作品简介

本书总的指导思想是在掌握深度学习的基本知识和特性的基础上,培养使用TensorFlow进行实际编程以解决图像处理相关问题的能力。全书力求深入浅出,通过通俗易懂的语言和详细的程序分析,介绍TensorFlow的基本用法、高级模型设计和对应的程序编写。 本书共22章,内容包括Python类库的安装和使用、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、人工神经网络、反馈神经网络、全卷积神经网络的理论基础、深度学习模型的创建、模型的特性、算法、ResNet、Slim、GAN等。本书强调理论联系实际,重点介绍TensorFlow编程解决图像识别的应用,提供了大量数据集,并以代码的形式实现了深度学习模型,以供读者参考。 本书既可作为学习人工神经网络、深度学习、TensorFlow程序设计以及图像处理等相关内容的程序设计人员培训和自学用书,也可作为高等院校和培训机构相关专业的教材。

王哓华,高校资深计算机专业讲师,给硏究生和本科生讲授面向对象程序设计、数据结构、Hadoop程序设计等相关课程。主要硏究方向为云计算、数据挖掘。曾主持和参与多项国家和省级科硏课题,独立完成一项科硏成果获省级成果认定,发表过多篇论文,申请有一项专利。著有《Spark MUib机器学习实践》等图书。

作品目录

  • 内容简介
  • 作者简介
  • 推荐序
  • 前言
  • 写作本书的原因
  • 本书的优势
  • 本书的内容
  • 本书的特点
  • 本书适合人群
  • 本书适合人群
  • 本书作者
  • 第1章 ◄星星之火►
  • 1.1 计算机视觉与深度学习
  • 1.2 计算机视觉学习的基础与研究方向
  • 1.3 本章小结
  • 第2章 ◄Python的安装与使用►
  • 2.1 Python基本安装和用法
  • 2.2 Python常用类库中的threading
  • 2.3 本章小结
  • 第3章 深度学习的理论基础——机器学习
  • 3.1 机器学习基本分类
  • 3.2 机器学习基本算法
  • 3.3 算法的理论基础
  • 3.4 回归算法
  • 3.5 机器学习的其他算法——决策树
  • 3.6 本章小结
  • 第4章 Python类库的使用——数据处理及可视化展示
  • 4.1 从小例子起步——NumPy的初步使用
  • 4.2 图形化数据处理——Matplotlib包使用
  • 4.3 深度学习理论方法——相似度计算
  • 4.4 数据的统计学可视化展示
  • 4.5 Python实战——某地降水的关系处理
  • 4.6 本章小结
  • 第5章 ◄OpenCV的基础使用►
  • 5.1 OpenCV基本的图片读取
  • 5.2 OpenCV的卷积核处理
  • 5.3 本章小结
  • 第6章 ◄OpenCV与TensorFlow的融合►
  • 6.1 图片的自由缩放以及边缘裁剪
  • 6.2 使用OpenCV扩大图像数据库
  • 6.3 本章小结
  • 第7章 ◄Let’s play TensorFlow►
  • 7.1 TensorFlow游乐场
  • 7.2 初识Hello TensorFlow
  • 7.3 本章小结
  • 第8章 ◄Hello TensorFlow,从0到1►
  • 8.1 TensorFlow的安装
  • 8.2 TensorFlow常量、变量和数据类型
  • 8.3 TensorFlow矩阵计算
  • 8.4 Hello TensorFlow
  • 8.5 本章小结
  • 第9章 ◄TensorFlow重要算法基础►
  • 9.1 BP神经网络简介
  • 9.2 BP神经网络中的两个基础算法
  • 9.3 TensorFlow实战——房屋价格的计算
  • 9.4 反馈神经网络反向传播算法
  • 9.5 本章小结
  • 第10章 TensorFlow数据的生成与读取详解
  • 10.1 TensorFlow的队列
  • 10.2 CSV文件的创建与读取
  • 10.3 TensorFlow文件的创建与读取
  • 10.4 本章小结
  • 第11章 回归分析——从TensorFlow陷阱与细节开始
  • 11.1 TensorFlow线性回归
  • 11.2 多元线性回归实战编程
  • 11.3 逻辑回归详解
  • 11.4 本章小结
  • 第12章 TensorFlow编程实战——MNIST手写体识别
  • 12.1 MNIST数据集
  • 12.2 MNIST数据集实战编程
  • 12.3 初识卷积神经网络
  • 12.4 本章小结
  • 第13章 ◄卷积神经网络原理►
  • 13.1 卷积运算基本概念
  • 13.2 卷积神经网络的结构详解
  • 13.3 TensorFlow实现LeNet实例
  • 13.4 本章小结
  • 第14章 ◄卷积神经网络公式推导与应用►
  • 14.1 反馈神经网络算法
  • 14.2 使用卷积神经网络分辨CIFAR-10数据集
  • 14.3 本章小结
  • 第15章 ◄猫狗大战——实战AlexNet►
  • 15.1 AlexNet简介
  • 15.2 实战猫狗大战——AlexNet模型
  • 15.3 本章小结
  • 第16章 我们都爱Finetuning——复用VGG16进行猫狗大战
  • 16.1 TensorFlow模型保存与恢复详解
  • 16.2 更为细化的保存和恢复方法
  • 16.3 VGGNet实现
  • 16.4 使用已训练好的模型和权重复现VGGNet
  • 16.5 猫狗大战V2——Finetuning使用VGGNet进行图像判断
  • 16.6 本章小结
  • 第17章 开始找工作吧——深度学习常用面试问题答疑
  • 17.1 深度学习面试常用问题答疑
  • 17.2 卷积神经网络调优面试问答汇总
  • 17.3 NIN模型介绍
  • 17.4 “deeper is better”——GoogLeNet模型介绍
  • 17.5 本章小结
  • 第18章 暂时的冠军——ResNet简介及TensorFlow实现
  • 18.1 ResNet模型简介
  • 18.2 新兴的卷积神经模型简介
  • 18.3 本章小结
  • 第19章 TensorFlow高级API——Slim使用入门
  • 19.1 Slim详解
  • 19.2 Slim使用方法介绍
  • 19.3 实战——使用Slim定义VGG16
  • 19.4 实战—使用Slim设计多层感知器(MLP)
  • 19.5 Slim数据读取方式
  • 19.6 本章小结
  • 第20章 Slim使用进阶
  • 20.1 使用Slim创建卷积神经网络(CNN)
  • 20.2 使用Slim预训练模型进行Finetuning
  • 20.3 本章小结
  • 第21章 全卷积神经网络图像分割入门
  • 21.1 全卷积神经网络进行图像分割的理论基础
  • 21.2 全卷积神经网络进行图像分割的分步流程与编程基础
  • 21.3 本章小结
  • 第22章 不服就是GAN——对抗生成网络
  • 22.1 对抗生成网络详解
  • 22.2 从0到1—实战:使用GAN生成手写体数字
  • 22.3 本章小结
展开全部