本书在整体知识结构上，由浅入深地阐述了人工智能图像识别的知识体系；在实践教学上，采用目前工业应用广泛的深度学习框架，详细介绍了人工智能与图像识别、认识深度学习开发环境、机器学习和深度学习基础、数据集和预处理、图像分类、目标检测、图像分割、图像生成、深度学习模型优化、深度学习模型部署等内容。
本书在内容规划和学习方式上，采用知识要点和实践任务相结合的方式，内容与案例层层递进，全面地为读者展示从理解知识到运用知识的过程；在文字讲述和内容展示上，由点及面、图文并茂、深入浅出地阐述了人工智能图像识别领域的基本知识。
本书配套的源代码以及相关数字化资源可从中国铁道出版社有限公司网站及中育数据官网资源中心栏目下载学习。
本书适合作为高等职业院校的人工智能课程教材，也可作为普通读者学习图像识别技术应用的参考书籍。

单元1 人工智能与图像识别
1.1 人工智能绪论
1.1.1 人工智能的定义
1.1.2 人工智能的发展历程
1.1.3 人工智能的应用
1.2 图像识别应用场景和主要任务
1.2.1 图像分类
1.2.2 目标检测
1.2.3 图像分割
1.2.4 图像生成
小结
练习
单元2 认识深度学习开发环境
2.1 服务器硬件环境简介
2.2 深度学习软件框架简介
2.3 Python和Anaconda3环境简介
2.3.1 Python基础
单元任务1 使用matplotlib库绘图
2.3.2 Anaconda3集成环境
单元任务2 使用Anaconda管理开发环境
2.3.3 Code代码编辑器
2.4 TensorFlow基础
2.4.1 TensorFlow简介
2.4.2 TensorFlow安装
单元任务3 使用conda安装依赖库
2.4.3 数据流图
2.4.4 张量
单元任务4 使用TensorFlow做矩阵计算
2.4.5 常量和变量
单元任务5 使用TensorFlow描述线性函数
2.4.6 模块
2.4.7 高级模块
单元任务6 使用模块和高级模块构建模型
小结
练习
单元3 机器学习和深度学习基础
3.1 机器学习的主要任务
3.1.1 监督学习
3.1.2 无监督学习
3.1.3 分类
3.1.4 回归
3.1.5 聚类
3.2 机器学习算法
3.2.1 K-近邻算法
单元任务7 使用K-近邻识别手写数字
3.2.2 朴素贝叶斯
3.2.3 线性回归
单元任务8 使用线性回归预测房价
3.2.4 支持向量机
单元任务9 使用支持向量机实现鸢尾花分类
3.2.5 K-均值聚类
3.3 深度学习基础
3.3.1 神经网络
单元任务10 汽车油耗预测
3.3.2 梯度下降法和批处理
3.3.3 损失函数
3.4 深度学习算法
3.4.1 卷积神经网络
单元任务11 认识卷积和池化操作
3.4.2 循环神经网络
单元任务12 循环神经网络前向传播
3.4.3 长短期记忆
3.4.4 常见卷积神经主干网络
小结
练习
单元4 数据集和预处理
4.1 通用数据集
4.1.1 MNIST数据集
4.1.2 CIFAR数据集
4.1.3 PASCAL VOC数据集
4.1.4 ImageNet数据集
4.1.5 MS COCO数据集
4.2 常见计算机视觉任务数据集
4.2.1 人脸数据集
4.2.2 自动驾驶数据集
4.2.3 医疗影像数据集
4.3 数据集预处理方法
4.3.1 数据收集
4.3.2 数据标注
4.3.3 数据清洗与整理
4.3.4 数据增强
单元任务13 实现简单的图像数据增强
小结
练习
单元5 图像分类
5.1 图像分类问题
5.1.1 图像分类概述
5.1.2 图像分类类型
5.1.3 图像分类步骤
5.2 评测指标与优化目标
5.2.1 单标签分类
5.2.2 多标签分类
5.3 图像分类的挑战
单元任务14 102种花卉图像分类实战
小结
练习
单元6 目标检测
6.1 目标检测综述
6.1.1 传统检测算法
6.1.2 深度学习检测算法
6.2 目标检测基础
6.2.1 数据集
6.2.2 评测指标
6.2.3 损失函数
单元任务15 使用Yolov3算法实现目标检测
单元任务16 用SSD算法实现目标检测
小结
练习
单元7 图像分割
7.1 传统图像分割方法
7.1.1 阈值法
7.1.2 区域生长法与超像素
7.1.3 图切法
7.2 深度学习图像分割
7.2.1 基本流程
7.2.2 反卷积
7.2.3 多尺度与感受野
7.2.4 图像蒙版与图像合成
单元任务17 使用U-Net模型实现城市街景图像的分割
小结
练习
单元8 图像生成
8.1 生成对抗网络基础
8.2 生成对抗网络结构
8.2.1 生成网络
8.2.2 判别网络
8.3 生成式模型与判别式模型
单元任务18 代码实现GAN算法生成人脸图片
小结
练习
单元9 深度学习模型优化
9.1 模型优化思路
9.2 参数初始化
9.3 学习率设置
9.4 优化算法选择
9.5 Dropout
9.6 批量归一化
9.7 梯度爆炸／消失
单元任务19 化简化版的手写体数字识别网络
小结
练习
单元10 深度学习模型部署
10.1 模型检查点Checkpoint
10.2 模型文件HDF5格式
10.3 模型文件SavedModel格式
单元任务20 使用TensorFlow lite部署模型
单元任务21 使用TensorFlow.js部署模型
单元任务22 使用TensorFlow serving部署模型
小结
练习
参考文献