OpenCV+TensorFlow深度學習與計算機視覺實戰(zhàn)

目 錄
第1章 計算機視覺與深度學習 1
1.1 計算機視覺與深度學習的關系 1
1.1.1 人類視覺神經的啟迪 2
1.1.2 計算機視覺的難點與人工神經網絡 3
1.1.3 應用深度學習解決計算機視覺問題 4
1.2 計算機視覺學習的基礎與研究方向 5
1.2.1 學習計算機視覺結構圖 5
1.2.2 計算機視覺的學習方式和未來趨勢 6
1.3 本章小結 7
第2章 Python的安裝與使用 8
2.1 Python基本安裝和用法 8
2.1.1 Anaconda的下載與安裝 9
2.1.2 Python編譯器PyCharm的安裝 12
2.1.3 使用Python計算softmax函數 15
2.2 TensorFlow類庫的下載與安裝（基于CPU模式） 16
2.3 TensorFlow類庫的下載與安裝（基于GPU模式） 18
2.3.1 CUDA配置 18
2.3.2 cuDNN配置 21
2.4 OpenCV類庫的下載與安裝 22
2.5 Python常用類庫中的threading 24
2.5.1 threading庫的使用 25
2.5.2 threading模塊中最重要的Thread類 25
2.5.3 threading中的Lock類 26
2.5.4 threading中的join類 27
2.6 本章小結 28
第3章 Python數據處理及可視化 29
3.1 從小例子起步—NumPy的初步使用 29
3.1.1 數據的矩陣化 29
3.1.2 數據分析 31
3.1.3 基于統(tǒng)計分析的數據處理 32
3.2 圖形化數據處理—Matplotlib包的使用 33
3.2.1 差異的可視化 33
3.2.2 坐標圖的展示 34
3.2.3 玩?zhèn)€大的數據集 36
3.3 深度學習理論方法—相似度計算 38
3.3.1 基于歐幾里得距離的相似度計算 38
3.3.2 基于余弦角度的相似度計算 39
3.3.3 歐幾里得相似度與余弦相似度的比較 40
3.4 數據的統(tǒng)計學可視化展示 41
3.4.1 數據的四分位 41
3.4.2 數據的四分位示例 42
3.4.3 數據的標準化 46
3.4.4 數據的平行化處理 47
3.4.5 熱點圖-屬性相關性檢測 49
3.5 Python數據分析與可視化實戰(zhàn)—某地降水的關系處理 50
3.5.1 不同年份的相同月份統(tǒng)計 50
3.5.2 不同月份之間的增減程度比較 52
3.5.3 每月降水是否相關 53
3.6 本章小結 54
第4章 深度學習的理論基礎—機器學習 55
4.1 機器學習基本分類 55
4.1.1 基于學科的分類 55
4.1.2 基于學習模式的分類 56
4.1.3 基于應用領域的分類 56
4.2 機器學習基本算法 57
4.2.1 機器學習的算法流程 57
4.2.2 基本算法的分類 58
4.3 算法的理論基礎 60
4.3.1 小學生的故事—求圓的面積 60
4.3.2 機器學習基礎理論—函數逼近 61
4.4 回歸算法 62
4.4.1 函數逼近經典算法—線性回歸算法 62
4.4.2 線性回歸的姐妹—邏輯回歸 64
4.5 機器學習的其他算法—決策樹 65
4.5.1 水晶球的秘密 65
4.5.2 決策樹的算法基礎—信息熵 66
4.5.3 決策樹的算法基礎—ID3算法 67
4.6 本章小結 68
第5章 計算機視覺處理庫OpenCV 70
5.1 認識OpenCV 70
5.1.1 OpenCV的結構 70
5.1.2 從雪花電視談起—在Python中使用OpenCV 74
5.2 OpenCV基本的圖片讀取 75
5.2.1 基本的圖片存儲格式 76
5.2.2 圖像的讀取與存儲 78
5.2.3 圖像的轉換 78
5.2.4 使用NumPy模塊對圖像進行編輯 80
5.3 OpenCV的卷積核處理 81
5.3.1 計算機視覺的三種不同色彩空間 81
5.3.2 卷積核與圖像特征提取 82
5.3.3 卷積核進階 84
5.4 本章小結 85
第6章 OpenCV圖像處理實戰(zhàn) 86
6.1 圖片的自由縮放以及邊緣裁剪 86
6.1.1 圖像的擴縮裁挖 86
6.1.2 圖像色調的調整 87
6.1.3 圖像的旋轉、平移和翻轉 89
6.2 使用OpenCV擴大圖像數據庫 90
6.2.1 圖像的隨機裁剪 90
6.2.2 圖像的隨機旋轉變換 91
6.2.3 圖像色彩的隨機變換 92
6.2.4 對鼠標的監(jiān)控 93
6.3 本章小結 94
第7章 Let’s play TensorFlow 95
7.1 TensorFlow游樂場 95
7.1.1 I want to play a game 95
7.1.2 TensorFlow游樂場背后的故事 99
7.1.3 如何訓練神經網絡 101
7.2 Hello TensorFlow 102
7.2.1 TensorFlow名稱的解釋 102
7.2.2 TensorFlow基本概念 103
7.2.3 TensorFlow基本架構 105
7.3 本章小結 106
第8章 Hello TensorFlow，從0到1 107
8.1 TensorFlow的安裝 107
8.2 TensorFlow常量、變量和數據類型 109
8.3 TensorFlow矩陣計算 114
8.4 Hello TensorFlow 115
8.5 本章小結 120
第9章 TensorFlow重要算法基礎 122
9.1 BP神經網絡簡介 122
9.2 BP神經網絡兩個基礎算法詳解 124
9.2.1 最小二乘法詳解 125
9.2.2 道士下山的故事—梯度下降算法 127
9.3 TensorFlow實戰(zhàn)—房屋價格的計算 130
9.3.1 數據收集 130
9.3.2 模型的建立與計算 131
9.3.3 TensorFlow程序設計 133
9.4 反饋神經網絡反向傳播算法介紹 135
9.4.1 深度學習基礎 135
9.4.2 鏈式求導法則 136
9.4.3 反饋神經網絡原理與公式推導 138
9.4.4 反饋神經網絡原理的激活函數 143
9.4.5 反饋神經網絡原理的Python實現(xiàn) 144
9.5 本章小結 150
第10章 TensorFlow數據的生成與讀取 151
10.1 TensorFlow的隊列 151
10.1.1 隊列的創(chuàng)建 151
10.1.2 線程同步與停止 155
10.1.3 隊列中數據的讀取 156
10.2 CSV文件的創(chuàng)建與讀取 157
10.2.1 CSV文件的創(chuàng)建 157
10.2.2 CSV文件的讀取 158
10.3 TensorFlow文件的創(chuàng)建與讀取 160
10.3.1 TFRecords文件的創(chuàng)建 160
10.3.2 TFRecords文件的讀取 163
10.3.3 圖片文件的創(chuàng)建與讀取 164
10.4 本章小結 169
第11章 卷積神經網絡的原理 170
11.1 卷積運算基本概念 170
11.1.1 卷積運算 171
11.1.2 TensorFlow中卷積函數實現(xiàn)詳解 172
11.1.3 使用卷積函數對圖像感興趣區(qū)域進行標注 176
11.1.4 池化運算 178
11.1.5 使用池化運算加強卷積特征提取 180
11.2 卷積神經網絡的結構詳解 181
11.2.1 卷積神經網絡原理 181
11.2.2 卷積神經網絡的應用實例—LeNet5網絡結構 184
11.2.3 卷積神經網絡的訓練 186
11.3 TensorFlow實現(xiàn)LeNet實例 186
11.3.1 LeNet模型分解 187
11.3.2 使用ReLU激活函數替代Sigmoid 191
11.3.3 程序的重構—模塊化設計 195
11.3.4 卷積核和隱藏層參數的修改 199
11.4 本章小結 205
第12章 卷積神經網絡公式的推導與應用 206
12.1 反饋神經網絡算法 206
12.1.1 經典反饋神經網絡正向與反向傳播公式推導 206
12.1.2 卷積神經網絡正向與反向傳播公式推導 209
12.2 使用卷積神經網絡分辨CIFAR-10數據集 217
12.2.1 CIFAR-10數據集下載與介紹 217
12.2.2 CIFAR-10模型的構建與數據處理 219
12.2.3 CIFAR-10模型的細節(jié)描述與參數重構 228
12.3 本章小結 229
第13章 貓狗大戰(zhàn)—實戰(zhàn)AlexNet圖像識別 230
13.1 AlexNet簡介 231
13.1.1 AlexNet模型解讀 231
13.1.2 AlexNet程序的實現(xiàn) 234
13.2 實戰(zhàn)貓狗大戰(zhàn)—AlexNet模型 239
13.2.1 數據的收集與處理 240
13.2.2 模型的訓練與存儲 244
13.2.3 使用訓練過的模型預測圖片 250
13.2.4 使用Batch_Normalization正則化處理數據集 257
13.3 本章小結 266