OpenCV+TensorFlow深度學習與計算機視覺實戰 ( 簡體 字) |
| 作者：王曉華 | 類別：1. -> 教材 -> 數位影像處理
2. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：清華大學出版社 |  3dWoo書號： 50535
詢問書籍請說出此書號！【缺書】
NT售價： 345 元 |
| 出版日：2/1/2019 |
| 頁數：266 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787302518426 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：我們處于一個變革的時代！
給定一個物體，讓一個3歲的小孩描述這個物體是什么似乎是一件非常簡單的事情。然而將同樣的東西放在計算機面前，讓它描述自己看到了什么，這在不久以前還是一件不可能的事。
讓計算機學會“看”東西是一個專門的學科—計算機視覺正在做的工作。借助于人工神經網絡和深度學習的發展，近年來計算機視覺在研究上取得了重大的突破。通過模擬生物視覺所構建的卷積神經網絡模型在圖像識別和分類上取得了非常好的效果。
而今，借助于深度學習技術的發展，使用人工智能去處理常規勞動，理解語音語義，幫助醫學診斷和支持基礎科研工作，這些曾經是夢想的東西似乎都在眼前。
寫作本書的原因
TensorFlow作為最新的、應用范圍最為廣泛的深度學習開源框架引起了廣泛的關注，吸引了大量程序設計和開發人員進行相關內容的學習與開發。掌握TensorFlow編程基本技能的程序設計人員成為當前各組織和單位熱切追求的最熱門人才之一。他們的主要工作就是利用獲得的數據集設計不同的人工神經模型，利用人工神經網絡強大的學習能力提取和挖掘數據集中包含的潛在信息，編寫相應的TensorFlow程序對數據進行處理，對其價值進行進一步開發，為商業機會的獲取、管理模式的創新、決策的制定提供相應的支持。隨著越來越多的組織、單位對深度學習應用的重視，高層次的TensorFlow程序設計人員將會成為就業市場上搶手的人才。
與其他應用框架不同的是，TensorFlow并不是一個簡單的編程框架，深度學習也不是一個簡單的名詞，需要相關研究人員對隱藏在其代碼背后的理論進行系統學習、掌握一定的數學知識和理論基礎。本書的作者具有長期一線理科理論教學經驗，可以將其中的理論知識以非常淺顯易懂的語言描述出來。這一點是市面上相關書籍無法比擬的。
本書是為了滿足廣大TensorFlow程序設計和開發人員學習最新TensorFlow程序代碼的要求而出版的。書中對涉及深度學習的結構與編程代碼做了循序漸進的介紹與說明，以解決實際圖像處理為依托，從理論開始介紹TensorFlow+OpenCV程序設計模式，多角度、多方面地對其中的原理和實現提供翔實的分析，同時結合實際案例編寫的應用程序設計可以使讀者從開發者的層面掌握TensorFlow程序的設計方法和技巧、為開發出更強大的圖像處理應用打下扎實的基礎。
本書的優勢
（1）本書偏重于介紹使用卷積神經網絡及其相關變化的模型，在TensorFlow框架上進行圖像特征提取、圖像識別以及具體應用，這是目前已出版圖書中鮮有涉及的。
（2）本書并非枯燥的理論講解，而是作者閱讀和參考了大量最新文獻做出的歸納總結，在這點上也與其他編程書籍有本質區別。書中的例子都是來自于現實世界中對圖像分辨和特征的競賽優勝模型，通過介紹這些例子可以使讀者更深一步地了解和掌握其內在的算法和本質。
（3）本書作者有長期研究生和本科教學經驗，通過通俗易懂的語言對全部內容進行講解，深入淺出地介紹反饋神經網絡和卷積神經網絡理論體系的全部知識點，并在程序編寫時使用官方推薦的TensorFlow最新框架進行程序設計，幫助讀者更好地使用最新的模型框架、理解和掌握TensorFlow程序設計的精妙之處。
（4）掌握和使用深度學習的人才應該在掌握基本知識和理論的基礎上，重視實際應用程序開發能力和解決問題能力的培養。因此，本書結合作者在實際工作中遇到的實際案例進行分析，抽象化核心模型并給出具體解決方案，并提供了全部程序例題的相應代碼以供讀者學習。
本書的內容
本書共分為13章，所有代碼均采用Python語言（TensorFlow框架推薦使用的語言）編寫。
第1章介紹計算機視覺與深度學習的關系，旨在說明使用深度學習和人工智能實現計算機視覺是未來的發展方向，也是必然趨勢。
第2章介紹Python 3.6+Tensorflow 1.9+OpenCV 3.4.2的環境搭建。Python語言是易用性非常強的語言，可以很方便地將公式和愿景以代碼的形式表達出來，而無須學習過多的編程知識。本章還介紹Python專用類庫threading的使用。這個類庫雖不常見，但會為后文的數據讀取和TensorFlow專用格式的生成打下基礎。
第3章主要介紹Python語言的使用。通過介紹和實現不同的Python類庫，幫助讀者強化Python的編程能力、學習相應類庫。這些都是在后文中反復使用的內容。同時借用掌握的知識學習數據的可視化展示能力（在數據分析中是一項基本技能，具有非常重要的作用）。
第4章全面介紹機器學習的基本分類、算法和理論基礎，以及不同算法（例如回歸算法和決策樹算法）的具體實現和應用。這些是深度學習的基礎理論部分，向讀者透徹而準確地展示深度學習的結構與應用，為后文進一步掌握深度學習在計算機視覺中的應用打下扎實的基礎。
第5~6章是對OpenCV類庫（Python中專門用于圖像處理的類庫）使用方法的介紹。本書以圖像處理為重點，因此對圖像數據的讀取、編輯以及加工是重中之重。通過基礎講解和進階介紹，讀者可以掌握這個重要類庫的使用，學會對圖像的裁剪、變換和平移的代碼編寫。
第7~8章是TensorFlow的入門基礎，通過一個娛樂性質的網站向讀者介紹TensorFlow的基本應用，用圖形圖像的方式演示神經網絡進行類別分類的擬合過程，在娛樂的同時了解其背后的技術。
第9章是本書的一個重點，也是神經網絡的基礎內容。本章的反饋算法是解決神經網絡計算量過大的里程碑算法。作者使用通俗易懂的語言，通過詳細嚴謹的講解，對這個算法進行了介紹，并且通過獨立編寫代碼的形式，為讀者實現神經網絡中最重要的算法。本章的內容看起來不多，但是非常重要。
第10章對TensorFlow的數據輸入輸出做了詳細的介紹。從讀取CSV文件開始，到教會讀者制作專用的TensorFlow數據格式TFRecord，這是目前市面上的書籍鮮有涉及的。對于使用TensorFlow框架進行程序編寫，數據的準備和規范化是重中之重，因此本章也是較為重要的一個章節。
第11~12章是應用卷積神經網絡在TensorFlow框架上進行學習的一個基礎教程，經過前面章節的鋪墊和介紹，采用基本理論—卷積神經網絡進行手寫體的辨識是深度學習最基本的技能，也是非常重要的一個學習基礎。并且在程序編寫的過程中，作者向讀者展示了參數調整對模型測試結果的重要作用，這也是目前市面上相關書籍沒有涉及的內容，非常重要。
第13章通過一個完整的例子演示使用卷積神經網絡進行圖像識別的流程。例子來自于ImageNet圖像識別競賽，所采用的模型也是比賽中獲得準確率最高的模型。通過對項目每一步的詳細分析，手把手地教會讀者使用卷積神經網絡進行圖像識別。
除此之外，全書對于目前圖像識別最流行和取得最好成績的深度學習模型做了介紹，這些都是目前深度學習的熱點和研究重點。
本書的特點
? 本書不是純粹的理論知識介紹，也不是高深技術研討，完全是從實踐應用出發，用最簡單的、典型的示例引申出核心知識，最后還指出了通往“高精尖”進一步深入學習的道路。
? 本書沒有深入介紹某一個知識塊，而是全面介紹TensorFlow+OpenCV涉及的圖像處理的基本結構和上層程序設計方法，借此能夠系統綜合性地掌握深度學習的全貌，使讀者在學習過程中不至于迷失方向。
? 本書在寫作上淺顯易懂，沒有深奧的數學知識，采用較為形象的形式，用大量圖像例子描述應用的理論知識，讓讀者在輕松愉悅的閱讀下掌握相關內容。
? 本書旨在引導讀者進行更多技術上的創新，每章都會用示例描述的形式幫助讀者更好地理解本章的學習內容。
? 本書代碼遵循重構原理，避免代碼污染，真心希望讀者能寫出優秀、簡潔、可維護的代碼。
示例代碼下載
本書配套的示例代碼下載地址可以通過掃描右邊二維碼獲取。
如果下載有問題，或者對本書有疑問和建議，郵件主題為“OpenCV+TensorFlow”。
本書適合人群
本書適合于學習人工神經網絡、深度學習、計算機視覺以及TensorFlow程序設計等相關技術的程序設計人員閱讀，也可以作為高等院校和培訓學校相關專業的教材。建議在學習本書的過程中，理論聯系實際，獨立進行一些代碼編寫，采取開放式的實驗方法，即讀者自行準備實驗數據和實驗環境，解決實際問題。
本書作者
本書作者現為高校計算機專業副教授，擔負數據挖掘、Java程序設計、數據結構等多項本科及研究生課程，研究方向為數據倉庫與數據挖掘、人工智能、機器學習，在研和參研多項科研項目。本書在寫作過程中得到了家人的大力支持，在此對他們表示感謝。
以盡致的文字、嚴密的邏輯、合時的題材、豐富的內涵服務社會，是作者編寫本書的宗旨。但因認識局限，不足之處還望大家多多指正。
王曉華
2018年10月 |
內容簡介：本書旨在掌握深度學習基本知識和特性的基礎上，培養使用TensorFlow+OpenCV進行實際編程以解決圖像處理相關問題的能力。全書力求通過通俗易懂的語言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫。
本書共13章，內容包括計算機視覺與深度學習的關系、Python的安裝和使用、Python數據處理及可視化、機器學習的理論和算法、計算機視覺處理庫OpenCV 、OpenCV圖像處理實戰、TensorFlow基本數據結構和使用、TensorFlow數據集的創建與讀取、BP神經網絡、反饋神經網絡、卷積神經網絡等。本書強調理論聯系實際，著重介紹TensorFlow+OpenCV解決圖像識別的應用，提供大量數據集供讀者使用，并以代碼的形式實現深度學習模型實例供讀者參考。
本書既可作為學習人工神經網絡、深度學習、TensorFlow程序設計以及圖像處理等相關內容的程序設計人員的自學用書，也可作為高等院校和培訓學校相關專業的教材使用。 |
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
2.1Python基本安裝和用法 8
2.1.1Anaconda的下載與安裝 9
2.1.2Python編譯器PyCharm的安裝 12
2.1.3使用Python計算softmax函數 15
2.2TensorFlow類庫的下載與安裝（基于CPU模式） 16
2.3TensorFlow類庫的下載與安裝（基于GPU模式） 18
2.3.1CUDA配置 18
2.3.2cuDNN配置 21
2.4OpenCV類庫的下載與安裝 22
2.5Python常用類庫中的threading 24
2.5.1threading庫的使用 25
2.5.2threading模塊中最重要的Thread類 25
2.5.3threading中的Lock類 26
2.5.4threading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玩個大的數據集 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
3.5Python數據分析與可視化實戰—某地降水的關系處理 50
3.5.1不同年份的相同月份統計 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
5.1.1OpenCV的結構 70
5.1.2從雪花電視談起—在Python中使用OpenCV 74
5.2OpenCV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
5.3OpenCV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 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對鼠標的監控 93
6.3本章小結 94
第7章Let’splayTensorFlow 95
7.1TensorFlow游樂場 95
7.1.1Iwanttoplayagame 95
7.1.2TensorFlow游樂場背后的故事 99
7.1.3如何訓練神經網絡 101
7.2HelloTensorFlow 102
7.2.1TensorFlow名稱的解釋 102
7.2.2TensorFlow基本概念 103
7.2.3TensorFlow基本架構 105
7.3本章小結 106
第8章HelloTensorFlow，從0到1 107
8.1TensorFlow的安裝 107
8.2TensorFlow常量、變量和數據類型 109
8.3TensorFlow矩陣計算 114
8.4HelloTensorFlow 115
8.5本章小結 120
第9章TensorFlow重要算法基礎 122
9.1BP神經網絡簡介 122
9.2BP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
9.3TensorFlow實戰—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
9.3.3TensorFlow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 144
9.5本章小結 150
第10章TensorFlow數據的生成與讀取 151
10.1TensorFlow的隊列 151
10.1.1隊列的創建 151
10.1.2線程同步與停止 155
10.1.3隊列中數據的讀取 156
10.2CSV文件的創建與讀取 157
10.2.1CSV文件的創建 157
10.2.2CSV文件的讀取 158
10.3TensorFlow文件的創建與讀取 160
10.3.1TFRecords文件的創建 160
10.3.2TFRecords文件的讀取 163
10.3.3圖片文件的創建與讀取 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
11.1.2TensorFlow中卷積函數實現詳解 172
11.1.3使用卷積函數對圖像感興趣區域進行標注 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
11.3TensorFlow實現LeNet實例 186
11.3.1LeNet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
12.2.1CIFAR-10數據集下載與介紹 217
12.2.2CIFAR-10模型的構建與數據處理 219
12.2.3CIFAR-10模型的細節描述與參數重構 228
12.3本章小結 229
第13章貓狗大戰—實戰AlexNet圖像識別 230
13.1AlexNet簡介 231
13.1.1AlexNet模型解讀 231
13.1.2AlexNet程序的實現 234
13.2實戰貓狗大戰—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 |
| 序： |
