深度学习技术图像处理入门 PDF 全书原版

这书以浅显易懂的語言简略解读深度学习的关键定义，根据较为传统式深度学习和神经网络算法的差别，导入神经网络算法的主要用途，将1个详细的神经网络算法的繁杂构造拆成键入解决、实体模型元器件及其实体模型提升三个子块，并详细描述如何把神经网络算法实体模型运用在手机端App制做中。根据基础理论解读，循序渐进地找出数个成功案例，解读当今神经网络算法在图象处理应用领域。这书一起出示了根据云GPU器皿（Docker）的详细免费在线开发工具，便捷新手立即学习培训关键编码。这书从深度学习、图象处理的基本要素下手，逐渐论述深度神经网络图象处理技术性的基本概念及其简易的保持。进而以好多个实战演练案例来详细介绍怎么使用深度神经网络方式 ，在数据统计分析比赛中获得较高的排行。*后，根据1个实战演练案例，详细介绍如何把实体模型放进 iOS 程序流程，制做相对的人工智能技术手机上App。这书适用对深度神经网络有兴趣爱好、期待新手入门这一行业的理工科专业在校大学生、硕士研究生，及其期待掌握该行业基本概念的手机软件开发者。除此之外，这书全部案例均出示了云自然环境上的编码，有利于用户重现結果，并开展加强学习。

目录

• 第1章  搭建指定的开发环境11.1
• 为什么要使用指定的开发环境11.2
• 硬件准备21.2.1
• 在亚马逊租用云GPU服务器21.2.2
• 在腾讯云租用GPU服务器41.2.3
• 在云服务器中开启搭载开发环境的Docker服务81.3
• 软件准备91.3.1
• 在Ubuntu 16.04下配置环境91.3.2
• 在CentOS 7下配置环境121.4
• 参考文献及网页链接12
• 第2章  温故知新——机器学习基础知识132.1
• 人工智能、机器学习与深度学习132.2
• 训练一个传统的机器学习模型152.2.1
• 第一步，观察数据162.2.2
• 第二步，预览数据172.3
• 数据挖掘与训练模型292.3.1
• 第一步，准备数据292.3.2
• 第二步，挖掘数据特征312.3.3
•   第三步，使用模型372.3.4
•   第四步，代码实战442.4
• 参考文献及网页链接49
• 第3章  数形结合——图像处理基础知识503.1
• 读取图像文件进行基本操作513.1.1
•   使用python-opencv读取图片513.1.2
• 借助python-opencv进行不同编码格式的转换523.1.3
• 借助python-opencv改变图片尺寸533.2
• 用简单的矩阵操作处理图像533.2.1
• 对图像进行复制与粘贴533.2.2
• 把图像当成矩阵进行处理——二维码转换成矩阵543.3
• 使用OpenCV“抠图”——基于颜色通道以及形态特征593.4
• 基于传统特征的传统图像分类方法643.4.1
• 将图片简化为少数区域并计算每个区域轮廓特征的方向663.4.2
• 将HOG变换运用在所有正负样本中683.4.3
• 训练模型703.4.4
• 将训练好的分类器运用在新的图片中713.5
• 参考文献及网页链接73
• 第4章  继往开来——使用深度神经网络框架744.1
• 从逻辑回归说起744.2
• 深度学习框架764.3
• 基于反向传播算法的自动求导774.4
• 简单的深度神经网络框架实现804.4.1
• 数据结构部分814.4.2
• 计算图部分834.4.3
• 使用方法854.4.4
• 训练模型864.5
• 参考文献及网页链接89
• 第5章  排列组合——深度神经网络框架的模型元件905.1
• 常用层925.1.1
• Dense925.1.2
• Activation925.1.3
• Dropout935.1.4
• Flatten945.2
• 卷积层945.2.1
• Conv2D945.2.2
• Cropping2D1015.2.3
• ZeroPadding2D1015.3
• 池化层1025.3.1
• MaxPooling2D1025.3.2
• AveragePooling2D1025.3.3
• GlobalAveragePooling2D1035.4
• 正则化层与过拟合1045.5
• 反卷积层1055.6
• 循环层1095.6.1
• SimpleRNN1095.6.2
• LSTM1095.6.3
• GRU1105.7
• 参考文献及网页链接110
• 第6章  少量多次——深度神经网络框架的输入处理1126.1
• 批量生成训练数据1136.2
• 数据增强1156.3
• 参考文献及网页链接117
• 第7章  愚公移山——深度神经网络框架的模型训练1187.1
• 随机梯度下降1197.2
• 动量法1207.3
• 自适应学习率算法1217.4
• 实验案例1247.5
• 参考文献及网页链接128
• 第8章  小试牛刀——使用深度神经网络进行CIFAR-10数据分类1298.1
• 上游部分——基于生成器的批量生成输入模块1318.2
• 核心部分——用各种零件搭建深度神经网络1318.3
• 下游部分——使用凸优化模块训练模型1328.4
• 参考文献及网页链接133
• 第9章  见多识广——使用迁移学习提升准确率1349.1
• 猫狗大战1.0——使用卷积神经网络直接进行训练1359.1.1
• 导入数据1359.1.2  可视化1379.1.3
• 分割训练集和验证集1389.1.4
• 搭建模型1409.1.5
• 模型训练1419.1.6
• 总结1429.2
• 猫狗大战2.0——使用ImageNet数据集预训练模型1429.2.1
• 迁移学习1429.2.2
• 数据预处理1439.2.3
• 搭建模型1439.2.4
• 模型可视化1449.2.5
• 训练模型1459.2.6
• 提交到kaggle评估1469.3
• 猫狗大战3.0——使用多种预训练模型组合提升表现1469.3.1
• 载入数据集1479.3.2
• 使用正确的预处理函数1479.3.3
• 搭建特征提取模型并导出特征1479.3.4
• 搭建并训练全连接分类器模型1489.3.5
• 在测试集上预测1499.4
• 融合模型1509.4.1
• 获取特征1509.4.2
• 数据持久化1519.4.3
• 构建模型1519.4.4
• 在测试集上预测1529.5
• 总结1539.6
• 参考文献及网页链接154
• 第10章  看图识字——使用深度神经网络进行文字识别15510.1
• 使用卷积神经网络进行端到端学习15510.1.1
• 编写数据生成器15710.1.2
• 使用生成器15710.1.3
• 构建深度卷积神经网络15810.1.4
• 模型可视化15810.1.5
• 训练模型16010.1.6
• 计算模型总体准确率16110.1.7
• 测试模型16110.1.8
• 模型总结16210.2
• 使用循环神经网络改进模型16210.2.1
• CTC Loss16310.2.2
• 模型结构16410.2.3
• 模型可视化16510.2.4
• 数据生成器16710.2.5
• 评估模型16810.2.6
• 评估回调16910.2.7
• 训练模型16910.2.8
• 测试模型17110.2.9
• 再次评估模型17110.2.10
• 总结17310.3
• 识别四则混合运算验证码（初赛）17310.3.1
• 问题描述17410.3.2
• 数据集探索17410.3.3
• 模型结构17610.3.4
• 结果可视化18110.3.5
• 总结18210.4
• 识别四则混合运算验证码（决赛）18310.4.1
• 问题描述18310.4.2
• 数据集探索18410.4.3
• 数据预处理18610.4.4
• 模型结构19210.4.5
• 生成器19510.4.6
• 模型的训练19710.4.7
• 预测结果19810.4.8
• 模型结果融合19910.4.9
• 其他尝试20010.4.10
• 小结20210.5
• 参考文献及网页链接203
• 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20511.1
• 任务描述20511.1.1
• 赛题设置20511.1.2
• 数据描述20611.1.3
• 数据标注20611.2
• 总体思路20611.3
• 构造模型20711.3.1
• 准备数据20811.3.2
• 构建模型21411.3.3
• 模型优化21711.4
• 程序执行22511.5
• 模型结果可视化22611.5.1
• 加载函数22611.5.2
• 选择验证集并编写预测函数22611.5.3
• 根据tensorborad可视化结果选择最好的模型22811.5.4
• 尝试逐步降低学习率23011.6
• 观察模型在验证集上的预测表现23111.7
• 参考文献及网页链接234
• 第12章  知行合一——如何写一个深度学习App23512.1
• CAM可视化23512.2
• 导出分类模型和CAM可视化模型23612.2.1
• 载入数据集23612.2.2
• 提取特征23712.2.3
• 搭建和训练分类器23712.2.4
• 搭建分类模型和CAM模型23812.2.5
• 可视化测试23912.2.6
• 保存模型24112.2.7
• 导出mlmodel模型文件24112.3
• 开始编写App24212.3.1
• 创建工程24212.3.2
• 配置工程24412.3.3
• 测试工程24912.3.4
• 运行程序24912.4
• 使用深度学习模型25012.4.1
• 将模型导入到工程中25012.4.2
• 数据类型转换函数25012.4.3
• 实施CAM可视化25212.4.4
• 模型效果25412.5
• 参考文献及网页链接255