深度学习与图像处理实战 9787115594808 罗颖,赖国明 人民邮电出版社

罗颖，女，现任苏州市工业职业技术学院软件与服务外包学院副院长、副教授，研究方向人工智能技术应用。曾任教于本科院校13年，具有较好的教学科研经验，目前主讲《C语言程序设计》、《关系数据库基础与应用》、《微信小程序开发》等多门课程。2014年以来，主持并参与市厅级以上项目多项，其中主持苏州市科技发展规划项目课题《面向养老服务业的人体行为智能化分析技术研究与应用》，参与江苏省教育厅科技项目《基于递归型数据中心网络的限制容错性研究》、江苏省科技计划体系项目《基于时间感知的多样性小众推荐算法技术研究》等，主编教材《Java Web云应用开发》，发表论文多篇。历任CCF苏州会员活动中心委员，苏州人工智能学会教育专委会常务理事等社会职务。

目 录

第 1章 深度学习基础 1

1．1 深度学习的定义 1

1．2 深度学习的特点 1

1．3 深度学习的历史 1

1．3．1 深度学习的起源 2

1．3．2 深度学习的发展 2

1．3．3 深度学习的爆发 2

1．4 深度神经网络概述 3

1．4．1 VGGNet 3

1．4．2 GoogLeNet 3

1．4．3 ResNet 3

1．4．4 FCN 3

1．4．5 U-Net 3

1．4．6 Mask R-CNN 4

1．4．7 YOLO 4

1．5 深度学习的应用 4

1．5．1 图像领域 4

1．5．2 声音领域 8

1．5．3 文本领域 11

1．6 深度学习的未来趋势 11

本章小结 12

第 2章 深度学习环境的安装与使用 13

2．1 Anaconda的安装与使用 13

2．1．1 Anaconda简介 13

2．1．2 Anaconda的安装 13

2．1．3 conda简介 14

2．2 TensorFlow环境搭建与使用 17

2．2．1 安装TensorFlow CPU版本 18

2．2．2 安装TensorFlow GPU版本 18

2．2．3 PyCharm的安装 19

2．2．4 PyCharm的使用 22

2．2．5 TensorFlow的使用 26

2．3 Keras简介与使用 28

2．3．1 Keras的意义 29

2．3．2 Keras的设计原则 29

2．3．3 Keras的工作方式 29

2．3．4 Keras快速上手 30

2．3．5 Keras简单实例 30

本章小结 34

第3章 神经网络的数学基础 35

3．1 矩阵 35

3．1．1 矩阵定义 35

3．1．2 矩阵加法 36

3．1．3 矩阵乘法 37

3．1．4 矩阵的转置 40

3．1．5 矩阵的逆 40

3．2 随机变量及概率分布 41

3．2．1 随机变量定义 41

3．2．2 离散型随机变量的概率分布 42

3．2．3 连续型随机变量及其概率密度函数 46

本章小结 50

第4章 搭建一个简单的神经网络 51

4．1 卷积神经网络的组成 51

4．1．1 卷积层 51

4．1．2 池化层 53

4．1．3 激活函数 54

4．1．4 全连接层 55

4．1．5 损失函数 56

4．2 实例——手写数字识别神经网络搭建 56

4．2．1 MNIST手写数字数据集简介 56

4．2．2 MNIST手写数字识别神经网络搭建 58

本章小结 61

第5章 模型评估及模型调优 62

5．1 评估指标 62

5．1．1 准确率 63

5．1．2 查准率 63

5．1．3 召回率 63

5．1．4 F1值 64

5．1．5 ROC与AUC 64

5．2 数据集处理 65

5．2．1 数据集划分 65

5．2．2 数据增强 67

5．3 模型调优 75

5．3．1 回调函数 76

5．3．2 超参数调整 78

5．3．3 模型结构调整 80

本章小结 84

第6章 VGG网络实现猫狗识别 85

6．1 VGG网络介绍 85

6．2 数据集介绍及处理 86

6．3 主干网络搭建与训练 88

6．4 模型训练结果测试 91

本章小结 92

第7章 ResNet实现手势识别 93

7．1 ResNet介绍 93

7．2 数据集介绍及处理 94

7．3 主干网络搭建并训练 97

7．4 模型训练结果测试 101

本章小结 103

第8章 搭建MobileNet实现电表编码区域检测 104

8．1 目标检测基础及YOLO网络介绍 104

8．1．1 目标检测基础 104

8．1．2 YOLO算法 106

8．1．3 下载YOLOv3源码 108

8．2 数据集介绍及处理 109

8．3 主干网络搭建与训练 112

8．4 模型结构修改 117

8．4．1 MobileNet简介 117

8．4．2 MobileNet搭建 118

8．4．3 网络模型替换 121

8．5 模型训练结果测试 122

本章小结 122

第9章 FCN实现斑马线分割 123

9．1 FCN简介 123

9．2 数据集介绍及处理 125

9．3 主干网络搭建与训练 130

9．4 模型训练结果测试 132

本章小结 133

第 10章 基于U-Net的工业缺陷检测 134

10．1 U-Net简介 134

10．2 数据集介绍及处理 135

10．3 主干网络搭建与训练 138

10．4 模型训练结果测试 140

本章小结 143

第 11章 DCGAN图像生成 144

11．1 GAN简介 144

11．2 数据集介绍及处理 146

11．3 主干网络搭建与训练 146

11．4 模型训练结果 149

本章小结 150

第 12章 ACGAN生成带标签图片 151

12．1 ACGAN简介 151

12．2 数据集介绍及处理 152

12．3 主干网络搭建与训练 152

12．4 模型训练结果测试 155

本章小结 156

1.基础理论和实践开发相结合

为了读者能够快速地掌握相关理论以及技术并且投入到实际使用中，本书在前4章中引入了深度学习的前置知识点，并一一解析。并在6~12章中设置了深度学习的多个应用场景，使读者能够快速地将理论知识转换成实践经验。

2．合理、有效的组织

本书按照由浅入深的顺序，在逐渐丰富系统功能的同时，引入相关技术与知识，实现技术讲解与训练合二为一，有助于“教、学、做一体化”教学的实施。

3. 覆盖面广

本书基本覆盖了深度学习图像识别的多个应用方向如图像识别、目标检测、图像分割、图像生成等。

本书介