本书一共编写有十个单元。单元一是人工智能和图像识别，从人工智能和图像识别导论开始，介绍了人工智能的发展历程和图像识别的主要核心任务。单元二是认识深度学习开发环境，从服务器硬件环境、深度学习软件框架、Python和Anaconda3环境和Tensorflow基础四个方面详细阐述了深度学习开发环境的必备知识。单元三是机器学习和深度学习基础，从机器学习主要任务、和算法、深度学习基础和算法等主要方面介绍机器学习和深度学习的算法理论基础。单元四是数据集和预处理，从数据出发，介绍了常见数据集和常见计算机任务数据集以及数据预处理的方法。单元五至单元八是图像识别的核心任务，分别介绍了图像分类、目标检测、图像分割和图像生成图像识别领域内的四个主要任务，这部分是人工智能图像识别的核心课题，也是其他复杂图像处理任务的基石。单元九是深度学习模型优化，主要从模型的角度介绍了常用的模型优化方法。单元十是深度学习模型部署，分别从边缘端部署、浏览器前端部署和服务器部署三个方面详细展示了深度学习模型在不同生产环境下的部署方法和过程。

人工智能从诞生起已经有 60 多年的历史,期间受限于计算机软硬件技术的发展,几经波折,而在最近十年间焕发生机,激发了一系列智能领域和智能产业的浪潮,并且这股浪潮必定会越发迅猛。 计算机视觉是人工智能主要的发展方向之一,视觉智能计算技术在机器学习算法、大数据和图像处理计算硬件三方面的驱动下在众多领域取得了前所未有的成就,如智能监控、汽车自动驾驶、图片物体识别、智能相册、工业瑕疵检测、人脸识别、智慧医疗和智能交通等。人工智能图像识别的应用已经渗透人们生产生活的方方面面,改变了人类社会的许多生活方式,所以我们有必要从基础开始了解、学习并逐步探索这一新兴领域的应用基础。 人工智能是一个可以赋能于各行各业,提升行业运行效率,降低行业运行成本的前沿技术。 从应用的角度来看,人工智能图像识别的主要任务是识别和预测;从技术的角度来看,识别和预测正不断地向着更高精度、更快速度的方向进步,这正是各个行业智能化和精准化的目标。 随着 5G + 大数据 + 云计算 + 物联网技术的革新,一个新的数字智能化时代已经到来,人工智能必将成为各行各业技术革新的基石。
本书主要特色包括:在整体知识结构上,本书由浅入深地阐述了人工智能图像识别的知识体系,适合没有接触过人工智能图像识别领域的读者全面了解现代人 工 智 能 应 用 技 术; 在 实 践 教 学 上, 本 书 采 用 目 前 工 业 应 用 广 泛 的TensorFlow 深度学习框架,详细介绍各个项目步骤,在教学中完成各种实战案例,具有人工智能应用职业教学的价值;在内容规划和学习方式上,本书采用知识要点和实践任务相结合的方式设计,内容与案例层层递进,引导读者从理解知识到熟练运用知识;在文字讲述和内容展示上,本书由点及面、图文并茂、深入浅出地阐述人工智能图像识别领域的基本知识,力求帮助读者迅速掌握基础概念。
本书共分 10 个单元。 单元 1 是人工智能与图像识别,从人工智能和图像识别导论开始,介绍了人工智能的发展历程和图像识别的主要任务;单元 2 是认识深度学习开发环境,从服务器硬 件 环 境、深 度 学 习 软 件 框 架、 Python 和Anaconda3 环境和 TensorFlow 基础 4 方面详细阐述了深度学习开发环境的必备知识;单元 3 是机器学习和深度学习基础,从机器学习主要任务和算法、深度学习基础和算法等方面介绍机器学习和深度学习的算法理论基础;单元 4 是数据集和预处理,从数据出发,介绍了常见数据集和常见计算机任务数据集以及数Ⅱ 人工智能图像识别应用基础据预处理的方法;单元 5 ~ 单元 8 是图像识别的核心任务,分别介绍了图像分类、目标检测、图像分割和图像生成 4 个图像识别领域内的主要任务,这部分是人工智能图像识别的核心课题,也是其他复杂图像处理任务的基石;单元 9 是深度学习模型优化,主要从模型的角度介绍了常用的模型优化方法;单元 10 是深度学习模型部署,分别从边缘端部署、浏览器前端部署和服务器部署 3 个方面详细展示了深度学习模型在不同生产环境下的部署方法和过程。适合本书学习的对象包括:第一,打算学习并入门人工智能技术的职业院校在校学生;第二,在金融、交通、农林牧渔、制造等行业工作且希望应用人工智能解决本行业问题的工程技术人员;第三,已经对人工智能有一定的了解,想要更多、更深入地学习人工智能图像识别技术的相关人员;第四,信息和计算机科学爱好者。
本书由张文川、龙翔任主编,由年爱华、何琳、陆益军任副主编,由中育数据研发团队共同编写完成。 由于编者水平有限,加之时间仓促,书中难免存在疏漏和不足之处,恳请读者批评指正。
编 者
2021 年 8 月

单元 1人工智能与图像识别  1
1. 1 人工智能绪论  1
1. 1. 1 人工智能的定义  1
1. 1. 2 人工智能的发展历程  2
1. 1. 3 人工智能的应用  4
1. 2 图像识别应用场景和主要任务  5
1. 2. 1 图像分类  5
1. 2. 2 目标检测  5
1. 2. 3 图像分割  6
1. 2. 4 图像生成  6
小结  7
练习  7
单元 2认识深度学习开发环境  8
2. 1 服务器硬件环境简介  9
2. 2 深度学习软件框架简介  9
2. 3 Python 和 Anaconda3 环境简介  11
2. 3. 1 Python 基础  11
单元任务 1 使用 matplotlib 库绘图  11
2. 3. 2 Anaconda3 集成环境  13
单元任务 2 使用 Anaconda 管理开发环境  13
2. 3. 3 Code 代码编辑器  17
2. 4 TensorFlow 基础  19
2. 4. 1 TensorFlow 简介  19
2. 4. 2 TensorFlow 安装  20
单元任务 3 使用 conda 安装依赖库  20
2. 4. 3 数据流图  22
2. 4. 4 张量  22
单元任务 4 使用 TensorFlow 做矩阵计算  24
2. 4. 5 常量和变量  25
单元任务 5 使用 TensorFlow 描述线性函数  26
2. 4. 6 模块  28
2. 4. 7 高级模块  29
单元任务 6 使用模块和高级模块构建模型  30
小结  35
练习  35
单元 3机器学习和深度学习基础  36
3. 1 机器学习的主要任务  37
3. 1. 1 监督学习  37
3. 1. 2 无监督学习  37
3. 1. 3 分类  38
3. 1. 4 回归  39
3. 1. 5 聚类  40
3. 2 机器学习算法  41
3. 2. 1 K-近邻算法  41
单元任务 7 使用 K-近邻识别手写数字  41
3. 2. 2 朴素贝叶斯  43
3. 2. 3 线性回归  44
单元任务 8 使用线性回归预测房价  44
3. 2. 4 支持向量机  48
单元任务 9 使用支持向量机实现鸢尾花分类  49
3. 2. 5 K-均值聚类  53
3. 3 深度学习基础  53
3. 3. 1 神经网络  53
单元任务 10 汽车油耗预测  55
3. 3. 2 梯度下降法和批处理  62
3. 3. 3 损失函数  62
3. 4 深度学习算法  64
3. 4. 1 卷积神经网络  64
单元任务 11 认识卷积和池化操作  69
3. 4. 2 循环神经网络  70
单元任务 12 循环神经网络前向传播  75
3. 4. 3 长短期记忆  75
3. 4. 4 常见卷积神经主干网络  78
小结  86
练习  86
单元 4数据集和预处理  87
4. 1 通用数据集  88
4. 1. 1 MNIST 数据集  88
4. 1. 2 CIFAR 数据集  88
4. 1. 3 PASCALVOC 数据集  89
4. 1. 4 ImageNet 数据集  89
4. 1. 5 MS COCO 数据集  89
4. 2 常见计算机视觉任务数据集  91
4. 2. 1 人脸数据集  91
4. 2. 2 自动驾驶数据集  92
4. 2. 3 医疗影像数据集  92
4. 3 数据预处理方法  93
4. 3. 1 数据收集  93
4. 3. 2 数据标注  94
4. 3. 3 数据清洗与整理  94
4. 3. 4 数据增强  95
单元任务 13 实现简单的图像数据增强  96
小结  102
练习  102
单元 5图像分类  103
5. 1 图像分类问题  104
5. 1. 1 图像分类概述  104
5. 1. 2 图像分类类型  104
5. 1. 3 图像分类步骤  105
5. 2 评测指标与优化目标  106
5. 2. 1 单标签分类  106
5. 2. 2 多标签分类  106
5. 3 图像分类的挑战  107
单元任务 14 102 种花卉图像分类实战  108
小结  116
练习  116
单元 6目标检测  117
6. 1 目标检测综述  118
6. 1. 1 传统检测算法  118
6. 1. 2 深度学习检测算法  119
6. 2 目标检测基础  121
6. 2. 1 数据集  121
6. 2. 2 评测指标  122
6. 2. 3 损失函数  123
单元任务 15 使用 Yolov3 算法实现目标检测  124
单元任务 16 用 SSD 算法实现目标检测  157
小结  194
练习  194
单元 7图像分割  195
7. 1 传统图像分割方法  196
7. 1. 1 阈值法  196
7. 1. 2 区域生长法与超像素  196
7. 1. 3 图切法  197
7. 2 深度学习图像分割  198
7. 2. 1 基本流程  198
7. 2. 2 反卷积  198
7. 2. 3 多尺度与感受野  199
7. 2. 4 图像蒙版与图像合成  200
单元任务 17 使用 U-Net 模型实现城市街景图像的分割  203
小结  214
练习  214
单元 8图像生成  215
8. 1 生成对抗网络  216
8. 1. 1 生成对抗网络基础  216
8. 1. 2 生成对抗网络结构  216
8. 1. 3 生成式模型与判别式模型  217
单元任务 18 代码实现 GAN 算法生成人脸图片  218
小结  225
练习  225
单元 9深度学习模型优化  226
9. 1 模型优化思路  227
9. 2 参数初始化  227
9. 3 学习率设置  228
9. 4 优化算法选择  230
9. 5 Dropout  231
9. 6 批量归一化  231
9. 7 梯度爆炸 / 消失  233
单元任务 19 优化简化版的手写体数字识别网络  234
小结  238
练习  238
单元 10深度学习模型部署 239
10. 1 模型检查点 Checkpoint  240
10. 2 模型文件 HDF5 格式  241
10. 3 模型文件 SavedModel 格式  241
单元任务 20 使用 TensorFlow lite 部署模型  241
单元任务 21 使用 TensorFlow js 部署模型  249
单元任务 22 使用 TensorFlow serving 部署模型  254
小结  257
练习  257
参考文献  258

张文川，男，甘肃武威人，现就职于兰州石化职业技术大学，从事教学工作16年。先后主持完成《“后疫情时代”在线教育发展中的高职课程及教学改革研究》、《“互联网+”时代基于“松耦合”的智能化校园建设研究》、《高职院校信息类专业“人职匹配”就业服务平台建设》等厅级科研课题，参加甘肃省教师技能大赛获得省级一等奖1次，指导学生获得国家二等奖2次，省级一等奖4次，多次获得优秀指导教师荣誉称号。主编教材一部，先后发表SCI及省级论文15篇。龙翔，副教授，湖北生物科技职业学院，信息传媒学院院长。2017年、2018年全国职业技能大赛网络空间安全赛项裁判长，2014-2017年担任湖北省职业技能大赛信息技术类赛项专家委员会专家及全省职业院校教师信息化教学大赛评委。2017年被省教育厅聘为湖北省职业教育信息化专家委员会委员。担任湖北省网络安全校企联盟理事长。湖北省信息网络安全协会职教工作委员会秘书长。2016年主持申报教育部职业教育信息安全与管理专业教学资源库项目获批(教职成函〔2016〕17 号) 。2017年主持申报教育部办公厅第二批现代学徒制试点获批(教职成厅函〔2017〕35号)。2017年主持申报中央电化教育馆第三批“职业院校数字化校园建设实验校” 获批(教电馆〔2017〕179号)。2017年主持申报湖北省教育厅职业教育技能名师工作室获批,信息安全与管理龙翔名师工作室(鄂教职成〔2017〕3号)。2016年、2018年指导学生获得教育部全国职业院校技能大赛信息安全管理与评估赛项一等奖，个人获优秀指导教师奖。

必将成为各行各业技术革新的基石。本书主要特色包括:在整体知识结构上,本书由浅入深地阐述了人工智能图像识别的知识体系,适合没有接触过人工智能图像识别领域的读者全面了解现代人 工 智 能 应 用 技 术; 在 实 践 教 学 上, 本 书 采 用 目 前 工 业 应 用 广 泛 的TensorFlow 深度学习框架,详细介绍各个项目步骤,在教学中完成各种实战案例,具有人工智能应用职业教学的价值;在内容规划和学习方式上,本书采用知识要点和实践任务相结合的方式设计,内容与案例层层递进,引导读者从理解知识到熟练运用知识;在文字讲述和内容展示上,本书由点及面、图文并茂、深入浅出地阐述人工智能图像识别领域的基本知识,力求帮助读者迅速掌握基础概念。