第1章 计算机视觉与深度学习 1
1.1计算机视觉与深度学习的关系 1
1.1.1人类视觉神经的启迪 2
1.1.2计算机视觉的难点与人工神经网络 3
1.1.3应用深度学习解决计算机视觉问题 4
1.2计算机视觉学习的基础与研究方向 5
1.2.1学习计算机视觉结构图 5
1.2.2计算机视觉的学习方式和未来趋势 6
1.3本章小结 7
第2章 Python的安装与使用 8
2.1 Python基本安装和用法 8
2.1.1 Anaconda的下载与安装 9
2.1.2 Python编译器PyCharm的安装 12
2.1.3使用Python计算softmax函数 15
2.2 TensorFlow类库的下载与安装（基于CPU模式） 16
2.3 TensorFlow类库的下载与安装（基于GPU模式） 18
2.3.1 CUDA配置 18
2.3.2 cuDNN配置 21
2.4 OpenCV类库的下载与安装 22
2.5 Python常用类库中的threading 24
2.5.1 threading库的使用 25
2.5.2 threading模块中最重要的Thread类 25
2.5.3 threading中的Lock类 26
2.5.4 threading中的join类 27
2.6本章小结 28
第3章 Python数据处理及可视化 29
3.1从小例子起步——NumPy的初步使用 29
3.1.1数据的矩阵化 29
3.1.2数据分析 31
3.1.3基于统计分析的数据处理 32
3.2图形化数据处理——Matplotlib包的使用 33
3.2.1差异的可视化 33
3.2.2坐标图的展示 34
3.2.3玩个大的数据集 36
3.3深度学习理论方法——相似度计算 38
3.3.1基于欧几里得距离的相似度计算 38
3.3.2基于余弦角度的相似度计算 39
3.3.3欧几里得相似度与余弦相似度的比较 40
3.4数据的统计学可视化展示 41
3.4.1数据的四分位 41
3.4.2数据的四分位示例 42
3.4.3数据的标准化 46
3.4.4数据的平行化处理 47
3.4.5热点图-属性相关性检测 49
3.5 Python数据分析与可视化实战——某地降水的关系处理 50
3.5.1不同年份的相同月份统计 50
3.5.2不同月份之间的增减程度比较 52
3.5.3每月降水是否相关 53
3.6本章小结 54
第4章 深度学习的理论基础——机器学习 55
4.1机器学习基本分类 55
4.1.1基于学科的分类 55
4.1.2基于学习模式的分类 56
4.1.3基于应用领域的分类 56
4.2机器学习基本算法 57
4.2.1机器学习的算法流程 57
4.2.2基本算法的分类 58
4.3算法的理论基础 60
4.3.1小学生的故事——求圆的面积 60
4.3.2机器学习基础理论——函数逼近 61
4.4回归算法 62
4.4.1函数逼近经典算法——线性回归算法 62
4.4.2线性回归的姐妹——逻辑回归 64
4.5机器学习的其他算法——决策树 65
4.5.1水晶球的秘密 65
4.5.2决策树的算法基础——信息熵 66
4.5.3决策树的算法基础——ID3算法 67
4.6本章小结 68
第5章 计算机视觉处理库OpenCV 70
5.1认识OpenCV 70
5.1.1 OpenCV的结构 70
5.1.2从雪花电视谈起——在Python中使用OpenCV 74
5.2 OpenCV基本的图片读取 75
5.2.1基本的图片存储格式 76
5.2.2图像的读取与存储 78
5.2.3图像的转换 78
5.2.4使用NumPy模块对图像进行编辑 80
5.3 OpenCV的卷积核处理 81
5.3.1计算机视觉的三种不同色彩空间 81
5.3.2卷积核与图像特征提取 82
5.3.3卷积核进阶 84
5.4本章小结 85
第6章 OpenCV图像处理实战 86
6.1图片的自由缩放以及边缘裁剪 86
6.1.1图像的扩缩裁挖 86
6.1.2图像色调的调整 87
6.1.3图像的旋转、平移和翻转 89
6.2使用OpenCV扩大图像数据库 90
6.2.1图像的随机裁剪 90
6.2.2图像的随机旋转变换 91
6.2.3图像色彩的随机变换 92
6.2.4对鼠标的监控 93
6.3本章小结 94
第7章 Let’s play TensorFlow 95
7.1 TensorFlow游乐场 95
7.1.1 I want to play a game 95
7.1.2 TensorFlow游乐场背后的故事 99
7.1.3如何训练神经网络 101
7.2 Hello TensorFlow 102
7.2.1 TensorFlow名称的解释 102
7.2.2 TensorFlow基本概念 103
7.2.3 TensorFlow基本架构 105
7.3本章小结 106
第8章 Hello TensorFlow，从0到1 107
8.1 TensorFlow的安装 107
8.2 TensorFlow常量、变量和数据类型 109
8.3 TensorFlow矩阵计算 114
8.4 Hello TensorFlow 115
8.5本章小结 120
第9章 TensorFlow重要算法基础 122
9.1 BP神经网络简介 122
9.2 BP神经网络两个基础算法详解 124
9.2.1最小二乘法详解 125
9.2.2道士下山的故事——梯度下降算法 127
9.3 TensorFlow实战——房屋价格的计算 130
9.3.1数据收集 130
9.3.2模型的建立与计算 131
9.3.3 TensorFlow程序设计 133
9.4反馈神经网络反向传播算法介绍 135
9.4.1深度学习基础 135
9.4.2链式求导法则 136
9.4.3反馈神经网络原理与公式推导 138
9.4.4反馈神经网络原理的激活函数 143
9.4.5反馈神经网络原理的Python实现 144
9.5本章小结 150
第10章 TensorFlow数据的生成与读取 151
10.1 TensorFlow的队列 151
10.1.1队列的创建 151
10.1.2线程同步与停止 155
10.1.3队列中数据的读取 156
10.2 CSV文件的创建与读取 157
10.2.1 CSV文件的创建 157
10.2.2 CSV文件的读取 158
10.3 TensorFlow文件的创建与读取 160
10.3.1 TFRecords文件的创建 160
10.3.2 TFRecords文件的读取 163
10.3.3图片文件的创建与读取 164
10.4本章小结 169
第11章 卷积神经网络的原理 170
11.1卷积运算基本概念 170
11.1.1卷积运算 171
11.1.2 TensorFlow中卷积函数实现详解 172
11.1.3使用卷积函数对图像感兴趣区域进行标注 176
11.1.4池化运算 178
11.1.5使用池化运算加强卷积特征提取 180
11.2卷积神经网络的结构详解 181
11.2.1卷积神经网络原理 181
11.2.2卷积神经网络的应用实例——LeNet5网络结构 184
11.2.3卷积神经网络的训练 186
11.3 TensorFlow实现LeNet实例 186
11.3.1 LeNet模型分解 187
11.3.2使用ReLU激活函数替代Sigmoid 191
11.3.3程序的重构——模块化设计 195
11.3.4卷积核和隐藏层参数的修改 199
11.4本章小结 205
第12章 卷积神经网络公式的推导与应用 206
12.1反馈神经网络算法 206
12.1.1经典反馈神经网络正向与反向传播公式推导 206
12.1.2卷积神经网络正向与反向传播公式推导 209
12.2使用卷积神经网络分辨CIFAR-10数据集 217
12.2.1 CIFAR-10数据集下载与介绍 217
12.2.2 CIFAR-10模型的构建与数据处理 219
12.2.3 CIFAR-10模型的细节描述与参数重构 228
12.3本章小结 229
第13章 猫狗大战——实战AlexNet图像识别 230
13.1 AlexNet简介 231
13.1.1 AlexNet模型解读 231
13.1.2 AlexNet程序的实现 234
13.2实战猫狗大战——AlexNet模型 239
13.2.1数据的收集与处理 240
13.2.2模型的训练与存储 244
13.2.3使用训练过的模型预测图片 250
13.2.4使用Batch Normalization正则化处理数据集 257
13.3本章小结 266