深度学习计算机视觉实战：卷积神经网络、Python 、TensorFlow和Kivy

　　主要内容 ● 理解ANN和CNN的工作机制 ● 使用Python从头创建计算机视觉应用和CNN ● 使用TensorFlow从概念到生产学习深度学习项目 ● 与Kivy配合使用NumPy构建跨平台的数据科学应用

　　Ahmed Fawzy Gad是一名助教，来自埃及，2015年在埃及梅努菲亚大学计算机与信息学院获得信息技术荣誉理学学士学位，2018年获得硕士学位。Ahmed对深度学习、机器学习、计算机视觉和Python饶有兴趣。他曾担任机器学习项目的软件工程师和顾问。通过分享著作并在YouTube频道上录制教程，为数据科学界添砖加瓦是Ahmed的奋斗目标。Ahmed发表了多篇研究论文，撰写了TensorFlow： A Guide to Build Artificial Neural Networks Using Python （Lambert，2017）一书。Ahmed一直希望在其所感兴趣的领域与其他专家分享经验。

第1章  计算机视觉识别   1

1.1  图像识别步骤   2

1.2  特征提取   3

1.2.1  颜色直方图   4

1.2.2  GLCM   9

1.2.3  HOG   14

1.2.4  LBP   28

1.3  特征选择和缩减   30

1.3.1  过滤器方法   30

1.3.2  包装器方法   31

1.3.3  嵌入式方法   32

1.3.4  正则化   33

第2章  人工神经网络   35

2.1  人工神经网络简介   36

2.1.1  线性模型是人工神经网络的基础   36

2.1.2  绘制人工神经网络   40

2.2  调整学习率来训练ANN   43

2.2.1  过滤器示例   44

2.2.2  学习率   47

2.2.3  测试网络   49

2.3  使用向后传播优化权重   49

2.3.1  无隐藏层神经网络的向后传播   49

2.3.2  权重更新公式   52

2.3.3  为什么向后传播算法很重要   53

2.3.4  前向传递与后向传递   53

2.3.5  具有隐藏层的神经网络的向后传播   59

2.4  过拟合   68

2.4.1  基于回归示例理解正则化   70

2.4.2  模型容量/复杂性   72

2.4.3  L1正则化   74

2.5  设计ANN   76

2.5.1  示例1：无隐藏层的ANN   76

2.5.2  示例2：具有单个隐藏层的ANN   79

第3章  使用具有工程化特征的人工神经网络进行识别   83

3.1  Fruits 360数据集特征挖掘   83

3.1.1  特征挖掘   83

3.1.2  特征缩减   89

3.1.3  使用ANN进行过滤   91

3.2  ANN实现   93

3.3  工程化特征的局限性   99

3.4  工程化特征并未终结   100

第4章  人工神经网络的优化   101

4.1  优化简介   101

4.2  GA   104

4.2.1  选择最佳亲本   106

4.2.2  变化算子   107

4.2.3  示例的Python实现   109

4.3  NSGA-II   119

4.3.1  NSGA-II步骤   119

4.3.2  支配度   121

4.3.3  拥挤距离   126

4.3.4  竞赛选择   128

4.3.5  交叉   129

4.3.6  突变   129

4.4  使用GA优化ANN   130

第5章  卷积神经网络   143

5.1  从人工神经网络到卷积神经网络   143

5.1.1  深度学习背后的直觉   144

5.1.2  卷积的推导   147

5.1.3  设计CNN   156

5.1.4  池化操作   159

5.1.5  卷积操作示例   160

5.1.6  最大池化操作示例   162

5.2  使用NumPy从头开始构建CNN   163

5.2.1  读取输入图像   163

5.2.2  准备过滤器   164

5.2.3  卷积层   165

5.2.4  ReLU层   170

5.2.5  最大池化层   171

5.2.6  堆叠层   172

5.2.7  完整代码   174

第6章  TensorFlow在图像识别中的应用   183

6.1  TF简介   183

6.1.1  张量   184

6.1.2  TF Core   184

6.1.3  数据流图   185

6.1.4  使用TB的图可视化   195

6.1.5  线性模型   197

6.2  构建FFNN   203

6.2.1  线性分类   204

6.2.2  非线性分类   211

6.3  使用CNN识别CIFAR10   216

6.3.1  准备训练数据   216

6.3.2  构建CNN   218

6.3.3  训练CNN   222

6.3.4  保存已训练模型   226

6.3.5  构建和训练CNN的完整代码   226

6.3.6  准备测试数据   236

6.3.7  测试已训练的CNN模型   237

第7章  部署预训练模型   239

7.1  应用概述   239

7.2  Flask介绍   240

7.2.1  route()装饰器   241

7.2.2  add_rule_url方法   243

7.2.3  变量规则   243

7.2.4  端点   245

7.2.5  HTML表单   246

7.2.6  上传文件   248

7.2.7  Flask应用内的HTML   250

7.2.8  静态文件   254

7.3  部署使用Fruits 360数据集训练过的模型   256

7.4  部署使用CIFAR10数据集训练过的模型   263

第8章  跨平台的数据科学应用   277

8.1  Kivy简介   278

8.1.1  使用BoxLayout的基本应用   278

8.1.2  Kivy应用的生命周期   279

8.1.3  部件尺寸   282

8.1.4  网格布局   284

8.1.5  更多部件   285

8.1.6  部件树   287

8.1.7  处理事件   289

8.1.8  KV语言   291

8.2  P4A   295

8.2.1  安装Buildozer   295

8.2.2  准备buildozer.spec文件   296

8.2.3  使用Buildozer构建Android应用   298

8.3  Android上的图像识别   300

8.4  Android上的CNN   305

附录A  使用pip安装程序安装自制项目包   313