Python图像处理实战

第10章　图像处理中的深度学习——图像分类

在本章中，我们将介绍深度学习在图像处理中的最新进展。首先，区分经典学习和深度学习技术；然后阐述卷积神经网络（Convolutional Neural Network，CNN）的概念，这是一种对图像处理特别有用的深度神经网络架构；接下来介绍几个图像数据集的图像分类问题，以及如何使用两个非常流行的深度学习库TensorFlow和Keras来解决这两个问题；最后介绍如何训练深度卷积神经网络架构并将其用于预测。

本章主要包括以下内容：

• 图像处理中的深度学习；
• 卷积神经网络；
• 使用TensorFlow或Keras进行图像分类；
• 应用于图像分类的主流的深度卷积神经网络。

10.1　图像处理中的深度学习

机器学习（Machine Learning，ML）的主要目标是泛化，也就是说，在训练数据集上训练算法，并且使得这个算法在不可见的数据集上具有高性能（准确性）。要完成复杂的图像处理任务（如图像分类），拥有的训练数据越多，就能更好处理好过拟合（例如正则化），人们就可以期待所学习的机器学习模型具有更好的泛化能力。但是在传统的机器学习技术中，大量的训练数据使得计算成本非常昂贵，而且学习（泛化的改进）常常在某个点停止。此外，传统的机器学习算法通常需要大量的专业领域知识和人工干预，而且它们只能满足它们的设计要求，仅此而已。这是深度学习模型非常有前景的地方。

10.1.1　什么是深度学习

深度学习有如下一些众所周知且被广泛接受的定义。

（1）深度学习是机器学习的子集。

（2）深度学习使用级联的多层（非线性）处理单元，称为人工神经网络（Artifical Neural Network，ANN），以及受大脑结构和功能（神经元）启发的算法。每个连续层使用前一层的输出作为输入。 ...