万本电子书0元读

万本电子书0元读

顶部广告

Python计算机视觉与深度学习实战电子书

1.基于sklearn PyTorch,理论 实践方式介绍计算机视觉项目 2.图文并茂,丰富项目实例助力搭建计算机视觉模型 3.编程实验展示深度学习理论,直观理解深度学习领域晦涩原理 4.实例项目采用项目文件形式编写,贴合软件工程发实际应用场景

售       价:¥

纸质售价:¥99.80购买纸书

82人正在读 | 0人评论 6.9

作       者:郭卡 戴亮 编著

出  版  社:人民邮电出版社有限公司

出版时间:2021-08-01

字       数:26.2万

所属分类: 科技 > 计算机/网络 > 程序设计

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
《Python计算机视觉与深度学习实战》立足实践,从机器学习的基础技能出发,深浅出地介绍了如何使用 Python 行基于深度学习的计算机视觉项目发。篇介绍了基于传统机器学习及图像处理方法的计算机视觉技术;然后重就图像分类、目标检测、图像分割、图像搜索、图像压缩及文本识别等常见的计算机视觉项目做了理论结合实践的讲解;后探索了深度学习项目落地时会用到的量化、剪枝等技术,并提供了模型服务端部署案例。 《Python计算机视觉与深度学习实战》适合有一定的Python 编程基础,初学深度学习的读者阅读。<br/>【推荐语】<br/>1.基于sklearn PyTorch,理论 实践方式介绍计算机视觉项目 2.图文并茂,丰富项目实例助力搭建计算机视觉模型 3.编程实验展示深度学习理论,直观理解深度学习领域晦涩原理 4.实例项目采用项目文件形式编写,贴合软件工程发实际应用场景<br/>【作者】<br/>郭卡,安徽外国语学院计算机讲师,省级自然科学基金重项目“基于大数据与人工智能技术的在线学习评价系统”主持人,《Python 数据爬取技术与实战手册》主编,参与多项人工智能研究项目并发表相关论文两篇。 戴亮,科大讯飞算法工程师,GiantPandaCV 作者之一,主要研究方向为光学字符识别与语音识别,热衷于 PyTorch 技术分享,对深度学习相关技术有深了解。<br/>
目录展开

前言

深度学习前景

我的心得体会

本书特色

本书内容

本书编者

本书读者对象

第 1 章 机器学习与sklearn

1.1 sklearn环境配置

1.1.1 环境要求

1.1.2 安装方法

1.1.3 修改pip源

1.1.4 安装Jupyter Notebook

1.2 数据集

1.2.1 自带的小型数据集

1.2.2 在线下载的数据集

1.2.3 计算机生成的数据集

1.3 分类

1.3.1 加载数据与模型

1.3.2 建立分类模型

1.3.3 模型的训练及预测

1.3.4 模型评价

1.4 回归

1.4.1 线性回归

1.4.2 回归模型评价

1.5 聚类

1.5.1 K-means

1.5.2 DBSCAN

1.5.3 聚类实例

1.6 降维

1.6.1 PCA降维

1.6.2 LDA降维

1.7 模型验证

1.8 模型持久化

1.8.1 joblib

1.8.2 pickle

1.9 小结

第 2 章 传统图像处理方法

2.1 图像分类

2.1.1 HOG的原理

2.1.2 工具介绍

2.1.3 CIFAR-10分类

2.1.4 手写字符分类

2.2 目标检测

2.3 图像分割

2.4 图像搜索

2.5 小结

第 3 章 深度学习与PyTorch

3.1 框架介绍

3.2 环境配置

3.3 运算基本单元

3.3.1 Tensor数据类型

3.3.2 Tensor与ndarray

3.3.3 CPU与GPU运算

3.3.4 PyTorch实现K-means

3.4 自动求导

3.5 数据加载

3.5.1 Dataset

3.5.2 DataLoader

3.6 神经网络工具包

3.6.1 Module模块

3.6.2 线性层

3.6.3 卷积层

3.6.4 池化层

3.6.5 BatchNorm层

3.6.6 激活层

3.6.7 神经网络各层输出的可视化

3.6.8 循环神经网络

3.6.9 Sequential和ModuleList

3.6.10 损失函数

3.7 模型优化器optim

3.7.1 optim用法

3.7.2 优化器的选择

3.7.3 学习率的选择

3.8 参数初始化init

3.9 模型持久化

3.10 JIT编译器

3.11 模型迁移ONNX

3.12 数据可视化TensorBoard

3.13 机器视觉工具包torchvision

3.13.1 数据

3.13.2 模型

3.13.3 图像处理

3.14 小结

第 4 章 卷积神经网络中的分类与回归

4.1 卷积神经网络中的分类问题

4.1.1 CIFAR-10图像分类

4.1.2 卷积神经网络的发展

4.1.3 分类网络的实现

4.1.4 模型训练

4.1.5 模型展示

4.1.6 多标签分类

4.2 卷积神经网络中的回归问题

4.2.1 生成数据集

4.2.2 模型训练

4.2.3 模型展示

4.3 小结

第 5 章 目标检测

5.1 深度学习物体检测算法

5.1.1 两段式检测

5.1.2 一段式检测

5.2 数据集构建

5.2.1 选择目标物体图片

5.2.2 背景图片下载

5.2.3 图片合成

5.3 数据加载

5.4 数据标记与损失函数构建

5.4.1 数据标记

5.4.2 损失函数

5.5 模型搭建与训练

5.6 模型预测

5.7 小结

第 6 章 图像分割

6.1 数据加载

6.2 模型搭建

6.3 模型训练

6.4 模型展示

6.5 智能弹幕

6.6 像素级回归问题:超分辨率重建

6.6.1 超分辨率重建算法的发展

6.6.2 数据加载

6.6.3 模型搭建与训练

6.6.4 模型展示

6.7 小结

第 7 章 图像搜索

7.1 分类网络的特征

7.2 深度学习人脸识别技术

7.2.1 FaceNet

7.2.2 CosFace和ArcFace

7.3 数据处理

7.3.1 数据下载

7.3.2 数据检查

7.3.3 数据提取

7.4 模型训练

7.4.1 普通分类模型

7.4.2 CosFace

7.5 图像搜索

7.5.1 图像比对

7.5.2 KD-Tree搜索

7.6 小结

第 8 章 图像压缩

8.1 AutoEncoder

8.1.1 AutoEncoder的原理

8.1.2 AutoEncoder模型搭建

8.1.3 数据加载

8.1.4 模型训练

8.1.5 结果展示

8.2 GAN

8.2.1 GAN原理

8.2.2 GAN训练流程

8.2.3 GAN随机生成人脸图片

8.2.4 GAN与AutoEncoder的结合

8.2.5 图像修复

8.3 小结

第 9 章 不定长文本识别

9.1 循环神经网络概述

9.2 时间序列预测

9.2.1 创建模型

9.2.2 生成数据

9.2.3 模型训练

9.2.4 模型预测

9.3 CRNN模型

9.3.1 CRNN算法简介

9.3.2 CTCLoss函数

9.3.3 模型结构

9.3.4 数据预处理

9.3.5 模型训练

9.3.6 模型预测

9.4 小结

第 10 章 神经网络压缩与部署

10.1 剪枝

10.1.1 模型设计

10.1.2 训练基础模型

10.1.3 模型稀疏化

10.1.4 压缩模型通道

10.2 量化

10.3 混合精度训练

10.4 深度学习模型的服务端部署

10.4.1 创建接口

10.4.2 访问接口

10.5 小结

作者简介

看完了

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部