《深度学习之图像识别：核心技术与案例实战》是由机械工业出版社出版的一本关于深度学习方面的书籍，作者是言有三，主要介绍了关于深度学习、图像识别方面的知识内容，目前在深度学习类书籍综合评分为：7.4分。
书籍介绍
这书全方位详细介绍了深度神经网络在图象处理行业中的关键技术与运用。书中不仅高度重视基础知识的解读，并且从第4章刚开始的各章都出示了一到2个不一样难度系数的实例供阅读者实践活动，阅读者能够 在现有编码的基本上开展改动和改善，进而加重对所教专业知识的了解。
这书共10章，最先从深度神经网络的基本定义刚开始，详细介绍了神经元网络的基本知识和深度神经网络中的提升技术；随后系统化详细介绍了深度神经网络中与数据信息有关的专业知识，包含經典uci数据集的设计方案、uci数据集的提高及其数据信息的获得与梳理；然后重中之重对于图象开发行业，用3章內容系统化详细介绍了深度神经网络在图象归类、图像分割和总体目标检验3个行业的关键技术与运用，这种內容的解读均融合实战演练实例进行；此外，还对深度神经网络中损失函数的发展趋势、数据信息和实体模型的数据可视化及其实体模型的缩小和提升开展了详解，为阅读者设计方案和训炼更为好用的实体模型出示了具体指导；*后以小程序服务平台为借助，详细介绍了小程序前后左右端开发技术，进行了深度神经网络的实体模型布署，让这书的內容产生了一个详细的闭环控制。
这书理论研究融合，深层与深度广度兼顾，非常合适深度神经网络行业的有关技术工作人员与发烧友阅读文章，特别是在合适根据深度神经网络的图象从业者阅读文章，以多方位掌握深度神经网络在图象行业中的技术全景。此外，这书还合适做为有关培训学校的深度神经网络教材内容应用。
目录
- 前言
- 第1章 神经网络基础1
- 1.1 神经网络的生物基础与数学模型1
- 1.1.1 神经元1
- 1.1.2 感知机2
- 1.1.3 BP算法6
- 1.2 卷积神经网络基础10
- 1.2.1 卷积神经网络的基本结构11
- 1.2.2 卷积与权值共享13
- 1.2.3 感受野与池化14
- 第2章 深度学习优化基础17
- 2.1 深度学习主流开源框架17
- 2.1.1 Caffe简介18
- 2.1.2 TensorFlow简介18
- 2.1.3 PyTorch简介19
- 2.1.4 Theano简介20
- 2.1.5 Keras简介20
- 2.1.6 MXNet简介21
- 2.1.7 Chainer简介21
- 2.2 网络优化参数22
- 2.2.1 常用激活函数22
- 2.2.2 参数初始化方法26
- 2.2.3 最优化方法27
- 2.2.4 归一化方法31
- 2.2.5 正则化方法33
- 第3章 深度学习中的数据36
- 3.1 深度学习通用数据集的发展36
- 3.1.1 MNIST数据集36
- 3.1.2 CIFAR10和CIFAR100数据集37
- 3.1.3 PASCAL数据集38
- 3.1.4 ImageNet数据集38
- 3.1.5 Microsoft COCO数据集39
- 3.2 常见的计算机视觉任务数据集40
- 3.2.1 人脸数据集40
- 3.2.2 自动驾驶数据集52
- 3.2.3 医学数据集55
- 3.3 数据增强59
- 3.3.1 有监督数据增强60
- 3.3.2 无监督数据增强63
- 3.4 数据的收集与标注65
- 3.4.1 数据收集65
- 3.4.2 数据标注67
- 3.4.3 数据清洗与整理68
- 第4章 图像分类70
- 4.1 图像分类基础70
- 4.1.1 图像分类问题70
- 4.1.2 深度学习图像分类发展简史72
- 4.1.3 评测指标与优化目标75
- 4.1.4 图像分类的挑战76
- 4.2 移动端实时表情分类实战77
- 4.2.1 项目背景78
- 4.2.2 数据预处理80
- 4.2.3 项目方案82
- 4.2.4 模型训练与测试84
- 4.2.5 项目总结88
- 4.3 细粒度图像分类实战89
- 4.3.1 项目背景89
- 4.3.2 项目方案90
- 4.3.3 模型训练与测试92
- 4.3.4 参数调试97
- 4.3.5 项目总结102
- 第5章 图像分割103
- 5.1 传统图像分割方法103
- 5.1.1 阈值法103
- 5.1.2 区域生长法与超像素105
- 5.1.3 图切割105
- 5.1.4 活动轮廓模型106
- 5.2 深度学习图像分割109
- 5.2.1 基本流程110
- 5.2.2 反卷积110
- 5.2.3 多尺度与感受野112
- 5.2.4 CRF方法113
- 5.2.5 Image Matting与图像融合114
- 5.3 移动端实时图像分割项目115
- 5.3.1 项目背景115
- 5.3.2 项目方案116
- 5.3.3 模型训练与总结126
- 5.4 一个实时肖像换背景项目127
- 5.4.1 项目背景127
- 5.4.2 项目方案128
- 5.4.3 模型训练与测试134
- 5.4.4 项目总结138
- 第6章 目标检测139
- 6.1 目标检测基础139
- 6.1.1 检测窗口选择140
- 6.1.2 特征提取141
- 6.1.3 分类器142
- 6.1.4 V-J人脸检测算法143
- 6.2 深度学习目标检测方法145
- 6.2.1 Selective search与R-CNN146
- 6.2.2 RoI Pooling与SPPNet147
- 6.2.3 Fast R-CNN与Faster R-CNN149
- 6.2.4 YOLO方法152
- 6.2.5 SSD方法154
- 6.2.6 目标检测中的关键技术155
- 6.3 实战Faster-R-CNN目标检测157
- 6.3.1 项目背景157
- 6.3.2 py-faster-rcnn框架解读157
- 6.3.3 模型定义与分析170
- 6.3.4 模型训练与测试180
- 6.3.5 项目总结183
- 第7章 数据与模型可视化185
- 7.1 数据可视化185
- 7.1.1 低维数据可视化185
- 7.1.2 高维数据可视化187
- 7.2 模型可视化190
- 7.2.1 模型结构可视化190
- 7.2.2 模型权重可视化198
- 7.2.3 特征图可视化201
- 7.3 可视化案例202
- 7.3.1 项目背景202
- 7.3.2 数据接口定义204
- 7.3.3 网络结构定义205
- 7.3.4 可视化代码添加207
- 7.3.5 可视化训练指标207
- 第8章 模型压缩209
- 8.1 模型压缩方法209
- 8.1.1 模型设计压缩210
- 8.1.2 网络剪枝与量化213
- 8.1.3 张量分解216
- 8.1.4 模型蒸馏与迁移学习216
- 8.2 模型压缩实战218
- 8.2.1 网络分析220
- 8.2.2 输入尺度和第一层卷积设计224
- 8.2.3 网络宽度与深度压缩226
- 8.2.4 弥补通道损失228
- 8.2.5 总结230
- 第9章 损失函数231
- 9.1 分类任务损失231
- 9.1.1 什么是0-1 loss231
- 9.1.2 熵与交叉熵loss231
- 9.1.3 softmax loss及其变种232
- 9.1.4 KL散度237
- 9.1.5 Hinge loss简介237
- 9.1.6 Exponential loss与Logistic loss237
- 9.1.7 多标签分类任务loss238
- 9.2 回归任务损失238
- 9.2.1 L1 loss与L2 loss238
- 9.2.2 L1 loss与L2 loss的改进239
- 9.3 常见图像任务与loss使用240
- 9.3.1 图像基础任务240
- 9.3.2 风格化与图像复原，超分辨重建240
- 9.3.3 生成对抗网络241
- 9.3.4 总结245
- 第10章 模型部署与上线246
- 10.1 微信小程序前端开发246
- 10.1.1 小程序的技术特点与定位246
- 10.1.2 Web前端基础248
- 10.1.3 小程序开发工具251
- 10.1.4 小程序前端目录252
- 10.1.5 小程序前端开发254
- 10.2 微信小程序服务端开发260
- 10.2.1 域名注册与管理260
- 10.2.2 服务端框架简介261
- 10.2.3 算法搭建与实现262
- 10.3 Caffe环境配置264
- 10.3.1 依赖库安装264
- 10.3.2 Caffe编译安装266
