深度学习技术图像处理入门

本书从机器学习、图像处理的基本概念入手，逐步阐述深度学习图像处理技术的基本原理以及简单的实现。继而以几个实战案例来介绍如何使用深度学习方法，在数据分析竞赛中取得较高的排名。最后，通过一个实战案例，介绍如何将模型放入 iOS 程序，制作相应的人工智能手机App。
本书适用于对深度学习有兴趣、希望入门这一领域的理工科大学生、研究生，以及希望了解该领域基本原理的软件开发人员。此外，本书所有案例均提供了云环境上的代码，便于读者复现结果，并进行深入
学习。

   杨培文，北京工商大学，优达学城机器学习课程毕业项目的评审。目前研究方向是深度学习在图像方面的应用，同时致力于机器学习、深度学习和无人车等方面知识的普及与教育。在 kaggle 猫狗大战项目中达到 top1.2%。

   第1章搭建指定的开发环境

1.1为什么要使用指定的开发环境

1.2硬件准备

1.2.1在亚马逊租用云GPU服务器

1.2.2在腾讯云租用GPU服务器

1.2.3在云服务器中开启搭载开发环境的Docker服务

1.3软件准备

1.3.1在Ubuntu16.04下配置环境

1.3.2在CentOS7下配置环境

1.4参考文献及网页链接

第2章温故知新——机器学习基础知识

2.1人工智能、机器学习与深度学习

2.2训练一个传统的机器学习模型

2.2.1第一步，观察数据

2.2.2第二步，预览数据

2.3数据挖掘与训练模型

2.3.1第一步，准备数据

2.3.2第二步，挖掘数据特征

2.3.3第三步，使用模型

2.3.4第四步，代码实战

2.4参考文献及网页链接

第3章数形结合——图像处理基础知识

3.1读取图像文件进行基本操作

3.1.1使用python-opencv读取图片

3.1.2借助python-opencv进行不同编码格式的转换

3.1.3借助python-opencv改变图片尺寸

3.2用简单的矩阵操作处理图像

3.2.1对图像进行复制与粘贴

3.2.2把图像当成矩阵进行处理——二维码转换成矩阵

3.3使用OpenCV“抠图”——基于颜色通道以及形态特征

3.4基于传统特征的传统图像分类方法

3.4.1将图片简化为少数区域并计算每个区域轮廓特征的方向

3.4.2将HOG变换运用在所有正负样本中

3.4.3训练模型

3.4.4将训练好的分类器运用在新的图片中

3.5参考文献及网页链接

第4章继往开来——使用深度神经网络框架

4.1从逻辑回归说起

4.2深度学习框架

4.3基于反向传播算法的自动求导

4.4简单的深度神经网络框架实现

4.4.1数据结构部分

4.4.2计算图部分

4.4.3使用方法

4.4.4训练模型

4.5参考文献及网页链接

第5章排列组合——深度神经网络框架的模型元件

5.1常用层

5.1.1Dense

5.1.2Activation

5.1.3Dropout

5.1.4Flatten

5.2卷积层

5.2.1Conv2D

5.2.2Cropping2D

5.2.3ZeroPadding2D

5.3池化层

5.3.1MaxPooling2D

5.3.2AveragePooling2D

5.3.3GlobalAveragePooling2D

5.4正则化层与过拟合

5.5反卷积层

5.6循环层

5.6.1SimpleRNN

5.6.2LSTM

5.6.3GRU

5.7参考文献及网页链接

第6章少量多次——深度神经网络框架的输入处理

6.1批量生成训练数据

6.2数据增强

6.3参考文献及网页链接

第7章愚公移山——深度神经网络框架的模型训练

7.1随机梯度下降

7.2动量法

7.3自适应学习率算法

7.4实验案例

7.5参考文献及网页链接

第8章小试牛刀——使用深度神经网络进行CIFAR.10数据分类

8.1上游部分——基于生成器的批量生成输入模块

8.2核心部分——用各种零件搭建深度神经网络

8.3下游部分——使用凸优化模块训练模型

8.4参考文献及网页链接

第9章见多识广——使用迁移学习提升准确率

9.1猫狗大战1.0——使用卷积神经网络直接进行训练

9.1.1导入数据

9.1.2可视化

9.1.3分割训练集和验证集

9.1.4搭建模型

9.1.5模型训练

9.1.6总结

9.2猫狗大战2.0——使用ImageNet数据集预训练模型

9.2.1迁移学习

9.2.2数据预处理

9.2.3搭建模型

9.2.4模型可视化

9.2.5训练模型

9.2.6提交到kaggle评估

9.3猫狗大战3.0——使用多种预训练模型组合提升表现

9.3.1载入数据集

9.3.2使用正确的预处理函数

9.3.3搭建特征提取模型并导出特征

9.3.4搭建并训练全连接分类器模型

9.3.5在测试集上预测

9.4融合模型

9.4.1获取特征

9.4.2数据持久化

9.4.3构建模型

9.4.4在测试集上预测

9.5总结

9.6参考文献及网页链接

第10章看图识字——使用深度神经网络进行文字识别

10.1使用卷积神经网络进行端到端学习

10.1.1编写数据生成器

10.1.2使用生成器

10.1.3构建深度卷积神经网络

10.1.4模型可视化

10.1.5训练模型

10.1.6计算模型总体准确率

10.1.7测试模型

10.1.8模型总结

10.2使用循环神经网络改进模型

10.2.1CTCLoss

10.2.2模型结构

10.2.3模型可视化

10.2.4数据生成器

10.2.5评估模型

10.2.6评估回调

10.2.7训练模型

10.2.8测试模型

10.2.9再次评估模型

10.2.10总结

10.3识别四则混合运算验证码（初赛）

10.3.1问题描述

10.3.2数据集探索

10.3.3模型结构

10.3.4结果可视化

10.3.5总结

10.4识别四则混合运算验证码（决赛）

10.4.1问题描述

10.4.2数据集探索

10.4.3数据预处理

10.4.4模型结构

10.4.5生成器

10.4.6模型的训练

10.4.7预测结果

10.4.8模型结果融合

10.4.9其他尝试

10.4.10小结

10.5参考文献及网页链接

第11章见习医生——使用全卷积神经网络分割病理切片中的癌组织

11.1任务描述

11.1.1赛题设置

11.1.2数据描述

11.1.3数据标注

11.2总体思路

11.3构造模型

11.3.1准备数据

11.3.2构建模型

11.3.3模型优化

11.4程序执行

11.5模型结果可视化

11.5.1加载函数

11.5.2选择验证集并编写预测函数

11.5.3根据tensorborad可视化结果选择最好的模型

11.5.4尝试逐步降低学习率

11.6观察模型在验证集上的预测表现

11.7参考文献及网页链接

第12章知行合一——如何写一个深度学习App

12.1CAM可视化

12.2导出分类模型和CAM可视化模型

12.2.1载入数据集

12.2.2提取特征

12.2.3搭建和训练分类器

12.2.4搭建分类模型和CAM模型

12.2.5可视化测试

12.2.6保存模型

12.2.7导出mlmodel模型文件

12.3开始编写App

12.3.1创建工程

12.3.2配置工程

12.3.3测试工程

12.3.4运行程序

12.4使用深度学习模型

12.4.1将模型导入到工程中

12.4.2数据类型转换函数

12.4.3实施CAM可视化

12.4.4模型效果

12.5参考文献及网页链接