深度学习与深度合成

第1章 深度学习简介 1.1 人工智能与深度学习 1.1.1 人工智能的诞生 1.1.2 什么是深度学习 1.2 深度学习的前世今生 1.2.1 深度学习的发展历史 1.2.2 深度学习的应用场景 1.3 深度合成 第2章 搭建深度学习开发环境 2.1 深度学习框架 2.1.1 Theano 2.1.2 Caffe 2.1.3 Torch 2.1.4 MXNet 2.1.5 TensorFlow 2.1.6 Keras 2.1.7 PvTorch 2.1.8 框架选择 2.2 硬件平台 2.2.1 个人电脑 2.2.2 租用云GPU服务器 2.3 搭建深度学习开发环境 2.3.1 安装配置GPU加速库 2.3.2 AnacOnda 2.3.3 安装深度学习框架 2.4 Python类库简介 第3章 数字图像处理技术 3.1 数字图像组成 3.2 OpenCV 3.2.1 OpenCV的下载与安装 3.2.2 Opencv的功能模块 3.3 图像基本操作 3.3.1 图像文件读取与保存 3.3.2 图像显示 3.3.3 图像的色彩空间转换 3.3.4 视频图像提取 3.3.5 图像缩放与裁剪 3.3.6 图像旋转、平移和翻转 3.3.7 形态学转换 3.3.8 图像平滑 3.3.9 边缘检测 3.4 OpenCV人脸检测 第4章 神经网络基础 4.1 神经网络游乐场 4.1.1 初识游乐场 4.1.2 数据集分类 4.2 神经网络结构 4.2.1 神经元与感知器 4.2.2 激活函数 4.2.3 网络训练 4.2.4 损失函数 4.3 手写数字识别 4.3.1 MNIST数据集 4.3.2 数据预处理 4.3.3 定义网络模型 4.3.4 网络训练 4.3.5 网络测试 4.4 过拟合 4.4.1 训练误差和泛化误差 4.4.2 过拟合与欠拟合 4.4.3 超参数与验证集 4.4.4 抑制过拟合 第5章 卷积神经网络 5.1 卷积神经网络组成 5.1.1 LeNet网络结构 5.1.2 卷积层 5.1.3 池化层 5.1.4 复现LeNet 5.2 典型卷积神经网络结构 5.2.1 AlexNet 5.2.2 VGGNet 5.2.3 GoogLeNet 5.2.4 ResNet 5.2.5 DenseNet 5.3 CIFAR-10数据分类 5.3.1 CIFAR-10数据集 5.3.2 迁移学习 5.3.3 基于VGG的冈像分类 第6章 图像合成 6.1 图像处理方式分类 6.2 图像合成检测方法 6.2.1 主动检测 6.2.2 被动检测 6.3 基于深度学习的分析方法 6.3.1 图像合成数据集 6.3.2 平滑滤波检测 6.3.3 成像设备检测 6.3.4 JPEG压缩检测 6.3.5 重采样检测 第7章 生成式深度学习 7.1 生成模型 7.1.1 牛成模型简介 7.1.2 自动编码器 7.1.3 变分自动编码器 7.2 生成对抗网络GAN 7.2.1 GAN的基本结构 7.2.2 牛成器 7.2.3 判别器 7.2.4 对抗网络 7.2.5 GAN的训练 7.3 GAN的变体 7.3.1 CGAN 7.3.2 DCGAN 7.3.3 CycleGAN 第8章 深度合成 8.1 深度合成原理 8.2 深度合成分析 8.2.1 深度合成检测挑战赛 8.2.2 深度合成数据集 8.2.3 深度合成检测方法 8.3 深度合成检测实战 8.3.1 检测系统框架 8.3.2 MTCNN人脸检测 8.3.3 数据预处理 8.3.4 网络模型构建 8.3.5 模型训练与测试