TensorFlow人臉識別實(shí)戰(zhàn)

定　價：￥59.00

作　者：	王曉華著
出版社：	清華大學(xué)出版社
叢編項(xiàng)：	人工智能技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787302583820	出版時間：	2021-08-01	包裝：	平裝
開本：	16開	頁數(shù)：	216	字?jǐn)?shù)：

內(nèi)容簡介

　　使用深度學(xué)習(xí)進(jìn)行人臉識別是近年來AI研究的熱點(diǎn)之一。該書使用TensorFlow 2.1作為深度學(xué)習(xí)的框架和工具，引導(dǎo)讀者從搭建環(huán)境開始，逐步深入代碼應(yīng)用實(shí)踐中，進(jìn)而達(dá)到獨(dú)立使用深度學(xué)習(xí)模型完成人臉識別的目的。《TensorFlow人臉識別實(shí)戰(zhàn)（人工智能技術(shù)叢書）》分為10章，第1、2章介紹人臉識別的基礎(chǔ)知識和發(fā)展路徑；第3章從搭建環(huán)境開始，詳細(xì)介紹Anaconda、Python、PyCharm、TensorFlow CPU版本和GPU版本的安裝；第4-6章介紹TensorFlow基本和高級API的使用；第7章介紹使用原生API處理數(shù)據(jù)的方法和可視化訓(xùn)練過程；第8章是實(shí)戰(zhàn)準(zhǔn)備，介紹ResNet模型的實(shí)現(xiàn)和應(yīng)用；第9、10章綜合該書前面的知識，學(xué)習(xí)人臉識別模型與人臉檢測這兩個實(shí)戰(zhàn)項(xiàng)目。《TensorFlow人臉識別實(shí)戰(zhàn)（人工智能技術(shù)叢書）》內(nèi)容詳盡、示例豐富，是機(jī)器學(xué)習(xí)和深度學(xué)習(xí)初學(xué)者必備的參考書，同時也非常適合高等院校和培訓(xùn)機(jī)構(gòu)人工智能及相關(guān)專業(yè)的師生教學(xué)參考。

作者簡介

　　王曉華，計(jì)算機(jī)專業(yè)講師，長期講授面向?qū)ο蟪绦蛟O(shè)計(jì)、數(shù)據(jù)結(jié)構(gòu)、Hadoop程序設(shè)計(jì)等研究生和本科生相關(guān)課程；主要研究方向?yàn)樵朴?jì)算、數(shù)據(jù)挖掘。曾主持和參與多項(xiàng)國家和省級科研課題，獨(dú)立科研項(xiàng)目獲省級成果認(rèn)定，發(fā)表過多篇論文，擁有一項(xiàng)國家專利。著有《Spark MLlib機(jī)器學(xué)習(xí)實(shí)踐》《TensorFlow深度學(xué)習(xí)應(yīng)用實(shí)踐》《OpenCV+TensorFlow深度學(xué)習(xí)與計(jì)算機(jī)視覺實(shí)戰(zhàn)》《TensorFlow 2.0卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)》《TensorFlow+Keras自然語言處理實(shí)戰(zhàn)》等圖書。

圖書目錄

目錄
第1章 Hello World——從計(jì)算機(jī)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(jì)算機(jī)視覺的難點(diǎn)與人工神經(jīng)網(wǎng)絡(luò) 3
1.1.3 應(yīng)用深度學(xué)習(xí)解決計(jì)算機(jī)視覺問題 3
1.2 計(jì)算機(jī)視覺學(xué)習(xí)的基礎(chǔ)與研究方向 5
1.2.1 學(xué)習(xí)計(jì)算機(jī)視覺結(jié)構(gòu)圖 5
1.2.2 計(jì)算機(jī)視覺的學(xué)習(xí)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(xué)習(xí)的人臉識別 13
2.2.1 基于深度學(xué)習(xí)的人臉識別簡介 14
2.2.2 用于深度學(xué)習(xí)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(jì)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(xí)——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(shí)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(shí)現(xiàn)鳶尾花分類的例子（重點(diǎn)） 37
4.1.4 使用保存的Keras模式對模型進(jìn)行復(fù)用 40
4.1.5 使用TensorFlow標(biāo)準(zhǔn)化編譯對Iris模型進(jìn)行擬合 41
4.1.6 多輸入單輸出TensorFlow編譯方法（選學(xué)） 45
4.1.7 多輸入多輸出TensorFlow編譯方法（選學(xué)） 48
4.2 全連接層詳解 50
4.2.1 全連接層的定義與實(shí)現(xiàn) 50
4.2.2 使用TensorFlow自帶的API實(shí)現(xiàn)全連接層 51
4.2.3 打印顯示已設(shè)計(jì)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(xué)習(xí)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(shí)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(xué)習(xí)基礎(chǔ) 78
5.3.2 鏈?zhǔn)角髮?dǎo)法則 79
5.3.3 反饋神經(jīng)網(wǎng)絡(luò)原理與公式推導(dǎo) 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(shí)現(xiàn) 87
5.4 本章小結(jié) 91
第6章卷積層與MNIST實(shí)戰(zhàn) 92
6.1 卷積運(yùn)算的基本概念 92
6.1.1 卷積運(yùn)算 93
6.1.2 TensorFlow中卷積函數(shù)的實(shí)現(xiàn) 95
6.1.3 池化運(yùn)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(shí)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(biāo)簽 103
6.2.3 TensorFlow 2編程實(shí)戰(zhàn)：MNIST數(shù)據(jù)集 106
6.2.4 使用自定義的卷積層實(shí)現(xiàn)MNIST識別 110
6.3 激活、分類以及池化函數(shù)簡介（選學(xué)） 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(yùn)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(jī)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(xùn)練 129
7.3 使用Keras對FashionMNIST數(shù)據(jù)集進(jìn)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(xùn)練和評估 135
7.4 使用TensorBoard可視化訓(xùn)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(jì)基礎(chǔ) 147
8.1.1 ResNet誕生的背景 147
8.1.2 模塊工具的TensorFlow實(shí)現(xiàn) 150
8.1.3 TensorFlow高級模塊layers的用法 151
8.2 ResNet實(shí)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(shí)現(xiàn) 161
8.2.3 ResNet網(wǎng)絡(luò)的實(shí)現(xiàn) 163
8.2.4 使用ResNet對CIFAR-100數(shù)據(jù)集進(jìn)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(shí)現(xiàn) 169
8.3.3 ResNeXt網(wǎng)絡(luò)的實(shí)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(shí)戰(zhàn) 174
9.1 使用Python庫進(jìn)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(shí)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(xué)習(xí)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(xì)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(xué)習(xí)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(shí)現(xiàn) 199
10.1.3 人臉識別數(shù)據(jù)集的準(zhǔn)備 201
10.2 基于相似度計(jì)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