TensorFlow是由Google团队开发的一套基于数据流的深度学习框架，广泛应用于计算机视觉中各类算法模型的代码实现。本书用4章的内容，结合深度学习中的基本概念，深入浅出地介绍了TensorFlow的基本概念、安装以及使用方法。为了使读者了解最新的科研成果，本书介绍了当前计算机视觉中图像分类、目标检测、目标分割以及生成对抗网络等方向的最新算法，从算法的提出背景、算法设计思想以及代码实践三个方面对算法进行剖析，便于读者快速上手和深入学习。
本书要求读者具有使用Python进行编程的基础。本书所有的代码都采用Python语言编写，适合研究计算机视觉以及相关领域的学生和老师、初次接触计算机视觉但具有Python基础并想进行深入研究的人员学习参考。

计算机视觉领域的快速发展离不开深度学习技术，而深度学习框架作为深度学习中一种最基本且最重要的工具，是计算机视觉领域快速发展的基础。无论是学术界还是工业界都离不开深度学习框架的使用。相较于其他深度学习框架，TensorFlow拥有全面而且灵活的生态系统，其中包含各种工具、库以及社区资源，使开发者能轻松地构建和部署深度学习模型。因此，本书致力于向读者详细介绍TensorFlow的安装及使用方法，并且为使读者了解计算机视觉领域最新的科研动态，本书从图像分类、目标检测、目标分割以及生成对抗网络4个方向分别介绍了几个最新的算法网络。同时，本书第4章给出了4个使用TensorFlow完成深度学习任务的案例，这些案例涉及人脸识别、车牌识别、图像风格迁移等方面，在实际生活中有很大的应用参考价值。
本书作为一本应用型教材，与其他书籍相比具有如下特色：
（1） 内容安排合理且全面，从神经元的基本概念、卷积、激活函数等，到TensorFlow的安装配置，再到计算机视觉中经典算法的讲解，最后到实际应用案例，循序渐进、深入浅出地介绍了深度学习的相关内容。
（2） 适用范围广。本书既有对深度学习基本知识和TensorFlow的基本使用方法的介绍，同时也有相对较高阶的经典算法分析，不仅适合于初学者入门，同时也适合有一定基础且对相应算法感兴趣的读者使用。
（3）理论与案例相结合，理论与实践相结合。本书第4章介绍4个应用案例，基本涵盖了常用的深度学习领域。
本书主要分为以下4章。
第1章： 深度学习原理。本章主要介绍深度学习中的一些基本概念和基本的神经网络模型。第1.1节以生物学中大脑神经元工作机制为导引，介绍了人工神经网络在计算机科学中的发展、运行原理以及优化过程；第1.2节从人工神经网络的缺陷出发，讲解了卷积神经网络的设计理念和核心部分，介绍了多个经典卷积神经网络模型；第1.3节从数据层面出发，讲解了循环神经网络设计理念和核心部分，介绍了基础循环神经网络、长短期记忆网络和门控循环单元网络三个经典模型；第1.4节介绍了近年来热门的生成式对抗网络模型设计理念和基本概念，以及WGAN、CycleGAN和BigGAN三个较为典型的改进模型。
第2章： TensorFlow简介。本章主要介绍TensorFlow的安装方法、基本概念以及使用方法。第2.1节介绍TensorFlow的安装方法；第2.2节介绍Tensor的定义、常见形式和使用方法；第2.3节介绍计算图和会话在TensorFlow整体框架中的概念，以及如何搭建一个Tensorflow框架。第2.4节介绍了如何运行一个TensorFlow框架，整个流程中包含示例和文字说明。第2.5节介绍TensorFlow中常用的函数，包含常见的卷积函数、池化函数和全连接函数等。第2.6节介绍TensorFlow中的可视化问题。
第3章： 经典视觉图像处理算法。本章介绍计算机视觉领域比较经典的深度学习图像处理算法，从算法提出背景、设计思想和代码实践三个方面进行剖析。第3.1节介绍了深度学习在图像分类任务中的热门模型，从基础的AlexNet，到改进的GoogLeNet，再到当下最流行的ResNet模型。第3.2节介绍了深度学习在目标检测中的热门模型，从最初的Faster R-CNN到热门的YOLO以及近几年的M2Det模型。第3.3节介绍了深度学习在目标分割中的热门模型，包括U-Net、Mask R-CNN和RefineNet三个网络模型。第3.4节介绍了深度学习在数据生成中的热门模型，包括基础的GAN网络和基于不同思想改进的DCGAN、WGAN和BigGAN三个网络模型。
第4章： TensorFlow应用案例。本章介绍四个基于TensorFlow的应用案例，分别从案例背景、原理分析和代码实现三个方面进行叙述。第4.1节为人脸识别和性别年龄判别，分别介绍了如何搭建系统以及系统中每一个模块的功能与实现；第4.2节介绍车牌识别系统的搭建以及各个模块的功能与实现；第4.3节为图像风格迁移的实例，介绍了风格迁移的原理和实现方法；第4.4节为命名实体标注的实例，介绍了针对自然文本如何进行分词，以及词性标注、识别与关键词抽取。
本书由方志军、高永彬和吴晨谋编著。具体编写分工如下：方志军编写第1章；高永彬编写第2、3章；吴晨谋编写第4章。感谢姚依凡、齐欣宇、卢俊鑫、田方正和周恒对本书的贡献。
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，敬请老师和同学批评指正。
编者2020年6月

第1章 深度学习原理1
1.1神经网络概述3
1.1.1神经元4
1.1.2神经网络模型6
1.1.3代价函数7
1.1.4神经网络的优化8
1.1.5神经网络应用实例9
1.2卷积神经网络10
1.2.1基本概念10
1.2.2经典的卷积神经网络13
1.3循环神经网络18
1.3.1长短期记忆网络19
1.3.2门控循环单元网络20
1.4生成式对抗网络20
1.4.1  Vanilla GAN  21
1.4.2  WGAN  22
1.4.3  CycleGAN  22
1.4.4  BigGAN  23 
本章小结 24
 第2章TensorFlow简介25
2.1 TensorFlow的安装25
2.2 Tensor的基本概念26
2.2.1 Tensor的常见形式28
2.2.2 Tensor的类型和属性29
2.2.3 Tensor的使用30
2.3  TensorFlow的框架30
2.3.1计算图（graph）30
2.3.2会话（Session）31
2.3.3框架32
2.4  TensorFlow的实现流程33
2.4.1运行流程——例子说明33
2.4.2运行流程——文字说明34
2.5神经网络中TensorFlow的常用函数35
2.5.1卷积与反卷积操作35
2.5.2激活函数40
2.5.3池化层42
2.5.4批量标准化43
2.5.5随机丢失44
2.5.6全连接层45
2.5.7常用损失函数46
2.5.8  LSTM构建常用函数47
2.6  TensorFlow的可视化48
2.6.1  TensorBoard简介48
2.6.2  TensorBoard计算图可视化50
2.6.3 TensorBoard其他可视化50
本章小结53
 第3章 经典视觉图像处理算法54
3.1图像分类54
3.1.1  AlexNet  56
3.1.2  GoogLetNet  62
3.1.3  ResNet  77
3.2目标检测84
3.2.1 Faster R-CNN 86
3.2.2 YOLO 99
3.2.3  M2Det 111
3.3目标分割119
3.3.1 U-Net网络119
3.3.2 Mask R-CNN网络125
3.3.3 RefineNet网络134
3.4生成对抗网络139
3.4.1基础GAN（Vanilla GAN）140
3.4.2 DCGAN 150
3.4.3 WGAN 153
3.4.4 BigGAN 162
本章小结179
 第4章TensorFlow应用案例181
4.1人脸识别与性别年龄判别181
4.1.1背景介绍181
4.1.2原理分析181
4.1.3代码实现185
4.2车牌识别198
4.2.1背景介绍198
4.2.2原理分析199
4.2.3代码实现200
4.3图像风格迁移213
4.3.1基于VGG-19的图像风格迁移213
4.3.2基于CycleGAN的图像风格迁移225
4.4命名实体标注238
4.4.1背景介绍238
4.4.2概念解释239
4.4.3模型240
4.4.4代码研读242
本章小结243
 参考文献244

方志军 高永彬 吴展谋 ，上海工程技术大学

本书作为一本应用型教材，与其他书籍相比具有如下特色∶？（1）内容安排合理且全面，从神经元的基本概念、卷积、激活函数等，到TensorFlow的安装配置，再到计算机视觉中经典算法的讲解，最后到实际应用案例，循序渐进，深入浅出地介绍了深度学习的相关内容。？（2）适用范围广。本书既有对深度学习基本知识和TensarFlow的基本使用方法的介绍，同时也有相对较高阶的经典算法分析，不仅适合于初学者入门，同时也适合有一定基础且对相应算法感兴趣的读者使用。？（3）理论与案例相结合，理论与实践相结合。本书第4章介绍4个应用案例，基本涵盖了常用的深度学习领域。