本書基於深度學ras框架，介紹了深度學原理及計算機視覺圖像處理的基礎知識。本書內容由淺入深，語言通俗易懂，從基本原理、實踐應用、基礎案例、綜合案例等層層，既適合沒有基礎的讀者迅速上手入門，又能讓有經驗的讀者深入了解深度學像識別的核心技術。本書盡可能避開復雜的數學推理公式，以常見的實際應用項目為案例，讓讀者在循序的學刻體會Keras作為深度學的魅力。
 本書提供了大量編程實例及配套資源括源代碼、軟件、數據集等，並詳細注明了案例代碼路徑。
 本書既可作為高職院校人工智能專業的教材與參考書，也可作為圖像識別愛好者及深度學者的自學用書，還可供從事人工智能相關行業的工程師、科研工作者、崗位培訓師等參考。

第1章  深度學及環境配置 1
1.1  深度學 1
1.1.1  人工智能、機器學度學繫 1
1.1.2  監督式學監督式學
1.1.3  深度學義 3
1.1.4  人腦視覺原理 3
1.1.5  深度學 3
1.1.6  深度學用 9
1.2  深度學配置 10
1.2.1  環境安裝簡介 10
1.2.2  安裝Anaconda 11
1.2.3  配置Anaconda環境 12
1.2.4  安裝PyCharm 13
1.2.5  新建項目 15
1.2.6  Jupyter Notebook的Anaconda環境配置 17
1.2.7  使用pip命令安裝軟件 18
第2章  深度學工入門 20
2.1  數學基礎 20
2.1.1  NumPy數組生成與reshape計算 21
2.1.2  轉置實現 21
2.1.3  矩陣乘法 22
2.1.4  矩素運算 23
2.2  常用函數 23
2.2.1  Sigmoid函數 24
2.2.2  tanh函數 25
2.2.3  ReLU函數 26
2.2.4  Softmax函數 27
2.2.5  導數 28
2.3  深度學模塊 28
2.3.1  os模塊 28
2.3.2  NumPy模塊 29
2.3.3  Matplotlib模塊 32
2.3.4  Pandas模塊 41
2.3.5  OpenCV模塊 45
第3章  深度學入門階 48
3.1  深度學原理入門 48
3.1.1  案例一：邏輯“與”問題 48
3.1.2  感知器參數預測與訓練 50
3.2  深度學原階 52
3.2.1  案例二：“三好學生”問題 52
3.3.2  感知器參數預測與訓練 53
第4章  Keras“三好學生”訓練與預測實戰 58
4.1  Keras簡介 58
4.2  Keras案例實戰 60
4.2.1  數據集產生 60
4.2.2  數據讀取與處理 61
4.2.3  模型建立與訓練 63
第5章  Keras手寫字體圖像識別實戰 66
5.1  深度神經網絡原理與實戰 66
5.1.1  深度神經網絡概述 66
5.1.2  多層感知器原理 67
5.1.3  MNIST數據集概述 68
5.1.4  使用Keras構建多層感知器模型 69
5.2  卷積神經網絡原理與實戰 76
5.2.1  卷積神經網絡概述 76
5.2.2  池化的基本原理 78
5.2.3  使用Keras構建卷積神經網絡 79
5.2.4  Keras模型保存與加載 81
5.2.5  Keras模型預測 81
第6章  人臉識別項目實戰 83
6.1  人臉識別原理 83
6.1.1  人臉檢測 84
6.1.2  人臉對齊 86
6.1.3  人臉編碼 87
6.1.4  人臉匹配 87
6.2  使用Keras構建人臉識別模型 88
6.2.1  數據集準備 88
6.2.2  模型設計與訓練 93
6.2.3  使用模行識別 104
第7章  目標檢測項目實戰 108
7.1  目標檢測原理 108
7.1.1  R-CNN原理 109
7.1.2  YOLO原理 110
7.2  Keras口罩檢測項目實戰 113
7.2.1  運行默認預測代碼 114
7.2.2  訓練口罩檢測模型 116
7.2.3  使用模行預測 123
第8章  人臉考勤繫統綜合項目實戰 126
8.1  攝像頭讀取與顯示 126
8.2  人臉檢測 128
8.3  人臉識別 130
8.4  人臉信息錄入 134
8.5  匹配圖像顯示 138
8.6  圖像拼接展示 142
8.7  口罩檢測 147
8.8  語音播報 149
參考文獻 152

前言

目前，人工智能技術已應用於很多行業，如圖像識別、自動翻譯、推理預測等。為了使讀者迅速掌捏深度學像識別的基本知識，編者對人工智能常見技行深入研究後精心設計了本書內容，主要按照項目實戰的方行編寫，可使讀者更容易掌握深度學本原理。對於難度較大的項目，如人臉識別與目標檢測方面的內容，則將其拆解成多個單任務，在內容上更加側重人工智能算法的應用，培養讀者實際應用深度學的能力。

本書具有如下特點：（pan>）面向高職院校人工智能相關專業的基礎課程。本書的主要目標讀者定位為高職院校人工智能相關專業的學生、圖像識別愛好者、深度學者，以及從事人工智能相關行業的工程師、科研工作者及不具備專業數學知識的人群。圖像識別是一繫列學科的集合體，它以機器學式識別等知識為基礎，因此依賴很多數學知識。本書采用初學者易於學的主流深度學span>Keras框架，盡量繞開復雜的數學證明和推導，由淺入深，逐步提高讀者的理論能力和代碼實踐能力。（2）側重圖像識別與應用。本書內容由淺入深，循序，側重計算機視覺領域，采用“入門學span>+案例實戰”的方行介紹。其中，入門學1~3章括深度學配置、常用工使用、深度學原理等內容；案例實戰（第4~7章）給出了Keras“三好學生”訓練與預測實戰、Keras手寫字體圖像識別實戰、人臉識別項目實戰和目標檢測項目實戰4個實戰案例；同時，第8章通過開發一個實際生活中的人臉考勤繫統融會貫通本書所有章節內容，做到了學以致用。（3）開源大量原創實戰項目代碼。為了更加適合高職教學，本書基於開源深度學行開發和修改，降低教學難度。本書在編排上遵循“理論+實戰”方式，並提供每一章的資源或代碼GitHub倉庫，下載地址為https://gitee.com/bvngh3247i/deep-learning。本書由廣東科學技術職業學院胡建華、陳宗仁擔任主編。第pan>章、第3章由西南民族大學郭建丁博士編寫，第2章、第6章由陝西國防工業職業技術學院魏曉艷編寫，第4章、第5章廣東科學技術職業學院韓天琪編寫，第7章由胡建華、陳宗仁、郭建丁共同編寫，第8章由胡建華、陳宗仁共同編寫。陳宗仁、楊忠明對本書的結構和知識行了核對與修正。

全書由胡建體設計並統稿。真誠感謝西安電子科技大學出版社的高櫻老師，她對本書提出了很多改建議。另外還要感謝參與教材修改的廣東科學技術職業學院人工智能技術應用專業的詹月容、吳穎怡、張嘉誠、凌海升、吳文記等同學。

由於編者和時間有限，書中難免有疏漏和不妥之處，敬請各位專家及廣大讀者批評指正。

編者

202pan>年10月