OpenCV + TensorFlow 深度學習與電腦視覺實戰

王曉華，大學資深電腦專業講師，為研究生、大學部學生教授物件導向程式設計、資料結構、Hadoop程式設計等相關課程。主要研究方向為雲端運算、資料探勘。曾主持和參與多項國家和省級科研課題，獨立完成一項科研成果獲省級成果認定，發表過多篇論文，申請有一項。

第1章 電腦視覺與深度學習
1.1 電腦視覺與深度學習的關係
1.1.1 人類視覺神經的啟蒙
1.1.2 電腦視覺的困難與人工神經網絡
1.1.3 應用深度學習解決電腦視覺問題
1.2 電腦視覺學習的基礎與研究方向
1.2.1 學習電腦視覺結構圖
1.2.2 電腦視覺的學習方式與未來趨勢
1.3 本章小結
第2章 Python的安裝與使用
2.1 Python基本安裝和用法
2.1.1 Anaconda的下載與安裝
2.1.2 Python編譯器PyCharm的安裝
2.1.3 使用Python計算softmax函數
2.2 TensorFlow類別庫的下載與安裝（基於CPU模式）
2.3 TensorFlow類別庫的下載與安裝（基於GPU模式）
2.3.1 CUDA配置
2.3.2 cuDNN配置
2.4 OpenCV類別庫的下載與安裝
2.5 Python常用類別庫中的threading
2.5.1 threading庫的使用
2.5.2 threading模組中最重要的Thread類
2.5.3 threading中的Lock類
2.5.4 threading中的join類
2.6 本章小結
第3章 Python資料處理及視覺化
3.1 從小例子起步―NumPy的初步使用
3.1.1 數據的矩陣化
3.1.2 數據分析
3.1.3 基於統計分析的資料處理
3.2 圖形化資料處理―Matplotlib包的使用
3.2.1 差異的可視化
3.2.2 座標圖的展示
3.2.3 玩個大的資料集
3.3 深度學習理論法―相似度計算
3.3.1 基於歐幾裏德距離的相似度計算
3.3.2 基於餘弦角度的相似度計算
3.3.3 歐幾裏德相似度與餘弦相似度的比較
3.4 數據的統計學視覺化展示
3.4.1 數據的四分位
3.4.2 資料的四分位範例
3.4.3 數據的標準化
3.4.4 資料的平行化處理
3.4.5 熱點圖-屬性相關性檢測
3.5 Python資料分析與視覺化實戰―某地降水的關係處理
3.5.1 不同年份的相同月份統計
3.5.2 不同月份之間的增減程度比較
3.5.3 每月降水是否相關
3.6 本章小結
第4章 深度學習的理論基礎―機器學習 4.1 機器學習基本分類
4.1.1 基於學科的分類
4.1.2 基於學習模式的分類
4.1.3 基於應用領域的分類
4.2 機器學習基本演算法
4.2.1 機器學習的演算法流程
4.2.2 基本演算法的分類
4.3 演算法的理論基礎
4.3.1 小學生的故事―求圓的面積
4.3.2 機器學習基礎理論―函數逼近
4.4 迴歸演算法
4.4.1 函數逼近經典演算法―線性迴歸演算法
4.4.2 線性迴歸的姊妹―邏輯迴歸
4.5 機器學習的其他演算法―決策樹
4.5.1 水晶球的秘密
4.5.2 決策樹的演算法基礎―資訊熵
4.5.3 決策樹的演算法基礎―ID3演算法
4.6 本章小結
第5章 電腦視覺處理庫OpenCV
5.1 認識OpenCV
5.1.1 OpenCV的結構
5.1.2 從雪花電視談起―在Python中使用OpenCV
5.2 OpenCV基本的圖片讀取
5.2.1 基本的圖片儲存格式
5.2.2 影像的讀取與存儲
5.2.3 影像的轉換
5.2.4 使用NumPy模組對影像進行編輯
5.3 OpenCV的捲積核處理
5.3.1 電腦視覺的三種不同色彩空間
5.3.2 捲積核與影像特徵擷取
5.3.3 捲積核進階
5.4 本章小結
第6章 OpenCV影像處理實戰
6.1 圖片的自由縮放以及邊緣裁剪
6.1.1 影像的擴縮裁挖
6.1.2 影像色調的調整
6.1.3 影像的旋轉、平移和翻轉
6.2 使用OpenCV擴大影像數據庫
6.2.1 影像的隨機裁剪
6.2.2 影像的隨機旋轉變換
6.2.3 影像色彩的隨機變換
6.2.4 對鼠標的監控
6.3 本章小結
第7章 Let's play TensorFlow
7.1 TensorFlow遊樂場
7.1.1 I want to play a game
7.1.2 TensorFlow遊樂場背後的故事
7.1.3 如何訓練神經網絡
7.2 Hello TensorFlow
7.2.1 TensorFlow名稱的解釋 7.2.2 TensorFlow基本概念
7.2.3 TensorFlow基本架構
7.3 本章小結
第8章 Hello TensorFlow，從0到
8.1 TensorFlow的安裝
8.2 TensorFlow常數、變量和資料類型
8.3 TensorFlow矩陣計算
8.4 Hello TensorFlow
8.5 本章小結
第9章 TensorFlow重要演算法基礎
9.1 BP神經網絡簡介
9.2 BP神經網絡兩個基礎演算法詳解
9.2.1 最小平方法詳解
9.2.2 道士下山的故事―梯度下降演算法
9.3 TensorFlow實戰―房屋價格的計算
9.3.1 資料收集
9.3.2 模型的建立與計算
9.3.3 TensorFlow程式設計
9.4 回饋神經網絡反向傳播演算法介紹
9.4.1 深度學習基礎
9.4.2 鍊式求導法則
9.4.3 回饋神經網絡原理與公式推導
9.4.4 回饋神經網絡原理的活化函數
9.4.5 回饋神經網絡原理的Python實現
9.5 本章小結
0章 TensorFlow資料的產生與讀取
10.1 TensorFlow的隊列
10.1.1 隊列的創建
10.1.2 線程同步與停止
10.1.3 佇列中資料的讀取
10.2 CSV檔案的建立與讀取
10.2.1 CSV檔案的創建
10.2.2 CSV檔案的讀取
10.3 TensorFlow檔案的建立與讀取
10.3.1 TFRecords檔案的創建
10.3.2 TFRecords檔案的讀取
10.3.3 圖片檔案的建立與讀取
10.4 本章小結
1章 捲積神經網絡的原理
11.1 捲積運算基本概念
11.1.1 捲積運算
11.1.2 TensorFlow中捲積函數實現詳解
11.1.3 使用捲積函數對影像感興趣區域進行標註
11.1.4 池化運算
11.1.5 使用池化運算加強捲積特徵擷取
11.2 捲積神經網絡的結構詳解
11.2.1 捲積神經網絡原理
11.2.2 捲積神經網絡的應用實例―LeNet5網絡結構
11.2.3 捲積神經網絡的訓練
11.3 TensorFlow實作LeNet實例 11.3.1 LeNet模型分解
11.3.2 使用ReLU激活函數取代Sigmoid
11.3.3 程式的重構―模組化設計
11.3.4 捲積核與隱藏層參數的修改
11.4 本章小結
2章 捲積神經網絡公式的推導與應用
12.1 回饋神經網絡演算法
12.1.1 經典回饋神經網絡正向與反向傳播公式推導
12.1.2 捲積神經網絡正向與反向傳播公式推導
12.2 使用捲積神經網絡分辨CIFAR-10資料集
12.2.1 CIFAR-10資料集下載與介紹
12.2.2 CIFAR-10模型的建構與資料處理
12.2.3 CIFAR-10模型的細部描述與參數重構
12.3 本章小結
3章 貓狗大戰―實戰AlexNet影像辨識
13.1 AlexNet簡介
13.1.1 AlexNet模型解讀
13.1.2 AlexNet程序的實現
13.2 實戰貓狗大戰―AlexNet模型
13.2.1 資料的收集與處理
13.2.2 模型的訓練與存儲
13.2.3 使用訓練過的模型預測圖片
13.2.4 使用Batch_Normalization正規化處理資料集
13.3 本章小結