使用深度學習進行人臉識別是近年來AI研究的熱點之一。本書可以幫助讀者掌握深度學習的核心內容、TensorFlow實現人臉識別的技術要點以及從模型構建到應用程序編寫的整套技巧。

●第1章 Hello World——從計算機視覺與人類視覺談起 1
1.1 視覺的發展簡史 1
1.1.1 人類視覺神經的啟迪 1
1.1.2 計算機視覺的難點與人工神經網絡 3
1.1.3 應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與研究方向 5
1.2.1 學習計算機視覺結構圖 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 7
第2章 眾裡尋她千百度——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 基於深度學習的人臉識別 13
2.2.1 基於深度學習的人臉識別簡介 14
2.2.2 用於深度學習的人臉識別數據集 16
2.3 本章小結 19
第3章 TensorFlow的安裝 20
3.1 搭建環境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 27
3.2 搭建環境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 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實現鳶尾花分類的例子（順序模式） 35
4.1.3 使用Keras函數式編程實現鳶尾花分類的例子（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 50
4.2.2 使用TensorFlow自帶的API實現全連接層 51
4.2.3 打印顯示已設計的模型結構和參數 54
4.3 懶人的福音——Keras模型庫 56
4.3.1 ResNet50模型和參數的載入 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 61
第5章 深度學習的理論基礎 62
5.1 BP神經網絡簡介 62
5.2 BP神經網絡兩個基礎算法詳解 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 71
5.3 反饋神經網絡反向傳播算法 77
5.3.1 深度學習基礎 78
5.3.2 鏈式求導法則 79
5.3.3 反饋神經網絡原理與公式推導 80
5.3.4 反饋神經網絡原理的激活函數 85
5.3.5 反饋神經網絡原理的Python實現 87
5.4 本章小結 91
第6章 卷積層與MNIST實戰 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中卷積函數的實現 95
6.1.3 池化運算 97
6.1.4 softmax激活函數 98
6.1.5 卷積神經網絡原理 99
6.2 編程實戰：MNIST手寫體識別 101
6.2.1 MNIST數據集 101
6.2.2 MNIST數據集的特征和標簽 103
6.2.3 TensorFlow 2編程實戰：MNIST數據集 106
6.2.4 使用自定義的卷積層實現MNIST識別 110
6.3 激活、分類以及池化函數簡介（選學） 113
6.3.1 別偷懶——激活函數是分割器 113
6.3.2 太多了，我隻要一個——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 119
6.3.5 隨機失活層 121
6.4 本章小結 121
第7章 TensorFlow Datasets和TensorBoard詳解 122
7.1 TensorFlow Datasets簡介 122
7.1.1 Datasets數據集的安裝 124
7.1.2 Datasets數據集的使用 124
7.2 Datasets數據集的使用——FashionMNIST 126
7.2.1 FashionMNIST數據集下載與展示 127
7.2.2 模型的建立與訓練 129
7.3 使用Keras對FashionMNIST數據集進行處理 131
7.3.1 獲取數據集 131
7.3.2 數據集的調整 132
7.3.3 使用Python類函數建立模型 132
7.3.4 模型的查看和參數打印 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文件夾的設置 138
7.4.2 TensorBoard的顯式調用 138
7.4.3 TensorBoard的使用 141
7.5 本章小結 145
第8章 從冠軍開始：ResNet 146
8.1 ResNet的基礎原理與程序設計基礎 147
8.1.1 ResNet誕生的背景 147
8.1.2 模塊工具的TensorFlow實現 150
8.1.3 TensorFlow高級模塊layers的用法 151
8.2 ResNet實戰：CIFAR-100數據集分類 158
8.2.1 CIFAR-100數據集簡介 158
8.2.2 ResNet殘差模塊的實現 161
8.2.3 ResNet網絡的實現 163
8.2.4 使用ResNet對CIFAR-100數據集進行分類 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 169
8.3.3 ResNeXt網絡的實現 171
8.3.4 ResNeXt和ResNet的比較 172
8.4 本章小結 173
第9章 人臉檢測實戰 174
9.1 使用Python庫進行人臉檢測 175
9.1.1 LFW數據集簡介 175
9.1.2 Dlib庫簡介 176
9.1.3 OpenCV簡介 177
9.1.4 使用Dlib實現圖像中的人臉檢測 177
9.1.5 使用Dlib和OpenCV建立人臉檢測數據集 181
9.2 基於深度學習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 193
9.3 本章小結 195
第10章 人臉識別模型 196
10.1 基於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 199
10.1.3 人臉識別數據集的準備 201
10.2 基於相似度計算的人臉識別模型 202
10.2.1 一種新的損失函數Triplet Loss 202
10.2.2 基於TripletSemiHardLoss的MNIST模型 205
10.2.3 基於TripletSemiHardLoss和SENET的人臉識別模型 211
10.3 本章小結 216

使用深度學習進行人臉識別是近年來AI研究的熱點之一。本書使用TensorFlow 2.1作為深度學習的框架和工具，引導讀者從搭建環境開始，逐步深入代碼應用實踐中，進而達到獨立使用深度學習模型完成人臉識別的目的。本書分為10章，第1、2章介紹人臉識別的基礎知識和發展路徑；第3章從搭建環境開始，詳細介紹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處理數據的方法和可視化訓練過程；第8章是實戰準備，介紹ResNet模型的實現和應用；第9、10章綜合本書前面的知識，學習人臉識別模型與人臉檢測這兩個實戰項目。本書內容詳盡、示例豐富，是機器學習和深度學習初學者推薦的參考書，同時也非常適合高等院校和培訓機構人工智能及相關專業的師生教學參考。