可以朗读 语音朗读
179千字 字数
2021-07-01 发行日期
展开全部

主编推荐语

本书可以帮助读者掌握深度学习的核心内容、TensorFlow实现人脸识别的技术要点以及从模型构建到应用程序编写的整套技巧。

内容简介

使用深度学习进行人脸识别是近年来AI研究的热点之一。本书使用TensorFlow 2.1作为深度学习的框架和工具，引导读者从搭建环境开始，逐步深入代码应用实践中，进而达到独立使用深度学习模型完成人脸识别的目的。　　

本书分为10章，第1、2章介绍人脸识别的基础知识和发展路径；第3章从搭建环境开始，详细介绍Anaconda、Python、PyCharm、TensorFlow CPU版本和GPU版本的安装；第4-6章介绍TensorFlow基本和高级API的使用；第7章介绍使用原生API处理数据的方法和可视化训练过程；第8章是实战准备，介绍ResNet模型的实现和应用；第9、10章综合该书前面的知识，学习人脸识别模型与人脸检测这两个实战项目。　　

本书内容详尽、示例丰富，是机器学习和深度学习初学者必备的参考书，同时也非常适合高等院校和培训机构人工智能及相关专业的师生教学参考。

目录

  • 版权信息
  • 内容简介
  • 前言
  • 第1章 Hello World
  • 1.1 视觉的发展简史
  • 1.1.1 人类视觉神经的启迪
  • 1.1.2 计算机视觉的难点与人工神经网络
  • 1.1.3 应用深度学习解决计算机视觉问题
  • 1.2 计算机视觉学习的基础与研究方向
  • 1.2.1 学习计算机视觉结构图
  • 1.2.2 计算机视觉的学习方式和未来趋势
  • 1.3 本章小结
  • 第2章 众里寻她千百度
  • 2.1 人脸识别简介
  • 2.1.1 人脸识别的发展历程
  • 2.1.2 人脸识别的一般方法
  • 2.1.3 人脸识别的通用流程
  • 2.2 基于深度学习的人脸识别
  • 2.2.1 基于深度学习的人脸识别简介
  • 2.2.2 用于深度学习的人脸识别数据集
  • 2.3 本章小结
  • 第3章 TensorFlow的安装
  • 3.1 搭建环境1：安装Python
  • 3.1.1 Anaconda的下载与安装
  • 3.1.2 Python编译器PyCharm的安装
  • 3.1.3 使用Python计算softmax函数
  • 3.2 搭建环境2：安装TensorFlow 2
  • 3.2.1 安装TensorFlow 2的CPU版本
  • 3.2.2 安装TensorFlow 2的GPU版本
  • 3.2.3 练习——Hello TensorFlow
  • 3.3 本章小结
  • 第4章 Hello TensorFlow & Keras
  • 4.1 TensorFlow & Keras
  • 4.1.1 模型
  • 4.1.2 使用Keras API实现鸢尾花分类（顺序模式）
  • 4.1.3 使用Keras函数式编程实现鸢尾花分类（重点）
  • 4.1.4 使用保存的Keras模式对模型进行复用
  • 4.1.5 使用TensorFlow标准化编译对Iris模型进行拟合
  • 4.1.6 多输入单输出TensorFlow编译方法（选学）
  • 4.1.7 多输入多输出TensorFlow编译方法（选学）
  • 4.2 全连接层详解
  • 4.2.1 全连接层的定义与实现
  • 4.2.2 使用TensorFlow自带的API实现全连接层
  • 4.2.3 打印显示已设计的模型结构和参数
  • 4.3 懒人的福音——Keras模型库
  • 4.3.1 ResNet50模型和参数的载入
  • 4.3.2 使用ResNet50作为特征提取层建立模型
  • 4.4 本章小结
  • 第5章 深度学习的理论基础
  • 5.1 BP神经网络简介
  • 5.2 BP神经网络两个基础算法详解
  • 5.2.1 最小二乘法详解
  • 5.2.2 道士下山的故事——梯度下降算法
  • 5.2.3 最小二乘法的梯度下降算法以及Python实现
  • 5.3 反馈神经网络反向传播算法
  • 5.3.1 深度学习基础
  • 5.3.2 链式求导法则
  • 5.3.3 反馈神经网络原理与公式推导
  • 5.3.4 反馈神经网络原理的激活函数
  • 5.3.5 反馈神经网络原理的Python实现
  • 5.4 本章小结
  • 第6章 卷积层与MNIST实战
  • 6.1 卷积运算的基本概念
  • 6.1.1 卷积运算
  • 6.1.2 TensorFlow中卷积函数的实现
  • 6.1.3 池化运算
  • 6.1.4 softmax激活函数
  • 6.1.5 卷积神经网络的原理
  • 6.2 编程实战：MNIST手写体识别
  • 6.2.1 MNIST数据集
  • 6.2.2 MNIST数据集的特征和标签
  • 6.2.3 TensorFlow 2编程实战：MNIST数据集
  • 6.2.4 使用自定义的卷积层实现MNIST识别
  • 6.3 激活、分类以及池化函数简介（选学）
  • 6.3.1 别偷懒——激活函数是分割器
  • 6.3.2 太多了，我只要一个——池化运算
  • 6.3.3 全连接层详解
  • 6.3.4 最终的裁判——分类函数
  • 6.3.5 随机失活层
  • 6.4 本章小结
  • 第7章 TensorFlow Datasets和TensorBoard详解
  • 7.1 TensorFlow Datasets简介
  • 7.1.1 Datasets数据集的安装
  • 7.1.2 Datasets数据集的使用
  • 7.2 Datasets数据集的使用——FashionMNIST
  • 7.2.1 FashionMNIST数据集下载与展示
  • 7.2.2 模型的建立与训练
  • 7.3 使用Keras对FashionMNIST数据集进行处理
  • 7.3.1 获取数据集
  • 7.3.2 数据集的调整
  • 7.3.3 使用Python类函数建立模型
  • 7.3.4 模型的查看和参数打印
  • 7.3.5 模型的训练和评估
  • 7.4 使用TensorBoard可视化训练过程
  • 7.4.1 TensorBoard文件夹的设置
  • 7.4.2 TensorBoard的显式调用
  • 7.4.3 TensorBoard的使用
  • 7.5 本章小结
  • 第8章 从冠军开始：ResNet
  • 8.1 ResNet的基础原理与程序设计基础
  • 8.1.1 ResNet诞生的背景
  • 8.1.2 模块工具的TensorFlow实现
  • 8.1.3 TensorFlow高级模块layers的用法
  • 8.2 ResNet实战：CIFAR-100数据集分类
  • 8.2.1 CIFAR-100数据集简介
  • 8.2.2 ResNet残差模块的实现
  • 8.2.3 ResNet网络的实现
  • 8.2.4 使用ResNet对CIFAR-100数据集进行分类
  • 8.3 ResNet的兄弟——ResNeXt
  • 8.3.1 ResNeXt诞生的背景
  • 8.3.2 ResNeXt残差模块的实现
  • 8.3.3 ResNeXt网络的实现
  • 8.3.4 ResNeXt和ResNet的比较
  • 8.4 本章小结
  • 第9章 人脸检测实战
  • 9.1 使用Python库进行人脸检测
  • 9.1.1 LFW数据集简介
  • 9.1.2 Dlib库简介
  • 9.1.3 OpenCV简介
  • 9.1.4 使用Dlib实现图像中的人脸检测
  • 9.1.5 使用Dlib和OpenCV建立人脸检测数据集
  • 9.2 基于深度学习MTCNN模型的人脸检测
  • 9.2.1 MTCNN模型简介
  • 9.2.2 MTCNN模型的使用
  • 9.2.3 MTCNN模型中的一些细节
  • 9.3 本章小结
  • 第10章 人脸识别模型
  • 10.1 基于深度学习的人脸识别模型
  • 10.1.1 人脸识别的基本模型SiameseModel（孪生模型）
  • 10.1.2 SiameseModel的实现
  • 10.1.3 人脸识别数据集的准备
  • 10.2 基于相似度计算的人脸识别模型
  • 10.2.1 一种新的损失函数Triplet Loss
  • 10.2.2 基于TripletSemiHardLoss的MNIST模型
  • 10.2.3 基于TripletSemiHardLoss和SENET的人脸识别模型
  • 10.3 本章小结
展开全部

评分及书评

评分不足
1个评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。