深度學(xué)習(xí)計算機(jī)視覺實戰(zhàn)：卷積神經(jīng)網(wǎng)絡(luò)、Python 、TensorFlow和Kivy

第1章  計算機(jī)視覺識別   1

1.1  圖像識別步驟   2

1.2  特征提取   3

1.2.1  顏色直方圖   4

1.2.2  GLCM   9

1.2.3  HOG   14

1.2.4  LBP   28

1.3  特征選擇和縮減   30

1.3.1  過濾器方法   30

1.3.2  包裝器方法   31

1.3.3  嵌入式方法   32

1.3.4  正則化   33

第2章  人工神經(jīng)網(wǎng)絡(luò)   35

2.1  人工神經(jīng)網(wǎng)絡(luò)簡介   36

2.1.1  線性模型是人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)   36

2.1.2  繪制人工神經(jīng)網(wǎng)絡(luò)   40

2.2  調(diào)整學(xué)習(xí)率來訓(xùn)練ANN   43

2.2.1  過濾器示例   44

2.2.2  學(xué)習(xí)率   47

2.2.3  測試網(wǎng)絡(luò)   49

2.3  使用向后傳播優(yōu)化權(quán)重   49

2.3.1  無隱藏層神經(jīng)網(wǎng)絡(luò)的向后傳播   49

2.3.2  權(quán)重更新公式   52

2.3.3  為什么向后傳播算法很重要   53

2.3.4  前向傳遞與后向傳遞   53

2.3.5  具有隱藏層的神經(jīng)網(wǎng)絡(luò)的向后傳播   59

2.4  過擬合   68

2.4.1  基于回歸示例理解正則化   70

2.4.2  模型容量/復(fù)雜性   72

2.4.3  L1正則化   74

2.5  設(shè)計ANN   76

2.5.1  示例1：無隱藏層的ANN   76

2.5.2  示例2：具有單個隱藏層的ANN   79

第3章  使用具有工程化特征的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行識別   83

3.1  Fruits 360數(shù)據(jù)集特征挖掘   83

3.1.1  特征挖掘   83

3.1.2  特征縮減   89

3.1.3  使用ANN進(jìn)行過濾   91

3.2  ANN實現(xiàn)   93

3.3  工程化特征的局限性   99

3.4  工程化特征并未終結(jié)   100

第4章  人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化   101

4.1  優(yōu)化簡介   101

4.2  GA   104

4.2.1  選擇最佳親本   106

4.2.2  變化算子   107

4.2.3  示例的Python實現(xiàn)   109

4.3  NSGA-II   119

4.3.1  NSGA-II步驟   119

4.3.2  支配度   121

4.3.3  擁擠距離   126

4.3.4  競賽選擇   128

4.3.5  交叉   129

4.3.6  突變   129

4.4  使用GA優(yōu)化ANN   130

第5章  卷積神經(jīng)網(wǎng)絡(luò)   143

5.1  從人工神經(jīng)網(wǎng)絡(luò)到卷積神經(jīng)網(wǎng)絡(luò)   143

5.1.1  深度學(xué)習(xí)背后的直覺   144

5.1.2  卷積的推導(dǎo)   147

5.1.3  設(shè)計CNN   156

5.1.4  池化操作   159

5.1.5  卷積操作示例   160

5.1.6  最大池化操作示例   162

5.2  使用NumPy從頭開始構(gòu)建CNN   163

5.2.1  讀取輸入圖像   163

5.2.2  準(zhǔn)備過濾器   164

5.2.3  卷積層   165

5.2.4  ReLU層   170

5.2.5  最大池化層   171

5.2.6  堆疊層   172

5.2.7  完整代碼   174

第6章  TensorFlow在圖像識別中的應(yīng)用   183

6.1  TF簡介   183

6.1.1  張量   184

6.1.2  TF Core   184

6.1.3  數(shù)據(jù)流圖   185

6.1.4  使用TB的圖可視化   195

6.1.5  線性模型   197

6.2  構(gòu)建FFNN   203

6.2.1  線性分類   204

6.2.2  非線性分類   211

6.3  使用CNN識別CIFAR10   216

6.3.1  準(zhǔn)備訓(xùn)練數(shù)據(jù)   216

6.3.2  構(gòu)建CNN   218

6.3.3  訓(xùn)練CNN   222

6.3.4  保存已訓(xùn)練模型   226

6.3.5  構(gòu)建和訓(xùn)練CNN的完整代碼   226

6.3.6  準(zhǔn)備測試數(shù)據(jù)   236

6.3.7  測試已訓(xùn)練的CNN模型   237

第7章  部署預(yù)訓(xùn)練模型   239

7.1  應(yīng)用概述   239

7.2  Flask介紹   240

7.2.1  route()裝飾器   241

7.2.2  add_rule_url方法   243

7.2.3  變量規(guī)則   243

7.2.4  端點   245

7.2.5  HTML表單   246

7.2.6  上傳文件   248

7.2.7  Flask應(yīng)用內(nèi)的HTML   250

7.2.8  靜態(tài)文件   254

7.3  部署使用Fruits 360數(shù)據(jù)集訓(xùn)練過的模型   256

7.4  部署使用CIFAR10數(shù)據(jù)集訓(xùn)練過的模型   263

第8章  跨平臺的數(shù)據(jù)科學(xué)應(yīng)用   277

8.1  Kivy簡介   278

8.1.1  使用BoxLayout的基本應(yīng)用   278

8.1.2  Kivy應(yīng)用的生命周期   279

8.1.3  部件尺寸   282

8.1.4  網(wǎng)格布局   284

8.1.5  更多部件   285

8.1.6  部件樹   287

8.1.7  處理事件   289

8.1.8  KV語言   291

8.2  P4A   295

8.2.1  安裝Buildozer   295

8.2.2  準(zhǔn)備buildozer.spec文件   296

8.2.3  使用Buildozer構(gòu)建Android應(yīng)用   298

8.3  Android上的圖像識別   300

8.4  Android上的CNN   305

附錄A  使用pip安裝程序安裝自制項目包   313