深度學習與圖像識別：原理與實踐（簡體書）

本書是一本有關人工智能圖像識別應用開發與實踐指導類的教材，主要介紹圖像處理應用項目開發的基本流程、圖像識別處理應用項目關鍵技術。本書直擊當今研究熱點，選擇有代表性的專題項目而且儘量避免複雜的數學推導，易於讀者理解，專注於實戰。詳細介紹了numpy，knn，線性回歸，邏輯回歸，神經網絡在圖像識別上的應用，並為後一部分的深度學習做好鋪墊。同時，針對每一個項目介紹項目的應用及意義，該項目的數據特徵分析、識別系統設計、圖像預處理技術、特徵提取技術，以及識別方法等。書中實例程序的框架結構簡單，代碼簡潔，讀者可在數字圖像處理技術的基礎上進一步深化學習內容，提高實踐應用能力和項目開發能力。

作者简介魏溪含爱丁堡大学人工智能硕士，阿里巴巴达摩院算法专家，在计算机视觉、大数据领域有8年以上的算法架构和研发经验。在大数据领域，曾带领团队对阿里巴巴个性化推荐系统进行升级；计算机视觉领域，主导并攻克了光伏EL全自动瑕疵识别的世界难题，并在行为识别领域带领团队参赛打破世界纪录等。涂铭阿里巴巴数据架构师，对大数据、自然语言处理、图像识别、Python、Java相关技术有深入的研究，积累了丰富的实践经验。在工业领域曾参与了燃煤优化、设备故障诊断项目，正泰光伏电池片和组件EL图像检测项目；在自然语言处理方面，担任导购机器人项目的架构师，主导开发机器人的语义理解、短文本相似度匹配、上下文理解，以及通过自然语言检索产品库，在项目中构建了NoSQL+文本检索等大数据架构，也同时负责问答对的整理和商品属性的提取，带领NLP团队构建语义解析层。张修鹏毕业于中南大学，阿里巴巴技术发展专家，长期从事云计算、大数据、人工智能与物联网技术的商业化应用，在阿里巴巴首次将图像识别技术引入工业，并推动图像识别产品化、平台化，擅于整合前沿技术解决产业问题，主导多个大数据和AI为核心的数字化转型项目成功实施，对技术和商业结合有着深刻的理解。

前言第1章 機器視覺在行業中的應用11.1 機器視覺的發展背景11.1.1 人工智能11.1.2 機器視覺21.2 機器視覺的主要應用場景31.2.1 人臉識別31.2.2 視頻監控分析41.2.3 工業瑕疵檢測51.2.4 圖片識別分析61.2.5 自動駕駛/駕駛輔助71.2.6 三維圖像視覺81.2.7 醫療影像診斷81.2.8 文字識別91.2.9 圖像/視頻的生成及設計91.3 本章小結10第2章 圖像識別前置技術112.1 深度學習框架112.1.1 Theano112.1.2 Tensorflow122.1.3 MXNet132.1.4 Keras132.1.5 PyTorch142.1.6 Caffe142.2 搭建圖像識別開發環境152.2.1 Anaconda152.2.2 conda182.2.3 Pytorch的下載與安裝192.3 Numpy使用詳解202.3.1 創建數組202.3.2 創建Numpy數組222.3.3 獲取Numpy屬性242.3.4 Numpy數組索引252.3.5 切片252.3.6 Numpy中的矩陣運算262.3.7 數據類型轉換272.3.8 Numpy的統計計算方法282.3.9 Numpy中的arg運算292.3.10 FancyIndexing292.3.11 Numpy數組比較302.4 本章小結31第3章 圖像分類之KNN算法323.1 KNN的理論基礎與實現323.1.1 理論知識323.1.2 KNN的算法實現333.2 圖像分類識別預備知識353.2.1 圖像分類353.2.2 圖像預處理363.3 KNN實戰363.3.1 KNN實現MNIST數據分類363.3.2 KNN實現Cifar10數據分類413.4 模型參數調優443.5 本章小結48第4章 機器學習基礎494.1 線性回歸模型494.1.1 一元線性回歸504.1.2 多元線性回歸564.2 邏輯回歸模型574.2.1 Sigmoid函數584.2.2 梯度下降法594.2.3 學習率的分析614.2.4 邏輯回歸的損失函數634.2.5 Python實現邏輯回歸664.3 本章小結68第5章 神經網絡基礎695.1 神經網絡695.1.1 神經元705.1.2 激活函數725.1.3 前向傳播765.2 輸出層805.2.1Softmax805.2.2 one-hotencoding825.2.3 輸出層的神經元個數835.2.4 MNIST數據集的前向傳播835.3 批處理855.4 廣播原則875.5 損失函數885.5.1 均方誤差885.5.2 交叉熵誤差895.5.3 Mini-batch905.6 最優化915.6.1 隨機初始化915.6.2 跟隨梯度（數值微分）925.7 基於數值微分的反向傳播985.8 基於測試集的評價1015.9 本章小結104第6章 誤差反向傳播1056.1 激活函數層的實現1056.1.1 ReLU反向傳播實現1066.1.2 Sigmoid反向傳播實現1066.2 Affine層的實現1076.3 Softmaxwithloss層的實現1086.4 基於數值微分和誤差反向傳播的比較1096.5 通過反向傳播實現MNIST識別1116.6 正則化懲罰1146.7 本章小結115第7章 PyTorch實現神經網絡圖像分類1167.1 PyTorch的使用1167.1.1 Tensor1167.1.2 Variable1177.1.3 激活函數1187.1.4 損失函數1207.2 PyTorch實戰1227.2.1 PyTorch實戰之MNIST分類1227.2.2 PyTorch實戰之Cifar10分類1257.3 本章小結128第8章 卷積神經網絡1298.1 卷積神經網絡基礎1298.1.1 全連接層1298.1.2 卷積層1308.1.3 池化層1348.1.4 批規範化層1358.2 常見卷積神經網絡結構1358.2.1 AlexNet1368.2.2 VGGNet1388.2.3 GoogLeNet1408.2.4 ResNet1428.2.5 其他網絡結構1448.3 VGG16實現Cifar10分類1458.3.1 訓練1468.3.2 預測及評估1498.4 本章小結1528.5 參考文獻152第9章 目標檢測1539.1 定位+分類1539.2 目標檢測1559.2.1 R-CNN1569.2.2 Fast R-CNN1609.2.3 Faster R-CNN1629.2.4 YOLO1659.2.5 SSD1669.3 SSD實現VOC目標檢測1679.3.1 PASCAL VOC數據集1679.3.2 數據準備1709.3.3 構建模型1759.3.4 定義Loss1789.3.5 SSD訓練細節1819.3.6 訓練1869.3.7 測試1899.4 本章小結1909.5 參考文獻191第10章 分割19210.1 語義分割19310.1.1 FCN19310.1.2 UNet實現裂紋分割19610.1.3 SegNet20910.1.4 PSPNet21010.2 實例分割21110.2.1 層疊式21210.2.2 扁平式21210.3 本章小結21310.4 參考文獻214第11章 產生式模型21511.1 自編碼器21511.2 對抗生成網絡21511.3 DCGAN及實戰21711.3.1 數據集21811.3.2 網絡設置22011.3.3 構建產生網絡22111.3.4 構建判別網絡22311.3.5 定義損失函數22411.3.6 訓練過程22411.3.7 測試22711.4 其他GAN23011.5 本章小結23511.6 參考文獻235第12章 神經網絡可視化23612.1 卷積核23612.2 特徵層23712.2.1 直接觀測23712.2.2 通過重構觀測23912.2.3 末端特徵激活情況24312.2.4 特徵層的作用24412.3 圖片風格化24512.3.1 理論介紹24512.3.2 代碼實現24712.4 本章小結25512.5 參考文獻255第13章 圖像識別算法的部署模式25713.1 圖像算法部署模式介紹25713.2 實際應用場景和部署模式的匹配26213.3 案例介紹26413.4 本章小結265