TensorFlow人臉識別實戰(zhàn)

目 錄
第1章 Hello World——從計算機視覺與人類視覺談起 1
1.1 視覺的發(fā)展簡史 1
1.1.1 人類視覺神經(jīng)的啟迪 1
1.1.2 計算機視覺的難點與人工神經(jīng)網(wǎng)絡(luò) 3
1.1.3 應(yīng)用深度學習解決計算機視覺問題 3
1.2 計算機視覺學習的基礎(chǔ)與研究方向 5
1.2.1 學習計算機視覺結(jié)構(gòu)圖 5
1.2.2 計算機視覺的學習方式和未來趨勢 6
1.3 本章小結(jié) 7
第2章 眾里尋她千百度——人臉識別的前世今生 8
2.1 人臉識別簡介 9
2.1.1 人臉識別的發(fā)展歷程 9
2.1.2 人臉識別的一般方法 10
2.1.3 人臉識別的通用流程 11
2.2 基于深度學習的人臉識別 13
2.2.1 基于深度學習的人臉識別簡介 14
2.2.2 用于深度學習的人臉識別數(shù)據(jù)集 16
2.3 本章小結(jié) 19
第3章 TensorFlow的安裝 20
3.1 搭建環(huán)境1：安裝Python 20
3.1.1 Anaconda的下載與安裝 20
3.1.2 Python編譯器PyCharm的安裝 24
3.1.3 使用Python計算softmax函數(shù) 27
3.2 搭建環(huán)境2：安裝TensorFlow 2 28
3.2.1 安裝TensorFlow 2的CPU版本 28
3.2.2 安裝TensorFlow 2的GPU版本 29
3.2.3 練習——Hello TensorFlow 32
3.3 本章小結(jié) 32
第4章 Hello TensorFlow & Keras 33
4.1 TensorFlow & Keras 33
4.1.1 模型 34
4.1.2 使用Keras API實現(xiàn)鳶尾花分類的例子（順序模式） 35
4.1.3 使用Keras函數(shù)式編程實現(xiàn)鳶尾花分類的例子（重點） 37
4.1.4 使用保存的Keras模式對模型進行復用 40
4.1.5 使用TensorFlow標準化編譯對Iris模型進行擬合 41
4.1.6 多輸入單輸出TensorFlow編譯方法（選學） 45
4.1.7 多輸入多輸出TensorFlow編譯方法（選學） 48
4.2 全連接層詳解 50
4.2.1 全連接層的定義與實現(xiàn) 50
4.2.2 使用TensorFlow自帶的API實現(xiàn)全連接層 51
4.2.3 打印顯示已設(shè)計的模型結(jié)構(gòu)和參數(shù) 54
4.3 懶人的福音——Keras模型庫 56
4.3.1 ResNet50模型和參數(shù)的載入 57
4.3.2 使用ResNet50作為特征提取層建立模型 58
4.4 本章小結(jié) 61
第5章 深度學習的理論基礎(chǔ) 62
5.1 BP神經(jīng)網(wǎng)絡(luò)簡介 62
5.2 BP神經(jīng)網(wǎng)絡(luò)兩個基礎(chǔ)算法詳解 66
5.2.1 最小二乘法詳解 66
5.2.2 道士下山的故事——梯度下降算法 68
5.2.3 最小二乘法的梯度下降算法以及Python實現(xiàn) 71
5.3 反饋神經(jīng)網(wǎng)絡(luò)反向傳播算法 77
5.3.1 深度學習基礎(chǔ) 78
5.3.2 鏈式求導法則 79
5.3.3 反饋神經(jīng)網(wǎng)絡(luò)原理與公式推導 80
5.3.4 反饋神經(jīng)網(wǎng)絡(luò)原理的激活函數(shù) 85
5.3.5 反饋神經(jīng)網(wǎng)絡(luò)原理的Python實現(xiàn) 87
5.4 本章小結(jié) 91
第6章 卷積層與MNIST實戰(zhàn) 92
6.1 卷積運算的基本概念 92
6.1.1 卷積運算 93
6.1.2 TensorFlow中卷積函數(shù)的實現(xiàn) 95
6.1.3 池化運算 97
6.1.4 softmax激活函數(shù) 98
6.1.5 卷積神經(jīng)網(wǎng)絡(luò)原理 99
6.2 編程實戰(zhàn)：MNIST手寫體識別 101
6.2.1 MNIST數(shù)據(jù)集 101
6.2.2 MNIST數(shù)據(jù)集的特征和標簽 103
6.2.3 TensorFlow 2編程實戰(zhàn)：MNIST數(shù)據(jù)集 106
6.2.4 使用自定義的卷積層實現(xiàn)MNIST識別 110
6.3 激活、分類以及池化函數(shù)簡介（選學） 113
6.3.1 別偷懶——激活函數(shù)是分割器 113
6.3.2 太多了，我只要一個——池化運算 116
6.3.3 全連接層詳解 117
6.3.4 最終的裁判——分類函數(shù) 119
6.3.5 隨機失活層 121
6.4 本章小結(jié) 121
第7章 TensorFlow Datasets和TensorBoard詳解 122
7.1 TensorFlow Datasets簡介 122
7.1.1 Datasets數(shù)據(jù)集的安裝 124
7.1.2 Datasets數(shù)據(jù)集的使用 124
7.2 Datasets數(shù)據(jù)集的使用——FashionMNIST 126
7.2.1 FashionMNIST數(shù)據(jù)集下載與展示 127
7.2.2 模型的建立與訓練 129
7.3 使用Keras對FashionMNIST數(shù)據(jù)集進行處理 131
7.3.1 獲取數(shù)據(jù)集 131
7.3.2 數(shù)據(jù)集的調(diào)整 132
7.3.3 使用Python類函數(shù)建立模型 132
7.3.4 模型的查看和參數(shù)打印 134
7.3.5 模型的訓練和評估 135
7.4 使用TensorBoard可視化訓練過程 137
7.4.1 TensorBoard文件夾的設(shè)置 138
7.4.2 TensorBoard的顯式調(diào)用 138
7.4.3 TensorBoard的使用 141
7.5 本章小結(jié) 145
第8章 從冠軍開始：ResNet 146
8.1 ResNet的基礎(chǔ)原理與程序設(shè)計基礎(chǔ) 147
8.1.1 ResNet誕生的背景 147
8.1.2 模塊工具的TensorFlow實現(xiàn) 150
8.1.3 TensorFlow高級模塊layers的用法 151
8.2 ResNet實戰(zhàn)：CIFAR-100數(shù)據(jù)集分類 158
8.2.1 CIFAR-100數(shù)據(jù)集簡介 158
8.2.2 ResNet殘差模塊的實現(xiàn) 161
8.2.3 ResNet網(wǎng)絡(luò)的實現(xiàn) 163
8.2.4 使用ResNet對CIFAR-100數(shù)據(jù)集進行分類 166
8.3 ResNet的兄弟——ResNeXt 168
8.3.1 ResNeXt誕生的背景 168
8.3.2 ResNeXt殘差模塊的實現(xiàn) 169
8.3.3 ResNeXt網(wǎng)絡(luò)的實現(xiàn) 171
8.3.4 ResNeXt和ResNet的比較 172
8.4 本章小結(jié) 173
第9章 人臉檢測實戰(zhàn) 174
9.1 使用Python庫進行人臉檢測 175
9.1.1 LFW數(shù)據(jù)集簡介 175
9.1.2 Dlib庫簡介 176
9.1.3 OpenCV簡介 177
9.1.4 使用Dlib實現(xiàn)圖像中的人臉檢測 177
9.1.5 使用Dlib和OpenCV建立人臉檢測數(shù)據(jù)集 181
9.2 基于深度學習MTCNN模型的人臉檢測 183
9.2.1 MTCNN模型簡介 183
9.2.2 MTCNN模型的使用 186
9.2.3 MTCNN模型中的一些細節(jié) 193
9.3 本章小結(jié) 195
第10章 人臉識別模型 196
10.1 基于深度學習的人臉識別模型 196
10.1.1 人臉識別的基本模型SiameseModel（孿生模型） 197
10.1.2 SiameseModel的實現(xiàn) 199
10.1.3 人臉識別數(shù)據(jù)集的準備 201
10.2 基于相似度計算的人臉識別模型 202
10.2.1 一種新的損失函數(shù)Triplet Loss 202
10.2.2 基于TripletSemiHardLoss的MNIST模型 205
10.2.3 基于TripletSemiHardLoss和SENET的人臉識別模型 211
10.3 本章小結(jié) 216