导语

  

内容提要

  

    《深度学习计算机视觉实战卷积神经网络、Python、TensorFlow和Kjvy》将深度学习应用部署到生产环境中。读者将学习使用卷积神经网络（CNN）深度学习模型和Python编写计算机视觉应用。本书从解释传统的机器学习流程开始介绍，分析了一个图像数据集。接下来，阐述了人工神经网络（ANN），使用Python从头开始构建一个ANN，然后使用遗传算法（GA）优化这个神经网络。
    为了使过程自动化，本书强调了采用传统手工方式为计算机视觉选择特征的局限性，重点阐明了CNN深度学习模型是最先进的解决方案的原因，并从头开始讨论CNN，演示了CNN与完全连接的ANN相比的与众不同之处；而且说明CNN更有效率，还使用Python实现CNN，使读者对这个模型有一个透彻的理解。
    在巩固了基础之后，读者可以使用TensorFlow构建实践中使用的图像识别应用，并且使用Flask使得预训练的模型在互联网上可访问；使用Kivy和NumPy，可以用较低的开销创建跨平台的数据科学应用。
    本书有助于读者从基础开始应用深度学习和计算机视觉的概念，一步一步地从概念走向生产。
    主要内容
    ·理解ANN和CNN的工作机制
    ·使用Python从头创建计算机视觉应用和CNN
    ·使用TensorFlow从概念到生产学习深度学习项目
    ·与Kivy配合使用NumPy构建跨平台的数据科学应用
    读者对象
    数据科学家、AI工程师、计算机科学专业学生、对深度学习和计算机视觉感兴趣的爱好者。

    艾哈迈德·法齐·迦得（Ahmed Fawzy Gad）是一名助教，来自埃及，2015年在埃及梅努菲亚大学计算机与信息学院获得信息技术荣誉理学学士学位，2018年获得硕士学位。Ahmed对深度学习、机器学习、计算机视觉和Python饶有兴趣。他曾担任机器学习项目的软件工程师和顾问。通过分享著作并在YouTube频道上录制教程，为数据科学界添砖加瓦是Ahmed的奋斗目标。
    Ahmed发表了多篇研究论文，撰写了TensorFlow: A Guide to Build Artificial Neural Networks Using Python (Lambert，2017)一书。Ahmed一直希望在其所感兴趣的领域与其他专家分享经验。

第1章  计算机视觉识别
  1.1  图像识别步骤
  1.2  特征提取
    1.2.1  颜色直方图
    1.2.2  GLCM
    1.2.3  HOG
    1.2.4  LBP
  1.3  特征选择和缩减
    1.3.1  过滤器方法
    1.3.2  包装器方法
    1.3.3  嵌入式方法
    1.3.4  正则化
第2章  人工神经网络
  2.1  人工神经网络简介
    2.1.1  线性模型是人工神经网络的基础
    2.1.2  绘制人工神经网络
  2.2  调整学习率来训练ANN
    2.2.1  过滤器示例
    2.2.2  学习率
    2.2.3  测试网络
  2.3  使用向后传播优化权重
    2.3.1  无隐藏层神经网络的向后传播
    2.3.2  权重更新公式
    2.3.3  为什么向后传播算法很重要
    2.3.4  前向传递与后向传递
    2.3.5  具有隐藏层的神经网络的向后传播
  2.4  过拟合
    2.4.1  基于回归示例理解正则化
    2.4.2  模型容量/复杂性
    2.4.3  L1正则化
  2.5  设计ANN
    2.5.1  示例1：无隐藏层的ANN
    2.5.2  示例2：具有单个隐藏层的ANN
第3章  使用具有工程化特征的人工神经网络进行识别
  3.1  Fruits 360数据集特征挖掘
    3.1.1  特征挖掘
    3.1.2  特征缩减
    3.1.3  使用ANN进行过滤
  3.2  ANN实现
  3.3  工程化特征的局限性
  3.4  工程化特征并未终结
第4章  人工神经网络的优化
  4.1  优化简介
  4.2  GA
    4.2.1  选择最佳亲本
    4.2.2  变化算子
    4.2.3  示例的Python实现
  4.3  NSGA-II
    4.3.1  NSGA-II步骤
    4.3.2  支配度
    4.3.3  拥挤距离
    4.3.4  竞赛选择
    4.3.5  交叉
    4.3.6  突变
  4.4  使用GA优化ANN
第5章  卷积神经网络
  5.1  从人工神经网络到卷积神经网络
    5.1.1  深度学习背后的直觉
    5.1.2  卷积的推导
    5.1.3  设计CNN
    5.1.4  池化操作
    5.1.5  卷积操作示例
    5.1.6  最大池化操作示例
  5.2  使用NumPy从头开始构建CNN
    5.2.1  读取输入图像
    5.2.2  准备过滤器
    5.2.3  卷积层
    5.2.4  ReLU层
    5.2.5  最大池化层
    5.2.6  堆叠层
    5.2.7  完整代码
第6章  TensorFlow在图像识别中的应用
  6.1  TF简介
    6.1.1  张量
    6.1.2  TF Core
    6.1.3  数据流图
    6.1.4  使用TB的图可视化
    6.1.5  线性模型
  6.2  构建FFNN
    6.2.1  线性分类
    6.2.2  非线性分类
  6.3  使用CNN识别CIFAR
    6.3.1  准备训练数据
    6.3.2  构建CNN
    6.3.3  训练CNN
    6.3.4  保存已训练模型
    6.3.5  构建和训练CNN的完整代码
    6.3.6  准备测试数据
    6.3.7  测试已训练的CNN模型
第7章  部署预训练模型
  7.1  应用概述
  7.2  Flask介绍
    7.2.1  route()装饰器
    7.2.2  add_rule_url方法
    7.2.3  变量规则
    7.2.4  端点
    7.2.5  HTML表单
    7.2.6  上传文件
    7.2.7  Flask应用内的HTML
    7.2.8  静态文件
  7.3  部署使用Fruits 360数据集训练过的模型
  7.4  部署使用CIFAR10数据集训练过的模型
第8章  跨平台的数据科学应用
  8.1  Kivy简介
    8.1.1  使用BoxLayout的基本应用
    8.1.2  Kivy应用的生命周期
    8.1.3  部件尺寸
    8.1.4  网格布局
    8.1.5  更多部件
    8.1.6  部件树
    8.1.7  处理事件
    8.1.8  KV语言
  8.2  P4A
    8.2.1  安装Buildozer
    8.2.2  准备buildozer.spec文件
    8.2.3  使用Buildozer构建Android应用
  8.3  Android上的图像识别
  8.4  Android上的CNN
附录A  使用pip安装程序安装自制项目包