／38
2．7　安裝TF_Serving模塊／38
2．7．1　在Linux系統(tǒng)中使用apt-get命令安裝TF_Serving模塊／38
2．7．2　在Linux系統(tǒng)中使用Docker安裝TF_Serving模塊／39
第3章　在網(wǎng)絡側(cè)搭建圖片分類器／41
3．1基礎概念／42
3．1．1　ResNet50模型與殘差網(wǎng)絡／42
3．1．2　tf．keras接口／43
3．2　代碼環(huán)境及模型準備／44
3．2．1　獲取預訓練模型／44
3．2．2　在本地進行模型部署／45
3．3　代碼實現(xiàn)：用ResNet50模型識別圖片所屬類別／45
3．4　使用模型時如何預處理輸入圖片／48
3．4．1　最近鄰法／48
3．4．2　調(diào)整圖片尺寸的其他方法／48
3．4．3　數(shù)據(jù)預處理在模型應用中的重要性／49
3．4．4　ImgNet中預訓練模型的數(shù)據(jù)預處理方法／49
3．5　代碼實現(xiàn)：將模型導出為支持部署的凍結(jié)圖／50
3．5．1　saved_model的用法／50
3．5．2　調(diào)用saved_model模塊為模型添加簽名并保存／50
3．5．3　運行代碼并生成凍結(jié)圖／51
3．6　在服務器上部署分類器模型／52
3．6．1　指定模型的版本號／52
3．6．2　啟動服務容器／52
3．6．3　關(guān)閉網(wǎng)絡側(cè)服務的方法／53
3．7　代碼實現(xiàn)：構(gòu)建URL請求客戶端／54
3．8　網(wǎng)絡側(cè)的分類應用／55
3．9　擴展：使用更多預訓練模型進行部署／56
3．9．1　VGG模型／56
3．9．2　Inception模型／56
3．9．3　DenseNet模型／57
3．9．4　PNASNet模型／57
3．9．5　EfficientNet模型／58
3．9．6主流卷積模型的通用結(jié)構(gòu)／60
第二篇中級應用
第4章　識別圖片中不同膚色的人數(shù)／63
4．1　安裝實例所依賴的模塊／64
4．1．1　安裝opencv-python模塊／64
4．1．2　安裝face_recognition模塊／64
4．1．3　安裝imageio模塊／65
4．1．4　安裝tqdm模塊／65
4．2　編寫爬蟲程序并收集樣本／65
4．2．1　設計爬蟲程序／65
4．2．2　代碼實現(xiàn)：定義爬蟲類／66
4．2．3　代碼實現(xiàn)：用爬蟲爬取圖片／69
4．3　加工樣本／70
4．3．1　提取人臉信息的具體步驟／70
4．3．2　代碼實現(xiàn)：將裁剪圖片加工成訓練樣本／70
4．4　將樣本載入數(shù)據(jù)集／72
4．4．1　tf．data．Dataset接口／72
4．4．2　tf．data．Dataset接口支持的數(shù)據(jù)集變換操作／72
4．4．3　代碼實現(xiàn)：構(gòu)建數(shù)據(jù)集／77
4．5　tf．keras接口的使用／79
4．5．1　調(diào)用函數(shù)式API的模式／79
4．5．2　構(gòu)建子類的模式／83
4．5．3　其他模式及總結(jié)／86
4．6　深度卷積神經(jīng)網(wǎng)絡／86
4．6．1　深度卷積神經(jīng)網(wǎng)絡的組成／87
4．6．2　卷積運算／87
4．6．3　池化運算／88
4．6．4　激活函數(shù)ReLU及相關(guān)的變體函數(shù)／89
4．7　構(gòu)建網(wǎng)絡模型／91
4．7．1　設計深度卷積神經(jīng)網(wǎng)絡模型的結(jié)構(gòu)／92
4．7．2　Dropout層的實現(xiàn)與原理／92
4．7．3　Softmax算法及其原理／93
4．7．4　常用的損失算法／94
4．7．5　代碼實現(xiàn)：用tf．keras接口搭建卷積神經(jīng)網(wǎng)絡／95
4．7．6　代碼實現(xiàn)：定義網(wǎng)絡模型的訓練接口／97
4．7．7　代碼實現(xiàn)：可視化模型結(jié)構(gòu)／98
4．8　使用模型／101
4．8．1　代碼實現(xiàn)：使用模型對圖片進行識別／101
4．8．2　代碼實現(xiàn)：使用模型對實時視頻流進行識別／102
4．8．3　在Linux系統(tǒng)中調(diào)用攝像頭并使用模型／104
4．9　卷積神經(jīng)網(wǎng)絡的優(yōu)化方法／106
4．9．1　批量歸一化／106
4．9．2　更好的激活函數(shù)／106
4．9．3　更好的Dropout方法／108
4．9．4　更好的網(wǎng)絡結(jié)構(gòu)／110
4．9．5　更好的卷積核／111
4．9．6　卷積核的分解技巧／114
4．9．7　可分離深度卷積／115
4．9．8　空洞卷積／115
4．10　練習題／116
第5章　用遷移學習診斷醫(yī)療影像／117
5．1　處理樣本／118
5．1．1　醫(yī)療影像的文件格式／118
5．1．2　ChestX-ray14數(shù)據(jù)集／119
5．1．3　在實例中部署數(shù)據(jù)集／121
5．1．4　數(shù)據(jù)增強／121
5．1．5　用tf．keras接口進行數(shù)據(jù)增強的方法／123
5．1．6　代碼實現(xiàn)：創(chuàng)建用于數(shù)據(jù)增強的圖像生成器／125
5．1．7　應用圖像生成器的方法／126
5．1．8　代碼實現(xiàn)：在數(shù)據(jù)集上應用圖像生成器／129
5．2　分類任務與樣本均衡／134
5．2．1　二分類任務／134
5．2．2　互斥多分類任務與互斥分類任務／134
5．2．3　非互斥分類任務／134
5．2．4　訓練過程中的樣本均衡問題／134
5．2．5　代碼實現(xiàn)：為ChestX-ray14 數(shù)據(jù)集進行樣本均衡／135
5．3　遷移訓練CheXNet模型／137
5．3．1　遷移訓練／137
5．3．2　CheXNet模型／137
5．3．3　下載DenseNet121預訓練模型／139
5．3．4　代碼實現(xiàn)：用tf．keras接口搭建預訓練模型／139
5．3．5　代碼實現(xiàn)：構(gòu)建模型／141
5．4　編譯模型／141
5．4．1　優(yōu)化器的種類與選?。?41
5．4．2　tf．keras接口中的損失函數(shù)／143
5．4．3　學習率與退化學習率的設置／143
5．4．4　評估函數(shù)的設置／144
5．4．5　代碼實現(xiàn)：為模型添加自定義評估接口／145
5．4．6　代碼實現(xiàn)：編譯模型／147
5．5　tf．keras接口中訓練模型的方法／148
5．5．1　fit方法的使用／148
5．5．2　fit_generator方法的使用／149
5．6　tf．keras訓練模型中的Callbacks方法／150
5．6．1　輸出訓練過程中的指定數(shù)據(jù)／151
5．6．2　將訓練過程中的指定數(shù)據(jù)輸出到TensorBoard上／151
5．6．3　保存訓練過程中的檢查點文件／151
5．6．4　設置訓練模型的早停功能／152
5．6．5　設置退化學習率／152
5．6．6　自定義Callbacks方法／152
5．7　添加回調(diào)函數(shù)并訓練模型／153
5．7．1　代碼實現(xiàn)：添加檢查點回調(diào)函數(shù)／153
5．7．2　代碼實現(xiàn)：添加退化學習率回調(diào)函數(shù)／153
5．7．3　代碼實現(xiàn)：訓練模型并可視化訓練過程／154
5．8　使用基于梯度定位的深度網(wǎng)絡可視化方法顯示病灶區(qū)域／156
5．8．1　Grad-CAM方法／156
5．8．2　代碼實現(xiàn)：計算病灶區(qū)域／158
5．9　擴展實例：多模型融合／161
5．9．1　多模型融合／161
5．9．2　使用八度卷積來替換模型中的普通卷積／162
5．9．3　使用隨機數(shù)據(jù)增強方法訓練模型／164
5．9．4　使用AdvProp方法訓練模型／164
5．9．5　使用自訓練框架Noisy Student訓練模型／166
5．9．6　關(guān)于更多訓練方法的展望／167
5．10　在衣服數(shù)據(jù)集上處理多標簽非互斥分類任務／167
第三篇高級應用
第6章　用Anchor-Free模型檢測
文字／173
6．1　基于圖片內(nèi)容的處理任務／174
6．1．1　目標識別任務／174
6．1．2　圖片分割任務／174
6．1．3　Anchor-Free模型／175
6．1．4　非極大值抑制算法／176
6．1．5　FCOS模型／176
6．1．6　focal loss算法／177
6．1．7　CornerNet與CornerNet-Lite模型／178
6．1．8　CenterNet模型／179
6．1．9　高斯核函數(shù)／179
6．1．10　Matrix Net模型／182
6．1．11　目標檢測中的上采樣與下采樣／183
6．1．12　卷積運算與補零間的關(guān)系／183
6．2　處理樣本／184
6．2．1　樣本／184
6．2．2　代碼實現(xiàn)：用tf．data．Dataset接口開發(fā)版本兼容的數(shù)據(jù)集／185
6．2．3　代碼實現(xiàn)：為尺寸調(diào)整后的樣本圖片同步標注坐標／192
6．2．4　代碼實現(xiàn)：將標簽改為“中心點、高、寬”的形式／195
6．3　構(gòu)建堆疊式沙漏網(wǎng)絡模型／198
6．3．1　沙漏網(wǎng)絡模型／198
6．3．2　代碼實現(xiàn)： 構(gòu)建沙漏網(wǎng)絡模型的基礎結(jié)構(gòu)／200
6．3．3　代碼實現(xiàn)： 構(gòu)建沙漏網(wǎng)絡模型的前置結(jié)構(gòu)／201
6．3．4　代碼實現(xiàn)： 構(gòu)建沙漏網(wǎng)絡模型的主體結(jié)構(gòu)／203
6．3．5　代碼實現(xiàn)： 搭建堆疊式沙漏網(wǎng)絡模型／206
6．3．6　代碼實現(xiàn)： 對沙漏網(wǎng)絡模型進行單元測試／207
6．4　構(gòu)建CenterNet模型類／208
6．4．1　代碼實現(xiàn)： 定義CenterNet模型類并實現(xiàn)初始化方法／208
6．4．2　代碼實現(xiàn)： 定義模型的輸入節(jié)點／209
6．4．3　代碼實現(xiàn)： 構(gòu)建模型的網(wǎng)絡結(jié)構(gòu)／211
6．4．4　代碼實現(xiàn)： 計算模型的損失值／215
6．4．5　高斯核半徑的計算／220
6．4．6　代碼實現(xiàn)： 實現(xiàn)CenterNet模型類的訓練／222
6．5　訓練模型／224
6．5．1　代碼實現(xiàn)： 構(gòu)建數(shù)據(jù)集／224
6．5．2　代碼實現(xiàn)： 實例化MyCenterNet類并加載權(quán)重參數(shù)／225
6．5．3　代碼實現(xiàn)： 訓練模型并保存最優(yōu)結(jié)果／226
6．6　使用模型／228
6．6．1　代碼實現(xiàn)： 實例化MyCenterNet類／228
6．6．2　代碼實現(xiàn)： 讀取圖片并預測／229
6．7　模型開發(fā)過程中的經(jīng)驗與技巧／230
6．7．1　如何用tf．data．Dataset接口返回變長的批次樣本數(shù)據(jù)／230
6．7．2　在模型訓練過程中處理損失值為None的思路／231
6．7．3　實例分析：由于計算方法的問題，引起損失值為None／232
6．7．4　使用tf．data．Dataset接口對齊填充時的注意事項／233
6．7．5　實例分析：由于模型輸出的問題，引起損失值為None／233
6．7．6　實例分析：由于學習率過大，引起損失值為None／234
6．7．7　歸一化權(quán)重設置不當會使模型停止收斂／235
6．7．8　實例分析：歸一化權(quán)重設置不當會使模型停止收斂／235
6．7．9　退化學習率使用不當會使模型停止收斂／236
6．7．10　如何避免模型在預測和訓練時處理的樣本相同卻得到不同的結(jié)果／237
6．7．11　實例分析：用模型檢測相同的數(shù)據(jù)卻得出不同的結(jié)果／237
6．7．12　常用的帶補零的卷積運算／238
6．7．13　使用更好的骨干網(wǎng)模型Res2Net／239
6．8　擴展：對漢字進行區(qū)域檢測／240
6．9　練習題／240
第7章　實現(xiàn)OCR模型——可以從圖片中識別出文字的模型／241
7．1實例：用CNN模型識別驗證碼／242
7．1．1　樣本／242
7．1．2　代碼實現(xiàn)：生成自定義字體的驗證碼／242
7．1．3　代碼實現(xiàn)：構(gòu)建輸入數(shù)據(jù)集／243
7．1．4　模型的設計思路／244
7．1．5　代碼實現(xiàn)：搭建卷積網(wǎng)絡模型／244
7．1．6　代碼實現(xiàn)：搭建多分類輸出層／246
7．1．7　訓練模型并輸出結(jié)果／247
7．1．8　原理分析：輸出層的每個分類是否可以與字符序列對應／247
7．1．9　練習題：可視化分類器的關(guān)注區(qū)域／248
7．2　通用OCR的實現(xiàn)原理／250
7．3　文字檢測的相關(guān)技術(shù)／251
7．4　文字識別的相關(guān)技術(shù)／252
7．5　實例：用CRNN模型識別圖片中的 變長文字／252
7．5．1　制作樣本／253
7．5．2　代碼實現(xiàn)：用tf．data．Dataset接口開發(fā)版本兼容的數(shù)據(jù)集／253
7．5．3　CRNN中的RNN／259
7．5．4　代碼實現(xiàn)：構(gòu)建CRNN模型／259
7．5．5　CTC算法與損失計算／264
7．5．6　代碼實現(xiàn)：實現(xiàn)損失計算函數(shù)／265
7．5．7　代碼實現(xiàn)：實現(xiàn)自定義Callbacks類并重新計算損失值／266
7．5．8　代碼實現(xiàn)：訓練CRNN模型／267
7．5．9　代碼實現(xiàn)：使用CRNN模型進行預測／270
7．6　開發(fā)模型過程中的經(jīng)驗與技巧／272
7．6．1　在下采樣操作中盡可能用步長為2的操作代替池化／272
7．6．2　實例驗證：全尺寸卷積與全連接完全一樣／273
7．6．3　批量歸一化與激活函數(shù)的位置關(guān)系／274
7．6．4　在神經(jīng)網(wǎng)絡模型中是否有必要操作Dropout層／277
7．6．5　實例分析：應該將圖片歸 一 化到[0，1］區(qū)間還是［-1，1］區(qū)間／278
7．6．6　用tf．keras接口編寫組合模型時容易犯的錯誤／279
7．6．7　開發(fā)含CTC算法的代碼的注意事項／282
7．6．8　在使用相同數(shù)據(jù)集的情況下訓練過程的損失值和驗證過程的損失值不同／282
7．6．9　實例驗證：訓練時優(yōu)化器的選取／283
第８章　優(yōu)化OCR模型——基于卷積網(wǎng)絡和循環(huán)網(wǎng)絡的優(yōu)化／285
8．1　優(yōu)化OCR模型中的圖像特征處理部分／286
8．1．1　提升深度卷積神經(jīng)網(wǎng)絡魯棒性的思路／286
8．1．2　STN模型／286
8．1．3　STN模型的原理分析／287
8．2　實例：用STN實現(xiàn)MNIST數(shù)據(jù)集的仿射變換／288
8．2．1　樣本／288
8．2．2　代碼實現(xiàn)：構(gòu)建STN層／288
8．2．3　代碼實現(xiàn)：測試STNtransformer類／294
8．2．4　代碼實現(xiàn)：制作DataSet／297
8．2．5　獨立組件層的原理／298
8．2．6　代碼實現(xiàn)：搭建應用ReNorm算法的IC層／299
8．2．7　ReNorm算法的原理／299
8．2．8　代碼實現(xiàn)：搭建有STN層的卷積模型／300
8．2．9　代碼實現(xiàn)：訓練STN模型／302
8．2．10　代碼實現(xiàn)：使用模型進行預測并顯示STN層的結(jié)果／303
8．3　實例：用STN層優(yōu)化OCR模型／305
8．3．1　帶STN層的CRNN模型的結(jié)構(gòu)／305
8．3．2　代碼實現(xiàn)：搭建有STN層的CRNN模型／306
8．3．3　代碼實現(xiàn)：訓練模型并輸出結(jié)果／307
8．3．4　優(yōu)化步驟1：使損失不變的模型發(fā)生收斂／308
8．3．5　優(yōu)化步驟2：消除模型在訓練和預測相同數(shù)據(jù)時的效果差異／310
8．3．6　擴展：廣義的STN／313
8．4　對OCR網(wǎng)絡中的序列生成部分進行優(yōu)化／315
8．4．1　多頭注意力與自注意力機制／315
8．4．2　用多頭自注意力機制模型替換RNN模型／316
8．4．3　用注意力機制改善RNN模型／318
8．4．4　用seq2seq框架改善輸出序列／321
8．4．5　Addons模塊／322
8．4．6　使用反向序列／322
8．5　擴展實例：用控制點校正的方法優(yōu)化OCR網(wǎng)絡／323
8．5．1　代碼實現(xiàn)： 搭建有控制點校正的STN模型／324
8．5．2　控制點在模型預測中的效果／325
8．5．3　ASTER模型／326
8．6　開發(fā)模型的經(jīng)驗與技巧／327
8．6．1　相關(guān)函數(shù)／327
8．6．2　防范手動初始化權(quán)重的陷阱／329
8．6．3　測試模型泛化能力過程中的注意事項／331
8．6．4　使用Mish激活函數(shù)與Ranger優(yōu)化器進一步提升性能／331