[套装书]深度学习之人脸图像处理：核心算法与案例实战+Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别（2册）

2.1.1 神经元模型 15
2.1.2 感知机 16
2.1.3 BP算法 17
2.2 卷积神经网络基础 20
2.2.1 卷积操作 20
2.2.2 反卷积操作 21
2.2.3 卷积神经网络的基本概念 22
2.2.4 卷积神经网络的核心思想 24
2.2.5 卷积神经网络基本结构配置 25
2.3 深度学习优化基础 28
2.3.1 激活模型与常用激活函数 29
2.3.2 参数初始化方法 35
2.3.3 归一化方法 37
2.3.4 池化 42
2.3.5 最优化方法 43
2.3.6 学习率策略 47
2.3.7 正则化方法 50
2.4 深度学习主流开源框架介绍 53
2.4.1 Caffe简介 54
2.4.2 TensorFlow简介 54
2.4.3 PyTorch简介 55
2.4.4 Theano简介 56
2.4.5 Keras简介 56
2.4.6 MXNet简介 57
2.4.7 Chainer简介 57
参考文献 58
第3章 人脸数据集 60
3.1 人脸检测数据集 60
3.1.1 通用人脸检测数据集 60
3.1.2 复杂人脸检测数据集 62
3.2 关键点检测数据集 63
3.3 人脸识别数据集 65
3.3.1 人脸识别图像数据集 65
3.3.2 人脸识别视频数据集 69
3.3.3 三维人脸识别数据集 69
3.3.4 人脸识别其他数据集 70
3.4 人脸属性分析数据集 70
3.4.1 通用人脸属性分析数据集 70
3.4.2 人脸表情数据集 71
3.4.3 人脸年龄与性别数据集 73
3.4.4 人脸分割数据集 74
3.4.5 人脸颜值数据集 76
3.4.6 人脸妆造数据集 76
3.5 人脸姿态与3D数据集 77
3.5.1 人脸姿态数据集 77
3.5.2 人脸三维重建数据集 78
3.6 人脸活体与伪造数据集 79
3.6.1 人脸活体数据集 79
3.6.2 人脸伪造数据集 81
3.7 人脸风格化数据集 81
第4章 人脸检测 83
4.1 目标检测基础 83
4.1.1 目标检测基本流程 83
4.1.2 选择检测窗口 84
4.1.3 提取图像特征 84
4.1.4 设计分类器 85
4.2 经典人脸检测算法 86
4.2.1 人脸检测问题 87
4.2.2 人脸肤色模型 87
4.2.3 人脸形状模型与模板匹配 88
4.2.4 特征分类算法 88
4.2.5 DPM方法 91
4.3 深度学习通用目标检测方法 93
4.3.1 OverFeat方法 94
4.3.2 Selective search与R-CNN方法 94
4.3.3 SPPNet与Fast R-CNN方法 96
4.3.4 Faster R-CNN与R-FCN方法 99
4.3.5 YOLO方法 101
4.3.6 SSD方法 104
4.3.7 基于角点的检测方法 105
4.3.8 目标检测中的几个关键技术和难点 106
4.4 深度学习人脸检测核心技术 109
4.4.1 人脸组件算法 109
4.4.2 级联检测算法 110
4.4.3 多尺度人脸检测算法 114
4.4.4 遮挡人脸检测算法 118
4.4.5 活体与伪造人脸检测算法 119
4.5 实战Faster R-CNN人脸检测 120
4.5.1 项目背景 120
4.5.2 py-faster-rcnn框架解读 120
4.5.3 模型定义与分析 134
4.5.4 模型训练 143
4.5.5 模型测试 144
参考文献 146
第5章 人脸关键点检测 149
5.1 关键点检测基础 149
5.1.1 关键点的定义 149
5.1.2 关键点的点数发展 150
5.1.3 关键点检测算法评价 153
5.1.4 人脸姿态 154
5.2 传统人脸关键点检测方法 154
5.2.1 ASM、AAM与CLM算法 155
5.2.2 级联形状回归算法 157
5.3 深度学习方法 158
5.3.1 级联框架 158
5.3.2 多任务联合框架 160
5.3.3 遮挡与大姿态问题 162
5.4 实时人脸关键点检测实践 163
5.4.1 数据集和基准模型 163
5.4.2 模型训练 164
5.4.3 模型测试 169
5.5 小结 171
参考文献 171
第6章 人脸识别 173
6.1 人脸识别基础 173
6.1.1 人脸识别基本流程 173
6.1.2 人脸识别评估 173
6.1.3 传统人脸识别特征 174
6.2 深度学习人脸识别核心技术 177
6.2.1 度量学习 177
6.2.2 多类别分类学习 180
6.2.3 人脸分类优化目标的发展 182
6.3 人脸识别算法面临的挑战和未来 186
6.3.1 遮挡人脸识别 186
6.3.2 跨姿态人脸识别 187
6.3.3 跨年龄人脸识别 188
6.3.4 妆造不变人脸识别 189
6.3.5 异质源人脸识别 190
6.3.6 其他问题 190
6.3.7 小结 191
6.4 实战人脸识别模型训练 192
6.4.1 数据准备与接口封装 192
6.4.2 模型训练 198
6.4.3 模型测试 204
6.4.4 小结 208
参考文献 208
第7章 人脸属性识别 211
7.1 人脸性别识别 211
7.1.1 人脸性别识别方法 211
7.1.2 人脸性别识别发展与挑战 212
7.2 人脸颜值与脸型识别 212
7.2.1 平均脸和脸型分类 212
7.2.2 人脸颜值与脸型特征 213
7.2.3 应用和挑战 214
7.3 人脸年龄识别 214
7.3.1 人脸年龄估计模型 215
7.3.2 传统年龄估计方法 216
7.3.3 深度学习年龄估计方法 216
7.3.4 小结 218
7.4 人脸表情识别 218
7.4.1 概述 218
7.4.2 传统表情识别算法 219
7.4.3 深度学习方法 221
7.4.4 挑战与展望 222
7.5 人脸属性识别项目实践 223
7.5.1 表情识别 223
7.5.2 年龄识别 229
7.5.3 总结 233
参考文献 234
第8章 人脸属性分割 236
8.1 图像分割的基础与人脸属性分割的应用 236
8.1.1 图像分割的含义 236
8.1.2 经典的图像分割方法 236
8.1.3 人脸属性分割的应用 238
8.2 深度学习图像分割核心技术 239
8.2.1 反卷积 239
8.2.2 图像分割经典模型 241
8.2.3 感受野控制、上下文信息与多尺度结构 243
8.2.4 图像分割后处理技术 246
8.2.5 图像分割中的难题 247
8.3 轻量级人脸分割项目实践 248
8.3.1 数据集与基准模型 249
8.3.2 模型训练与测试 250
8.3.3 小结 254
参考文献 255
第9章 人脸美颜与美妆 257
9.1 美颜基础和应用场景 257
9.1.1 五官重塑 257
9.1.2 磨皮、美白与肤质调整 258
9.1.3 上妆 258
9.2 基于滤波与变形的传统美颜算法 259
9.2.1 基于变形的五官重塑 259
9.2.2 基于滤波的磨皮算法 261
9.2.3 基于肤色模型的美白与肤质调整算法 263
9.2.4 小结 264
9.3 妆造迁移算法 264
9.3.1 传统妆造迁移算法 264
9.3.2 深度学习算法 266
9.4 妆造迁移算法实战 270
9.4.1 项目解读 270
9.4.2 模型训练 282
9.4.3 模型测试 284
参考文献 286
第10章 人脸三维重建 287
10.1 三维重建基础 287
10.1.1 常见三维重建技术 287
10.1.2 人脸三维重建的特点和难点 288
10.1.3 人脸三维重建基础技术 289
10.2 传统三维人脸重建技术 290
10.2.1 多目立体视觉匹配 290
10.2.2 3DMM 294
10.2.3 Shape from Shading 297
10.2.4 Structure from Motion 298
10.3 深度学习三维人脸重建 298
10.3.1 基于3DMM的方法 298
10.3.2 基于端到端的通用模型 300
10.3.3 三维人脸重建的难点 301
10.4 深度学习三维人脸重建实践 302
10.4.1 BFM模型的使用 302
10.4.2 基于BFM模型的常见三维特征 315
10.4.3 PRNet三维重建 318
10.4.4 小结 324
参考文献 325
第11章 人脸属性编辑 327
11.1 人脸属性编辑基础 327
11.1.1 人脸属性编辑应用 327
11.1.2 基于模型的人脸编辑 329
11.2 深度学习人脸属性编辑方法 329
11.2.1 GAN基础 330
11.2.2 图像风格化 334
11.2.3 表情编辑算法 336
11.2.4 年龄编辑算法 338
11.2.5 姿态编辑算法 339
11.2.6 人脸风格化算法 341
11.2.7 换脸算法 344
11.2.8 统一的人脸属性编辑框架 345
11.2.9 小结 347
11.3 实战人脸动画头像风格化 347
11.3.1 项目解读 348
11.3.2 模型训练 358
11.3.3 模型测试 358
参考文献 361



---------------------------Python深度学习实战：基于TensorFlow和Keras的聊天机器人以及人脸、物体和语音识别---------------------------


序
第1章　TensorFlow基础 1
1.1　张量 2
1.2　计算图与会话 2
1.3　常量、占位符与变量 4
1.4　占位符 6
1.5　创建张量 8
1.5.1　固定张量 9
1.5.2　序列张量 11
1.5.3　随机张量 11
1.6　矩阵操作 12
1.7　激活函数 13
1.7.1　双曲正切函数与Sigmoid函数 13
1.7.2　ReLU与ELU 15
1.7.3　ReLU6 15
1.8　损失函数 17
1.8.1　损失函数实例 18
1.8.2　常用的损失函数 18
1.9　优化器 19
1.9.1　优化器实例 20
1.9.2　常用的优化器 21
1.10　度量 21
1.10.1　度量实例 22
1.10.2　常用的度量 22
第2章　理解并运用Keras 25
2.1　深度学习模型构建的主要步骤 25
2.1.1　载入数据 26
2.1.2　预处理数据 27
2.1.3　定义模型 27
2.1.4　编译模型 29
2.1.5　拟合模型 29
2.1.6　评估模型 30
2.1.7　预测 30
2.1.8　保存与重载模型 31
2.1.9　可选：总结模型 31
2.2　改进Keras模型的附加步骤 32
2.3　Keras联合TensorFlow 33
第3章　多层感知机 35
3.1　人工神经网络 35
3.2　单层感知机 37
3.3　多层感知机 37
3.4　逻辑斯谛回归模型 38
第4章　TensorFlow中的回归到MLP 45
4.1　TensorFlow搭建模型的步骤 45
4.2　TensorFlow中的线性回归 46
4.3　逻辑斯谛回归模型 49
4.4　TensorFlow中的多层感知机 52
第5章　Keras中的回归到MLP 55
5.1　对数-线性模型 55
5.2　线性回归的Keras神经网络 56
5.3　逻辑斯谛回归 58
5.3.1 scikit-learn逻辑斯谛回归 58
5.3.2 逻辑斯谛回归的Keras神经网络 59
5.3.3 流行的MNIST数据：Keras中的逻辑斯谛回归 60
5.4　基于Iris数据的MLP 62
5.4.1　编写代码 62
5.4.2 构建一个序列Keras模型 63
5.5 基于MNIST数据的MLP数字分类 66
5.6　基于随机生成数据的MLP 68
第6章　卷积神经网络 71
6.1　CNN中的各种层 71
6.2　CNN结构 74
第7章　TensorFlow中的CNN 77
7.1 为什么用TensorFlow搭建CNN模型 77
7.2 基于MNIST数据集搭建图片分类器的TensorFlow代码 78
7.3　使用高级API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1 在Keras中使用MNIST数据集搭建图片分类器 83
8.1.1　定义网络结构 85
8.1.2　定义模型架构 85
8.2 使用CIFAR-10数据集搭建图片分类器 86
8.2.1　定义网络结构 87
8.2.2　定义模型架构 88
8.3　预训练模型 89
第9章　RNN与LSTM 91
9.1　循环神经网络的概念 91
9.2　长短时记忆网络的概念 93
9.3　LSTM常见模式 93
9.4　序列预测 94
9.4.1　数字序列预测 94
9.4.2　序列分类 95
9.4.3　序列生成 95
9.4.4　序列到序列预测 95
9.5 利用LSTM模型处理时间序列预测问题 96
第10章　语音-文本转换及其逆过程 101
10.1　语音-文本转换 101
10.2　语音数据 102
10.3 语音特征：将语音映射为矩阵 103
10.4 声谱图：将语音映射为图像 104
10.5 利用MFCC特征构建语音识别分类器 104
10.6 利用声谱图构建语音识别分类器 105
10.7　开源方法 106
10.8　使用API的例子 107
10.8.1　使用PocketSphinx 107
10.8.2 使用Google Speech API 108
10.8.3 使用Google Cloud Speech API 108
10.8.4　使用Wit.ai API 108
10.8.5　使用Houndify API 109
10.8.6 使用IBM Speech to Text API 109
10.8.7 使用Bing Voice Recognition API 110
10.9　文本-语音转换 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音频剪辑代码 111
10.11　认知服务提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　语音分析的未来 113
第11章　创建聊天机器人 115
11.1　为什么是聊天机器人 116
11.2　聊天机器人的设计和功能 116
11.3　构建聊天机器人的步骤 116
11.3.1　预处理文本和消息 117
11.3.2 用API构建聊天机器人 130
11.4 聊天机器人开发的最佳实践 133
11.4.1　了解潜在用户 133
11.4.2 读入用户情感使得机器人情感更丰富 133
第12章　人脸检测与识别 135
12.1 人脸检测、人脸识别与人脸分析 135
12.2　OpenCV 136
12.2.1　特征脸 137
12.2.2　LBPH 137
12.2.3　费歇脸 138
12.3　检测人脸 139
12.4　跟踪人脸 141
12.5　人脸识别 144
12.6　基于深度学习的人脸识别 147
12.7　迁移学习 149
12.7.1 为什么要用迁移学习 150
12.7.2　迁移学习实例 150
12.7.3　计算迁移值 152
12.8　API 158
附录1　图像处理的Keras函数 161
附录2　可用的优质图像数据集 165
附录3　医学成像：DICOM文件格式 167

.　　第3章人脸数据集，对人脸的各个方向的数据集进行全面介绍，涵盖人脸检测、关键点检测、人脸识别、人脸表情、人脸年龄、人脸三维重建等。
　　第4章人脸检测，讲述目标检测的基础知识和基本流程，回顾经典的人脸检测算法，总结基于深度学习的目标检测任务的研究方法与发展现状，以及基于深度学习的人脸检测技术的发展和人脸检测的特点与难点，并基于Faster R-CNN框架完成人脸检测模型的训练实践。
　　第5章人脸关键点检测，讲述人脸关键点检测的基础知识和基本流程，回顾经典的关键点检测算法，并介绍基于深度学习的关键点检测算法的核心技术，完成一个轻量级人脸关键点检测模型的训练实践。
　　第6章人脸识别，介绍人脸识别算法的基本流程及传统的人脸识别特征，总结深度学习人脸识别的基本框架和优化目标及人脸识别算法中的主要难题，并完成人脸识别模型的训练实践。
　　第7章人脸属性识别，介绍人脸性别识别、人脸颜值与脸型识别、人脸年龄识别、人脸表情识别等人脸属性的分析技术，完成轻量级人脸表情识别和年龄估计模型的训练实践。
　　第8章人脸属性分割，介绍图像分割的基础知识，总结基于深度学习的图像分割核心技术，完成轻量级人脸属性分割模型的训练实践。
　　第9章人脸美颜与美妆，介绍传统的人脸美颜图像处理技术及妆造迁移算法，并完成模型的训练实践。
　　第10章人脸三维重建，介绍人脸三维重建的基础和传统的人脸三维重建技术，总结基于深度学习的人脸三维重建核心技术并完成实战训练。
　　第11章人脸属性编辑，介绍人脸属性编辑的基础知识和应用，重点介绍基于深度学习的人脸属性编辑方法，并完成UGATIT人脸动画头像模型生成实践。
　　配书资源获取方式
　　笔者将本书涉及的全部源代码等配套学习资料分享到了微信公众号“有三AI”的相关栏目中，读者可以通过公众号中的相关菜单找到配书资源并获取。另外，读者也可以到华章公司的网站（www.hzbook.com）上搜索本书页面，找到下载链接进行下载。
　　本书读者对象
　　本书是一部专门讲解人脸图像各领域算法和应用的书籍，对读者有以下要求：
　　* 必须具备基本的数学知识，包括概率论、矩阵论和最优化理论等；
　　* 具备基本的传统数字图像处理知识和计算机视觉理论知识，对人脸图像有较多了解；
　　* 熟练掌握Python编程，并掌握Caffe、TensorFlow和PyTorch等主流的深度学习框架。
　　本书适合以下读者：
　　* 从事或者即将从事人脸图像算法的研究人员和工程师；
　　* 想系统地了解和学习人脸图像算法应用的相关人员；
　　* 学习人脸图像算法的高校学生及培训机构的学员；
　　* 讲授深度学习在人脸图像各领域的算法原理和应用的老师及培训机构的讲师；
　　* 计算机视觉技术爱好者。
　　致谢
　　感谢黄海娜同学！她编写了本书的第1章，并细心地编辑了其中的大量公式和图表。
　　感谢欧振旭编辑！他对本书的出版提出了许多有益建议；也感谢其他参与本书出版的编辑！他们对书稿做了大量的编辑和校对工作，使本书质量得到了不小的提升。
　　感谢“有三AI”微信公众号和“有三AI”知识星球的忠实粉丝们！是你们的大力支持，尤其是付费阅读，让笔者有了坚持前行的力量。
　　感谢GitHub开源项目的贡献者！是你们无私的技术分享，让更多人受益匪浅，这是这个技术时代里伟大的事情之一。
　　感谢提出了书中算法的研究人员！有了你们的辛苦原创，才有了本书的面市。
　　感谢360人工智能研究院和陌陌深度学习实验室的同事！曾经与你们一起学习，一起进步，这是笔者近几年中最大的财富。
　　最后感谢我的家人！没有你们的宽容和支持，我无法完成本书。为了自己的事业，我留给你们的时间太少，希望以后我能做得更好。
　　售后支持
　　本书聚焦于人脸图像的相关算法，尤其是深度学习技术在该领域中的应用。在本书出版之前，笔者已经在所维护的微信公众号、知乎、知识星球等平台上做了很多分享，本书可看作一个更加系统的总结。读者在以上平台搜索“有三AI”并关注，即可加入社区，获取更新的知识。
　　因作者水平和写作时间所限，书中可能还存在疏漏和不足之处，敬请各位读者批评与指正，也欢迎各位读者提出宝贵的建议。本书售后服务E-mail为hzbook2017@163.com。
　　微信公众号：有三AI
　　言有三于北京
　　2020年1月1日
　　

.　　本书讨论使用TensorFlow和Keras等框架构建深度学习应用，如计算机视觉、语音识别以及聊天机器人。本书集中于深度学习应用所需的模型和算法，帮助你在短时间内提高实践技能。本书覆盖了聊天机器人、自然语言处理、人脸和物体识别等话题，目标是为创建能够执行深度学习的程序提供所需的概念、技术和算法实现。
　　本书涉及中高级的深度学习技术，其中包括卷积神经网络、循环神经网络以及多层感知机，同时探讨了一些比较流行的API，比如IBM Watson、Microsoft Azure以及scikit-learn。
　　通过阅读本书，你会学习：
　　如何运用各种各样的深度学习框架，如TensorFlow、Keras以及scikit-learn
　　如何构建人脸识别和人脸检测
　　如何实现语音到文本以及文本到语音的转换
　　如何用深度学习创建聊天机器人