科技 类型
5.8 豆瓣评分
可以朗读 语音朗读
239千字 字数
2019-04-01 发行日期
展开全部

主编推荐语

本书全面介绍了深度学习在图像处理领域中的核心技术与应用。

内容简介

书中不但重视基础理论的讲解，而且从第4章开始的每章都提供了一到两个不同难度的案例供读者实践，读者可以在已有代码的基础上进行修改和改进，从而加深对所学知识的理解。

本书共10章，首先从深度学习的基础概念开始，介绍了神经网络的基础知识和深度学习中的优化技术；然后系统地介绍了深度学习中与数据相关的知识，包括经典数据集的设计、数据集的增强以及数据的获取与整理；接着重点针对图像开发领域，用3章内容系统地介绍了深度学习在图像分类、图像分割和目标检测3个领域的核心技术与应用，这些内容的讲解均结合实战案例展开；另外，还对深度学习中损失函数的发展、数据和模型的可视化以及模型的压缩和优化进行了详细介绍，为读者设计和训练更加实用的模型提供了指导；最后以微信小程序平台为依托，介绍了微信小程序前后端开发技术，完成了深度学习的模型部署，让本书的内容形成了一个完整的闭环。本书理论与实践结合，深度与广度兼具，特别适合深度学习领域的相关技术人员与爱好者阅读，尤其适合基于深度学习的图像从业人员阅读，以全方位了解深度学习在图像领域中的技术全貌。另外，本书还适合作为相关培训机构的深度学习教材使用。

目录

  • 版权信息
  • 前言
  • 第1章 神经网络基础
  • 1.1 神经网络的生物基础与数学模型
  • 1.1.1 神经元
  • 1.1.2 感知机
  • 1.1.3 BP算法
  • 1.2 卷积神经网络基础
  • 1.2.1 卷积神经网络的基本结构
  • 1.2.2 卷积与权值共享
  • 1.2.3 感受野与池化
  • 第2章 深度学习优化基础
  • 2.1 深度学习主流开源框架
  • 2.1.1 Caffe简介
  • 2.1.2 TensorFlow简介
  • 2.1.3 PyTorch简介
  • 2.1.4 Theano简介
  • 2.1.5 Keras简介
  • 2.1.6 MXNet简介
  • 2.1.7 Chainer简介
  • 2.2 网络优化参数
  • 2.2.1 常用激活函数
  • 2.2.2 参数初始化方法
  • 2.2.3 最优化方法
  • 2.2.4 归一化方法
  • 2.2.5 正则化方法
  • 第3章 深度学习中的数据
  • 3.1 深度学习通用数据集的发展
  • 3.1.1 MNIST数据集
  • 3.1.2 CIFAR10和CIFAR100数据集
  • 3.1.3 PASCAL数据集
  • 3.1.4 ImageNet数据集
  • 3.1.5 Microsoft COCO数据集
  • 3.2 常见的计算机视觉任务数据集
  • 3.2.1 人脸数据集
  • 3.2.2 自动驾驶数据集
  • 3.2.3 医学数据集
  • 3.3 数据增强
  • 3.3.1 有监督数据增强
  • 3.3.2 无监督数据增强
  • 3.4 数据的收集与标注
  • 3.4.1 数据收集
  • 3.4.2 数据标注
  • 3.4.3 数据清洗与整理
  • 第4章 图像分类
  • 4.1 图像分类基础
  • 4.1.1 图像分类问题
  • 4.1.2 深度学习图像分类发展简史
  • 4.1.3 评测指标与优化目标
  • 4.1.4 图像分类的挑战
  • 4.2 移动端实时表情分类实战
  • 4.2.1 项目背景
  • 4.2.2 数据预处理
  • 4.2.3 项目方案
  • 4.2.4 模型训练与测试
  • 4.2.5 项目总结
  • 4.3 细粒度图像分类实战
  • 4.3.1 项目背景
  • 4.3.2 项目方案
  • 4.3.3 模型训练与测试
  • 4.3.4 参数调试
  • 4.3.5 项目总结
  • 第5章 图像分割
  • 5.1 传统图像分割方法
  • 5.1.1 阈值法
  • 5.1.2 区域生长法与超像素
  • 5.1.3 图切割
  • 5.1.4 活动轮廓模型
  • 5.2 深度学习图像分割
  • 5.2.1 基本流程
  • 5.2.2 反卷积
  • 5.2.3 多尺度与感受野
  • 5.2.4 CRF方法
  • 5.2.5 Image Matting与图像融合
  • 5.3 移动端实时图像分割项目
  • 5.3.1 项目背景
  • 5.3.2 项目方案
  • 5.3.3 模型训练与总结
  • 5.4 一个实时肖像换背景项目
  • 5.4.1 项目背景
  • 5.4.2 项目方案
  • 5.4.3 模型训练与测试
  • 5.4.4 项目总结
  • 第6章 目标检测
  • 6.1 目标检测基础
  • 6.1.1 检测窗口选择
  • 6.1.2 特征提取
  • 6.1.3 分类器
  • 6.1.4 V-J人脸检测算法
  • 6.2 深度学习目标检测方法
  • 6.2.1 Selective search与R-CNN
  • 6.2.2 RoI Pooling与SPPNet
  • 6.2.3 Fast R-CNN与Faster R-CNN
  • 6.2.4 YOLO方法
  • 6.2.5 SSD方法
  • 6.2.6 目标检测中的关键技术
  • 6.3 实战Faster-R-CNN目标检测
  • 6.3.1 项目背景
  • 6.3.2 py-faster-rcnn框架解读
  • 6.3.3 模型定义与分析
  • 6.3.4 模型训练与测试
  • 6.3.5 项目总结
  • 第7章 数据与模型可视化
  • 7.1 数据可视化
  • 7.1.1 低维数据可视化
  • 7.1.2 高维数据可视化
  • 7.2 模型可视化
  • 7.2.1 模型结构可视化
  • 7.2.2 模型权重可视化
  • 7.2.3 特征图可视化
  • 7.3 可视化案例
  • 7.3.1 项目背景
  • 7.3.2 数据接口定义
  • 7.3.3 网络结构定义
  • 7.3.4 可视化代码添加
  • 7.3.5 可视化训练指标
  • 第8章 模型压缩
  • 8.1 模型压缩方法
  • 8.1.1 模型设计压缩
  • 8.1.2 网络剪枝与量化
  • 8.1.3 张量分解
  • 8.1.4 模型蒸馏与迁移学习
  • 8.2 模型压缩实战
  • 8.2.1 网络分析
  • 8.2.2 输入尺度和第一层卷积设计
  • 8.2.3 网络宽度与深度压缩
  • 8.2.4 弥补通道损失
  • 8.2.5 总结
  • 第9章 损失函数
  • 9.1 分类任务损失
  • 9.1.1 什么是0-1 loss
  • 9.1.2 熵与交叉熵loss
  • 9.1.3 softmax loss及其变种
  • 9.1.4 KL散度
  • 9.1.5 Hinge loss简介
  • 9.1.6 Exponential loss与Logistic loss
  • 9.1.7 多标签分类任务loss
  • 9.2 回归任务损失
  • 9.2.1 L1 loss与L2 loss
  • 9.2.2 L1 loss与L2 loss的改进
  • 9.3 常见图像任务与loss使用
  • 9.3.1 图像基础任务
  • 9.3.2 风格化与图像复原，超分辨重建
  • 9.3.3 生成对抗网络
  • 9.3.4 总结
  • 第10章 模型部署与上线
  • 10.1 微信小程序前端开发
  • 10.1.1 小程序的技术特点与定位
  • 10.1.2 Web前端基础
  • 10.1.3 小程序开发工具
  • 10.1.4 小程序前端目录
  • 10.1.5 小程序前端开发
  • 10.2 微信小程序服务端开发
  • 10.2.1 域名注册与管理
  • 10.2.2 服务端框架简介
  • 10.2.3 算法搭建与实现
  • 10.3 Caffe环境配置
  • 10.3.1 依赖库安装
  • 10.3.2 Caffe编译安装
展开全部

评分及书评

评分不足
1个评分
  • 用户头像
    给这本书评了
    5.0

    机器学习、深度学习、人工智能，这些关键词在最近几年 “声名鹊起”。以深度学习为代表的无监督机器学习技术在图像处理、语音识别和自然语言处理等领域里频频取得新的突破。但深度学习其实并不是一门全新的学科，其历史可以追溯到 20 世纪 40 年代。

      转发
      评论

    出版方

    机械工业出版社有限公司

    机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。