OpenCV+TensorFlow深度學習與電腦視覺實戰

第1章電腦視覺與深度學習1
1.1電腦視覺與深度學習的關係1
1.1.1人類視覺神經的啟迪2
1.1.2電腦視覺的難點與人工神經網路3
1.1.3應用深度學習解決電腦視覺問題4
1.2電腦視覺學習的基礎與研究方向5
1.2.1學習電腦視覺結構圖5
1.2.2電腦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（基於CPU模式）16
2.3TensorFlow類庫的下載與安裝（基於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threading24
2.5.1threading庫的使用25
2.5.2threading模組中最重要的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資料處理及視覺化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資料分析31
3.1.3基於統計分析的資料處理32
3.2圖形化資料處理—Matplotlib包的使用33
3.2.1差異的視覺化33
3.2.2座標圖的展示34
3.2.3玩個大的資料集36
3.3深度學習理論方法—相似度計算38
3.3.1基於歐幾裡得距離的相似度計算38
3.3.2基於余弦角度的相似度計算39
3.3.3歐幾裡得相似度與余弦相似度的比較40
3.4資料的統計學視覺化展示41
3.4.1數據的四分位元41
3.4.2數據的四分位元示例42
3.4.3數據的標準化46
3.4.4資料的平行化處理47
3.4.5熱點圖-屬性相關性檢測49
3.5Python資料分析與視覺化實戰—某地降水的關係處理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基於學科的分類55
4.1.2基於學習模式的分類56
4.1.3基於應用領域的分類56
4.2機器學習基本演算法57
4.2.1機器學習的演算法流程57
4.2.2基本演算法的分類58
4.3演算法的理論基礎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回歸演算法62
4.4.1函數逼近經典演算法—線性回歸演算法62
4.4.2線性回歸的姐妹—邏輯回歸64
4.5機器學習的其他演算法—決策樹65
4.5.1水晶球的秘密65
4.5.2決策樹的演算法基礎—資訊熵66
4.5.3決策樹的演算法基礎—ID3演算法67
4.6本章小結68
第5章電腦視覺處理庫OpenCV70
5.1認識OpenCV70
5.1.1OpenCV的結構70
5.1.2從雪花電視談起—在Python中使用OpenCV74
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模組對圖像進行編輯80
5.3OpenCV的卷積核處理81
5.3.1電腦視覺的三種不同色彩空間81
5.3.2卷積核與圖像特徵提取82
5.3.3卷積核進階84
5.4本章小結85
第6章OpenCV影像處理實戰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擴大圖像資料庫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對滑鼠的監控93
6.3本章小結94
第7章Let’splayTensorFlow95
7.1TensorFlow遊樂場95
7.1.1Iwanttoplayagame95
7.1.2TensorFlow遊樂場背後的故事99
7.1.3如何訓練神經網路101
7.2HelloTensorFlow102
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1107
8.1TensorFlow的安裝107
8.2TensorFlow常量、變數和資料類型109
8.3TensorFlow矩陣計算114
8.4HelloTensorFlow115
8.5本章小結120
第9章TensorFlow重要演算法基礎122
9.1BP神經網路簡介122
9.2BP神經網路兩個基礎演算法詳解124
9.2.1最小二乘法詳解125
9.2.2道士下山的故事—梯度下降演算法127
9.3TensorFlow實戰—房屋價格的計算130
9.3.1資料收集130
9.3.2模型的建立與計算131
9.3.3TensorFlow程式設計133
9.4回饋神經網路反向傳播演算法介紹135
9.4.1深度學習基礎135
9.4.2鏈式求導法則136
9.4.3回饋神經網路原理與公式推導138
9.4.4回饋神經網路原理的啟動函數143
9.4.5回饋神經網路原理的Python實現144
9.5本章小結150
第10章TensorFlow資料的生成與讀取151
10.1TensorFlow的佇列151
10.1.1佇列的創建151
10.1.2執行緒同步與停止155
10.1.3佇列中資料的讀取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圖片檔的創建與讀取164
10.4本章小結169
第11章卷積神經網路的原理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徵提取180
11.2卷積神經網路的結構詳解181
11.2.1卷積神經網路原理181
11.2.2卷積神經網路的應用實例—LeNet5網路結構184
11.2.3卷積神經網路的訓練186
11.3TensorFlow實現LeNet實例186
11.3.1LeNet模型分解187
11.3.2使用ReLU啟動函數替代Sigmoid191
11.3.3程式的重構—模組化設計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章卷積神經網路公式的推導與應用206
12.1回饋神經網路演算法206
12.1.1經典回饋神經網路正向與反向傳播公式推導206
12.1.2卷積神經網路正向與反向傳播公式推導209
12.2使用卷積神經網路分辨CIFAR-10資料集217
12.2.1CIFAR-10資料集下載與介紹217
12.2.2CIFAR-10模型的構建與資料處理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程式的實現234
13.2實戰貓狗大戰—AlexNet模型239
13.2.1資料的收集與處理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正則化處理資料集257
13.3本章小結266