前言

CNN正在革新幾個應用領域，如視覺識別系統、自動駕駛汽車、醫學發現、創新電子商務等。本書從構建CNN塊開始，基于最佳實踐來指導你實現真實的CNN模型并提供解決方案。你將學習創建圖像和視頻的創新解決方案，以解決復雜的機器學習和計算機視覺問題。

本書從深度神經網絡概述開始，通過一個圖像分類的例子帶你構建第一個CNN模型。你將學習一些概念，如轉移學習、CNN自編碼器等，這些概念將幫助你構建非常強大的模型，即使只有有限的監督學習（有標簽圖像）訓練集。

隨后，我們基于這些學習來實現高級視覺相關算法和解決方案，用于目標檢測、實例分割、生成式（對抗）網絡、圖像捕捉、注意力機制以及循環視覺注意模型。除了讓你動手實踐最有趣的視覺模型和架構外，本書還探索了CNN和計算機視覺領域最前沿的研究。這使得用戶能夠預見這個領域的未來，并運用高級CNN解決方案快速開始他們的創新之旅。

在本書的結尾，你應該可以在你的專業項目或個人方案中利用復雜的圖像和視頻數據集來實現先進、有效和高效的CNN模型。

本書受眾

本書適合數據科學家、機器學習和深度學習實踐者以及想要進一步構建CNN的人工智能愛好者。獲取使用極大數據集和不同CNN架構的實踐經驗，從而構建高效、智能的卷積網絡模型。本書讀者最好對深度學習基本概念和Python編程語言基礎知識已經有所了解。

各章概覽

第1章對深度神經網絡的科學原理和實現這種網絡的不同框架以及框架背后的數學機制提供一個快速回顧。

第2章向讀者介紹卷積神經網絡，并展示如何利用深度學習從圖像中提取信息。

第3章從零開始針對圖像分類問題構建一個簡單的CNN，并闡明如何調整參數、優化訓練時間以及CNN的性能，以分別提高效率和準確率。

第4章介紹幾種經典的（在競賽中勝出的）CNN架構的優勢和運作機制，以及它們之間的差異和如何使用這些架構。

第5章講授如何使用預先訓練好的網絡，并使其適用于新的且不同的數據集。在實際應用中也有一種自定義分類問題，它使用的技術稱為轉移學習。

第6章介紹一種稱為自編碼器的無監督學習技術，同時介紹了CNN自編碼器的不同應用，比如圖像壓縮。

第7章講授目標檢測、實例分割和圖像分類的區別。然后介紹多種使用CNN進行目標檢測和實例分割的技術。

第8章探究生成式CNN網絡，然后將其與我們學習得到的有識別力的CNN網絡相結合，用CNN/GAN創造新的圖像。

第9章講授深度學習中注意力背后的思想，并學習如何使用基于注意力的模型來實現一些高級解決方案（圖像捕捉和RAM）。我們還將了解不同類型的注意力以及強化學習在硬注意力機制中的作用。

充分利用本書

本書主要用Python語言構建CNN。我們使用Python 2.7（2x）來構建各種應用程序，并且基于Python、Spyder、Anaconda、PyCharm構建開源的企業級專業軟件。許多示例也能兼容Python 3x。作為一種好的實踐，我們鼓勵用戶使用Python虛擬環境來實現這些代碼。

本書主要關注如何以最佳的方式利用各種Python庫和深度學習庫（如Keras、TensorFlow和Caffe）來構建真實世界的應用程序。本著這種精神，我們盡量保持所有代碼的友好性和可讀性，以便使讀者能夠更容易地理解代碼，并能在不同的場景中復用這些代碼。

下載示例代碼及彩色圖像

本書的示例代碼及所有截圖和樣圖，可以從http://www.packtpub.com通過個人賬號下載，也可以訪問華章圖書官網http://www.hzbook.com，通過注冊并登錄個人賬號下載。

排版約定

代碼塊設置如下：

當要強調代碼塊的特定部分時，相關代碼行或者單詞會設置為粗體：

警告或重要提示的標記。

提示或技巧的標記。