导语

  

内容提要

  

    杨培文、胡博强著的《深度学习技术图像处理入门(全彩印刷)》从机器学习、图像处理的基本概念入手，逐步阐述深度学习图像处理技术的基本原理以及简单的实现。继而以几个实战案例来介绍如何使用深度学习方法，在数据分析竞赛中取得较高的排名。最后，通过一个实战案例，介绍如何将模型放入iOS程序，制作相应的人工智能手机App。
    本书适用于对深度学习有兴趣、希望入门这一领域的理工科大学生、研究生，以及希望了解该领域基本原理的软件开发人员。此外，本书所有案例均提供了云环境上的代码，便于读者复现结果，并进行深入学习。

第1章  搭建指定的开发环境
  1.1  为什么要使用指定的开发环境
  1.2  硬件准备
    1.2.1  在亚马逊租用云GPU服务器
    1.2.2  在腾讯云租用GPU服务器
    1.2.3  在云服务器中开启搭载开发环境的Docker服务
  1.3  软件准备
      1.3.1在Ubuntu 16.04下配置环境
    1.3.2  在CentOS 7下配置环境
  1.4  参考文献及网页链接
第2章  温故知新——机器学习基础知识
  2.1  人工智能、机器学习与深度学习
  2.2  训练一个传统的机器学习模型
    2.2.1  第一步，观察数据
    2.2.2  第二步，预览数据
  2.3  数据挖掘与训练模型
    2.3.1  第一步，准备数据
    2.3.2  第二步，挖掘数据特征
    2.3.3  第三步，使用模型
    2.3.4  第四步，代码实战
  2.4  参考文献及网页链接
第3章  数形结合——图像处理基础知识
  3.1  读取图像文件进行基本操作
    3.1.1  使用python—opencv读取图片
    3.1.2  借助python—opencv进行不同编码格式的转换
    3.1.3  借助python—opencv改变图片尺寸
  3.2  用简单的矩阵操作处理图像
    3.2.1  对图像进行复制与粘贴
    3.2.2  把图像当成矩阵进行处理——二维码转换成矩阵
  3.3  使用OpenCV“抠图”——基于颜色通道以及形态特征
  3.4  基于传统特征的传统图像分类方法
    3.4.1  将图片简化为少数区域并计算每个区域轮廓特征的方向
    3.4.2  将HOG变换运用在所有正负样本中
    3.4.3  训练模型
    3.4.4  将训练好的分类器运用在新的图片中
  3.5  参考文献及网页链接
第4章  继往开来——使用深度神经网络框架
  4.1  从逻辑回归说起
  4.2  深度学习框架
  4.3  基于反向传播算法的自动求导
  4.4  简单的深度神经网络框架实现
    4.4.1  数据结构部分
    4.4.2  计算图部分
    4.4.3  使用方法
    4.4.4  训练模型
  4.5  参考文献及网页链接
第5章  排列组合——深度神经网络框架的模型元件
  5.1  常用层
    5.1.1  Dense
    5.1.2  Activation
    5.1.3  Dropout
    5.1.4  Flatten
  5.2  卷积层
    5.2.1  Conv2D
    5.2.2  Cropping2D
    5.2.3  ZeroPadding2D
  5.3  池化层
    5.3.1  MaxPooling2D
    5.3.2  AveragePooling2D
    5.3.3  GlobalAveragePooling2D
  5.4  正则化层与过拟合
  5.5  反卷积层
  5.6  循环层
    5.6.1  SimpleRNN
    5.6.2  LSTM
    5.6.3  GRU
  5.7  参考文献及网页链接
第6章  少量多次——深度神经网络框架的输入处理
  6.1  批量生成训练数据
  6.2  数据增强
  6.3  参考文献及网页链接
第7章  愚公移山——深度神经网络框架的模型训练
  7.1  随机梯度下降
  7.2  动量法
  7.3  自适应学习率算法
  7.4  实验案例
  7.5  参考文献及网页链接
第8章  小试牛刀——使用深度神经网络进行CIFAR.10数据分类
  8.1  上游部分——基于生成器的批量生成输入模块
  8.2  核心部分——用各种零件搭建深度神经网络
  8.3  下游部分——使用凸优化模块训练模型
  8.4  参考文献及网页链接
第9章  见多识广——使用迁移学习提升准确率
  9.1  猫狗大战1.0——使用卷积神经网络直接进行训练
    9.1.1  导入数据
    9.1.2  可视化
    9.1.3  分割训练集和验证集
    9.1.4  搭建模型
    9.1.5  模型训练
    9.1.6  总结
  9.2  猫狗大战2.0——使用ImageNet数据集预训练模型
    9.2.1  迁移学习
    9.2.2  数据预处理
    9.2.3  搭建模型
    9.2.4  模型可视化
    9.2.5  训练模型
    9.2.6  提交到kaggle评估
  9.3  猫狗大战3.0——使用多种预训练模型组合提升表现
    9.3.1  载入数据集
    9.3.2  使用正确的预处理函数
    9.3.3  搭建特征提取模型并导出特征
    9.3.4  搭建并训练全连接分类器模型
    9.3.5  在测试集上预测
  9.4  融合模型
    9.4.1  获取特征
    9.4.2  数据持久化
    9.4.3  构建模型
    9.4.4  在测试集上预测
  9.5  总结
  9.6  参考文献及网页链接
第10章  看图识字——使用深度神经网络进行文字识别
  10.1  使用卷积神经网络进行端到端学习
    10.1.1  编写数据生成器
    10.1.2  使用生成器
    10.1.3  构建深度卷积神经网络
    10.1.4  模型可视化
    10.1.5  训练模型
    10.1.6  计算模型总体准确率
    10.1.7  测试模型
    10.1.8  模型总结
  10.2  使用循环神经网络改进模型
    10.2.1  CTC Loss
    10.2.2  模型结构
    10.2.3  模型可视化
    10.2.4  数据生成器
    10.2.5  评估模型
    10.2.6  评估回调
    10.2.7  训练模型
    10.2.8  测试模型
    10.2.9  再次评估模型
    10.2.10  总结
  10.3  识别四则混合运算验证码（初赛）
    10.3.1  问题描述
    10.3.2  数据集探索
    10.3.3  模型结构
    10.3.4  结果可视化
    10.3.5  总结
  10.4  识别四则混合运算验证码（决赛）
    10.4.1  问题描述
    10.4.2  数据集探索
    10.4.3  数据预处理
    10.4.4  模型结构
    10.4.5  生成器
    10.4.6  模型的训练
    10.4.7  预测结果
    10.4.8  模型结果融合
    10.4.9  其他尝试
    10.4.10  小结
  10.5  参考文献及网页链接
第11章  见习医生——使用全卷积神经网络分割病理切片中的癌组织
  11.1  任务描述
    11.1.1  赛题设置
    11.1.2  数据描述
    11.1.3  数据标注
  11.2  总体思路
  11.3  构造模型
    11.3.1  准备数据
    11.3.2  构建模型
    11.3.3  模型优化
  11.4  程序执行
  11.5  模型结果可视化
    11.5.1  加载函数
    11.5.2  选择验证集并编写预测函数
    11.5.3  根据tensorborad可视化结果选择最好的模型
    11.5.4  尝试逐步降低学习率
  11.6  观察模型在验证集上的预测表现
  11.7  参考文献及网页链接
第12章  知行合一——如何写一个深度学习App
  12.1  CAM可视化
  12.2  导出分类模型和CAM可视化模型
    12.2.1  载入数据集
    12.2.2  提取特征
    12.2.3  搭建和训练分类器
    12.2.4  搭建分类模型和CAM模型
    12.2.5  可视化测试
    12.2.6  保存模型
    12.2.7  导出mlmodel模型文件
  12.3  开始编写App
    12.3.1  创建工程
    12.3.2  配置工程
    12.3.3  测试工程
    12.3.4  运行程序
  12.4  使用深度学习模型
    12.4.1  将模型导入到工程中
    12.4.2  数据类型转换函数
    12.4.3  实施CAM可视化
    12.4.4  模型效果
  12.5  参考文献及网页链接