深度学习与图像处理实战

　　本书介绍了深度学习的历史、学习深度学习模型所需要的数学基础、深度学习模型的基本组成和常用深度学习模型的应用。本书共12章， ～5章介绍深度学习基础、深度学习环境的安装与使用、神经网络的数学基础、搭建一个简单的神经网络、模型评估及模型调优等，第6～12章介绍VGG网络实现猫狗识别、ResNet实现手势识别、搭建MobileNet实现电表编码区域检测、FCN实现斑马线分割、基于U-Net的工业缺陷检测、GAN图像生成、ACGAN生成带标签图片等多个综合实例，通过在实践中融入理论，帮助读者掌握深度学习的概念和应用开发。本书可以作为高职高专院校人工智能相关专业的教材，也可以作为人工智能领域相关培训教材，并适合想入门深度学习的人员和广大人工智能爱好者自学使用。

暂缺《深度学习与图像处理实战》作者简介

第1章 深度学习基础
1.1 深度学习的定义
1.2 深度学习的特点
1.3 深度学习的历史
1.3.1 深度学习的起源
1.3.2 深度学习的发展
1.3.3 深度学习的爆发
1.4 深度神经网络概述
1.4.1 VGGNet
1.4.2 GoogLeNet
1.4.3 ResNet
1.4.4 FCN
1.4.5 U-Net
1.4.6 Mask R-CNN
1.4.7 YOLO
1.5 深度学习的应用
1.5.1 图像领域
1.5.2 声音领域
1.5.3 文本领域
1.6 深度学习的未来趋势
本章小结
第2章 深度学习环境的安装与使用
2.1 Anaconda的安装与使用
2.1.1 Anaconda简介
2.1.2 Anaconda的安装
2.1.3 conda简介
2.2 TensorFlow环境搭建与使用
2.2.1 安装TensorFlow CPU版本
2.2.2 安装TensorFlow GPU版本
2.2.3 PyCharm的安装
2.2.4 PyCharm的使用
2.2.5 TensorFlow的使用
2.3 Keras简介与使用
2.3.1 Keras的意义
2.3.2 Keras的设计原则
2.3.3 Keras的工作方式
2.3.4 Keras快速上手
2.3.5 Keras简单实例
本章小结
第3章 神经网络的数学基础
3.1 矩阵
3.1.1 矩阵定义
3.1.2 矩阵加法
3.1.3 矩阵乘法
3.1.4 矩阵的转置
3.1.5 矩阵的逆
3.2 随机变量及概率分布
3.2.1 随机变量定义
3.2.2 离散型随机变量的概率分布
3.2.3 连续型随机变量及其概率密度函数