第1章星星之火 1
1.1計算機視覺與深度學習 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
2.1Python基本安裝和用法 8
2.1.1Anaconda的下載與安裝 8
2.1.2Python編譯器PyCharm的安裝 11
2.1.3使用Python計算softmax函數 13
2.2Python常用類庫threading 15
2.2.1threading庫的使用 15
2.2.2threading模塊中最重要的
Thread類 16
2.2.3threading中Lock類 17
2.2.4threading中join類 18
2.3本章小結 18
第3章深度學習的理論基礎——
機器學習 19
3.1機器學習基本分類 19
3.1.1應用學科的分類 19
3.1.2學習模式的分類 20
3.1.3應用領域的分類 20
3.2機器學習基本算法 21
3.2.1機器學習的算法流程 21
3.2.2基本算法的分類 22
3.3算法的理論基礎 23
3.3.1小學生的故事——求圓的面積 23
3.3.2機器學習基礎理論——函數
逼近 24
3.4回歸算法 25
3.4.1函數逼近經典算法——線性回歸
算法 25
3.4.2線性回歸的姐妹——邏輯回歸 27
3.5本章小結 28
第4章Python類庫的使用——數據處理
及可視化展示 29
4.1從小例子起步——NumPy的初步使用 29
4.1.1數據的矩陣化 29
4.1.2數據分析 30
4.1.3基于統計分析的數據處理 32
4.2圖形化數據處理——Matplotlib包使用 32
4.2.1差異的可視化 33
4.2.2坐標圖的展示 34
4.2.3玩個大的 35
4.3深度學習理論方法——相似度計算 38
4.3.1基于歐幾里得距離的相似度
計算 38
4.3.2基于余弦角度的相似度
計算 39
4.3.3歐幾里得相似度與余弦相似度的
比較 40
4.4數據的統計學可視化展示 40
4.4.1數據的四分位 40
4.4.2數據的四分位示例 41
4.4.3數據的標準化 45
4.4.4數據的平行化處理 46
4.4.5熱點圖-屬性相關性檢測 48
4.5Python實戰——某地降雨的關系處理 49
4.5.1不同年份的相同月份統計 49
4.5.2不同月份之間的增減程度比較 51
4.5.3每月降雨不相關嗎 52
4.6本章小結 53
第5章OpenCV的基礎使用 54
5.1OpenCV基本的圖片讀取 54
5.1.1基本的圖片存儲格式 54
5.1.2圖像的讀取與存儲 56
5.1.3圖像的轉換 56
5.1.4使用NumPy模塊對圖像進行
編輯 58
5.2OpenCV的卷積核處理 59
5.2.1計算機視覺的三種不同色彩
空間 59
5.2.2卷積核與圖像特征提取 60
5.2.3卷積核進階 62
5.3本章小結 63
第6章OpenCV與TensorFlow的融合 64
6.1圖片的自由縮放以及邊緣裁剪 64
6.1.1圖像的擴縮裁挖 64
6.1.2圖像色調的調整 65
6.1.3圖像的旋轉、平移和翻轉 67
6.2使用OpenCV擴大圖像數據庫 68
6.2.1圖像的隨機裁剪 68
6.2.2圖像的隨機旋轉變換 69
6.2.3圖像色彩的隨機變換 70
6.2.4對鼠標的監控 70
6.3本章小結 71
第7章Let’splayTensorFlow 72
7.1TensorFlow游樂場 72
7.1.1Iwanttoplayagame 72
7.1.2TensorFlow游樂場背后的故事 75
7.1.3如何訓練神經網絡 76
7.2HelloTensorFlow 77
7.2.1TensorFlow名稱的解釋 77
7.2.2TensorFlow基本概念 78
7.3本章小結 80
第8章HelloTensorFlow，從0到1 81
8.1TensorFlow的安裝 81
8.2.1檢測Anaconda中的TensorFlow
版本 81
8.2.2TensorFlow2.0GPU版本基礎
顯卡推薦和前置軟件安裝 82
8.2.3第一個HelloTensorFlow
小程序 84
8.2TensorFlow常量、變量和數據類型 86
8.3TensorFlow矩陣計算 88
8.4HelloTensorFlow 89
8.5本章小結 92
第9章TensorFlow重要算法基礎 93
9.1BP神經網絡簡介 93
9.2BP神經網絡兩個基礎算法詳解 95
9.2.1最小二乘法（LS算法）詳解 95
9.2.2道士下山的故事——梯度下降
算法 98
9.3反饋神經網絡反向傳播算法介紹 101
9.3.1深度學習基礎 101
9.3.2鏈式求導法則 102
9.3.3反饋神經網絡原理與公式
推導 103
9.3.4反饋神經網絡原理的激活
函數 108
9.3.5反饋神經網絡原理的Python
實現 109
9.4本章小結 115
第10章HelloTensorFlow&Keras 116
10.1MODEL！MODEL！還是MODEL 116
10.2使用KerasAPI實現鳶尾花分類的例子
（順序模式） 117
10.2.1數據的準備 118
10.2.2數據的處理 118
10.2.3梯度更新函數的寫法 119
10.3使用Keras函數式編程實現鳶尾花
分類的例子（重點） 120
10.4使用保存的Keras模式對模型進行
復用 123
10.5使用TensorFlow2.0標準化編譯
對Iris模型進行擬合 124
10.6多輸入單輸出TensorFlow2.0編譯
方法（選學） 128
10.7多輸入多輸出TensorFlow2.0編譯
方法（選學） 132
10.8全連接層詳解 133
10.8.1全連接層的定義與實現 133
10.8.2使用TensorFlow2.0自帶的
API實現全連接層 135
10.8.3打印顯示TensorFlow2.0設計的
Model結構和參數 138
10.9本章小結 140
第11章卷積層詳解與MNIST實戰 141
11.1卷積運算基本概念 141
11.1.1卷積運算 142
11.1.2TensorFlow2.0中卷積函數
實現詳解 143
11.1.3池化運算 145
11.1.4softmax激活函數 146
11.1.5卷積神經網絡原理 147
11.2TensorFlow2.0編程實戰：MNIST
手寫體識別 150
11.2.1MNIST數據集 150
11.2.2MNIST數據集特征和標簽
介紹 151
11.2.3TensorFlow2.0編程實戰
MNIST數據集 153
11.2.4使用自定義的卷積層實現
MNIST識別 157
11.3本章小結 161
第12章卷積神經網絡公式推導與
應用 162
12.1反饋神經網絡算法 162
12.1.1經典反饋神經網絡正向與反向
傳播公式推導 162
12.1.2卷積神經網絡正向與反向傳播
公式推導 165
12.2使用卷積神經網絡分辨
CIFAR-10數據集 171
12.2.1CIFAR-10數據集下載與
介紹 172
12.2.2CIFAR-10模型的構建與
數據處理 174
12.2.3CIFAR-10模型的細節描述與
參數重構 181
12.3本章小結 183
第13章TensorFlowDatasets和
TensorBoard詳解 184
13.1TensorFlowDatasets簡介 184
13.2Datasets數據集的基本使用 186
13.3Datasets數據集的使用——
Fashion-MNIST 188
13.3.1Fashion-MNIST數據集下載與
展示 189
13.3.2模型的建立與訓練 191
13.4使用Keras對Fashion-MNIST數據集
進行處理 193
13.5使用TensorBoard可視化訓練過程 199
13.5.1TensorBoard文件夾的設置 199
13.5.2TensorBoard的顯式調用 200
13.5.3TensorBoard的使用 202
13.6本章小結 206
第14章從冠軍開始：ResNet 207
14.1ResNet基礎原理與程序設計基礎 207
14.1.1ResNet誕生的背景 208
14.1.2模塊工具的TensorFlow實現——
不要重復造輪子 211
14.1.3TensorFlow高級模塊layers用法
簡介 211
14.2ResNet實戰CIFAR-100數據集分類 219
14.2.1CIFAR-100數據集簡介 219
14.2.2ResNet殘差模塊的實現 222
14.2.3ResNet網絡的實現 224
14.2.4使用ResNet對CIFAR-100進行
分類 227
14.3ResNet的兄弟——ResNeXt 228
14.3.1ResNeXt誕生的背景 229
14.3.2ResNeXt殘差模塊的實現 230
14.3.3ResNeXt網絡的實現 231
14.3.4ResNeXt和ResNet的比較 233
14.4本章小結 234

第15章Attentionisallweneed 235
15.1簡單的理解注意力機制 235
15.1.1何為注意力 235
15.1.2hardorsoft——注意力機制的
兩種常見形式 237
15.1.3SpatialandChannel——注意力
機制的兩種實現形式 237
15.2SENetorCBAM注意力機制的
經典模型 240
15.2.1最后的冠軍——SENet 240
15.2.2結合了SpatialandChannel的
CBAM模型 243
15.2.3注意力的前沿研究——基于
細粒度的圖像注意力機制 248
15.3本章小結 249
第16章開始找工作吧——深度學習
常用面試問題答疑 250
16.1深度學習面試常用問題答疑 250
16.1.1如何降低過擬合
（Overfitting） 251
16.1.2全連接層詳解 254
16.1.3激活函數起作用的原因 255
16.1.4卷積后的圖像大小 255
16.1.5池化層的作用 255
16.1.6為什么在最后分類時使用softmax
而不是傳統的SVM 256
16.2卷積神經網絡調優面試問答匯總 256
16.2.1數據集的注意事項 256
16.2.2卷積模型訓練的注意事項 256
16.3NIN模型介紹 257

16.3.1NIN（NetworkInNetwork）模型
簡介 257
16.3.2貓狗大戰——NIN的代碼
實現 258
16.4deeperisbetter——GoogLeNet模型
介紹 260
16.4.1GoogLeNet模型的介紹 261
16.4.2GoogLeNet模型單元的
TensorFlow實現 263
16.4.3GoogLeNet模型一些注意
事項 266
16.5本章小結 267
第17章不服就是GAN——對抗生成
網絡 268
17.1一個悲慘的故事 268
17.2GAN基本原理簡介 269
17.3GAN實戰——手寫體數字的生成 272
17.3.1MNIST數據集和GAN模型
實現 272
17.3.2訓練參數的定義和實現 275
17.4本章小結 278
第18章未來的趨勢——圖卷積神經
網絡初步 279
18.1圖卷積神經網絡的誕生背景 279
18.1.1圖卷積基本原理介紹 279
18.1.2圖卷積基本原理和公式介紹 281
18.1.3圖卷積需要的基本概念 282
18.2實戰圖卷積神經網絡 283
18.2.1cora數據集簡介 283
18.2.2圖卷積模型的建立 286
18.3本章小結 288