万本电子书0元读

万本电子书0元读

顶部广告

计算机视觉实战:基于TensorFlow 2电子书

计算机视觉解决方案日益普及,在医疗、汽车、社交媒体和机器人等领域取得了不错的展。本书将帮助你了解全新版本的谷歌机器学习源框架TensorFlow 2,你将掌握如何使用卷积神经网络(CNN)完成视觉任务。本书从计算机视觉和深度学习基础知识始,教你如何从头始构建神经网络。你将掌握一些让TensorFlow成为广泛使用的AI库的特性,以及直观的Keras口,继而高效地构建、训练和部署CNN。通过具体的代码示例,本书展示了如何使用Inception和ResNet等现代神经网络分类图像,以及如何使用YOLO、Mask R-CNN和U-Net提取特定内容。本书还将介绍如何构建生成式对抗网络(GAN)和变分自编码器(VAE)来生成和编辑图像,以及如何使用LSTM分析视频。在此过程中,你将深了解迁移学习、数据增强、域适应,以及移动设备和Web部署等高级知识以及其他关键概念。通过阅读本书,你将获得使用TensorFlow 2解决高级计算机视觉问题的理论知识和实际技能。

售       价:¥

纸质售价:¥64.20购买纸书

27人正在读 | 0人评论 6.5

作       者:(法)本杰明·普朗什,(法)艾略特·安德烈斯

出  版  社:机械工业出版社

出版时间:2021-07-01

字       数:18.0万

所属分类: 科技 > 计算机/网络 > 软件系统

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)
本书探讨了谷歌机器学习源框架的全新版本TensorFlow 2,从计算机视觉和深度学习基础知识始,介绍了如何从头始构建神经网络,并将其用于计算机视觉任务,如图像分类、目标分割、视频分析等。展示了如何使用如Inception和ResNet等现代神经网络分类图像,使用YOLO、Mask R-CNN和U-Net提取特定内容,并辅以具体的代码示例。还介绍了迁移学习、数据增强、域适应等技术,以及如何在移动设备和网络浏览器中行部署。<br/>【推荐语】<br/>计算机视觉解决方案日益普及,在医疗、汽车、社交媒体和机器人等领域取得了不错的展。本书将帮助你了解全新版本的谷歌机器学习源框架TensorFlow 2,你将掌握如何使用卷积神经网络(CNN)完成视觉任务。本书从计算机视觉和深度学习基础知识始,教你如何从头始构建神经网络。你将掌握一些让TensorFlow成为广泛使用的AI库的特性,以及直观的Keras口,继而高效地构建、训练和部署CNN。通过具体的代码示例,本书展示了如何使用Inception和ResNet等现代神经网络分类图像,以及如何使用YOLO、Mask R-CNN和U-Net提取特定内容。本书还将介绍如何构建生成式对抗网络(GAN)和变分自编码器(VAE)来生成和编辑图像,以及如何使用LSTM分析视频。在此过程中,你将深了解迁移学习、数据增强、域适应,以及移动设备和Web部署等高级知识以及其他关键概念。通过阅读本书,你将获得使用TensorFlow 2解决高级计算机视觉问题的理论知识和实际技能。<br/>【作者】<br/>本杰明·普朗什(Benjamin Planche)是德国帕绍大学和西门子德国研究院的博士生。他在计算机视觉和深度学习领域的全球多个研究实验室(法国LIRIS、日本三菱电机和德国西门子)工作超过5年。他的研究重是针对工业应用发使用更少数据的更智能的视觉系统。他从法国国立应用科学学院和德国帕绍大学获得了一等荣誉的双硕士学位。他还在在线平台(例如StackOverflow)上分享自己的知识和经验,或者创建有美感的演示系统。 艾略特·安德烈斯(Eliot Andres)是一名深度学习和计算机视觉工程师。他在该领域拥有3年以上的经验,涉及银行、医疗、社交媒体和视频流等行业。他从巴黎路桥与电信学院获得了双硕士学位。他关注的是工业化,即通过将新技术应用于商业问题来实现价值。<br/>
目录展开

译者序

前言

作者简介

译者简介

审校者简介

第一部分 TensorFlow 2和应用于计算机视觉的深度学习

第1章 计算机视觉和神经网络

1.1 技术要求

1.2 广义计算机视觉

1.2.1 计算机视觉概述

1.2.2 主要任务及其应用

1.3 计算机视觉简史

1.3.1 迈出成功的第一步

1.3.2 深度学习的兴起

1.4 开始学习神经网络

1.4.1 建立神经网络

1.4.2 训练神经网络

1.5 本章小结

问题

进一步阅读

第2章 TensorFlow基础和模型训练

2.1 技术要求

2.2 TensorFlow 2和Keras入门

2.2.1 TensorFlow

2.2.2 基于Keras的简单计算机视觉模型

2.3 TensorFlow 2和Keras详述

2.3.1 核心概念

2.3.2 高级概念

2.4 TensorFlow生态系统

2.4.1 TensorBoard

2.4.2 TensorFlow插件和扩展

2.4.3 TensorFlow Lite和TensorFlow.js

2.4.4 在何处运行模型

2.5 本章小结

问题

第3章 现代神经网络

3.1 技术要求

3.2 卷积神经网络

3.2.1 用于多维数据的神经网络

3.2.2 CNN操作

3.2.3 有效感受野

3.2.4 在TensorFlow中使用CNN

3.3 训练过程微调

3.3.1 现代网络优化器

3.3.2 正则化方法

3.4 本章小结

问题

进一步阅读

第二部分 先进的经典识别问题解决方案

第4章 主流分类工具

4.1 技术要求

4.2 了解高级CNN架构

4.2.1 VGG:CNN的标准架构

4.2.2 GoogLeNet和Inception模块

4.2.3 ResNet:残差网络

4.3 利用迁移学习

4.3.1 概述

4.3.2 基于TensorFlow和Keras的迁移学习

4.4 本章小结

问题

进一步阅读

第5章 目标检测模型

5.1 技术要求

5.2 目标检测介绍

5.2.1 背景

5.2.2 模型的性能评价

5.3 YOLO:快速目标检测算法

5.3.1 YOLO介绍

5.3.2 使用YOLO推理

5.3.3 训练YOLO

5.4 Faster R-CNN:强大的目标检测模型

5.4.1 Faster R-CNN通用架构

5.4.2 训练Faster R-CNN

5.4.3 TensorFlow目标检测API

5.5 本章小结

问题

进一步阅读

第6章 图像增强和分割

6.1 技术要求

6.2 使用编码器-解码器进行图像变换

6.2.1 编码器-解码器概述

6.2.2 基本示例:图像去噪

6.2.3 卷积编码器-解码器

6.3 理解语义分割

6.3.1 使用编码器-解码器进行目标分割

6.3.2 比较困难的实例分割

6.4 本章小结

问题

进一步阅读

第三部分 高级概念和计算机视觉新进展

第7章 在复杂和稀缺数据集上训练

7.1 技术要求

7.2 高效数据服务

7.2.1 TensorFlow数据API

7.2.2 设置输入流水线

7.2.3 优化和监控输入流水线

7.3 如何处理稀缺数据

7.3.1 增强数据集

7.3.2 渲染合成数据集

7.3.3 利用域适应和生成模型(VAE和GAN)

7.4 本章小结

问题

进一步阅读

第8章 视频和循环神经网络

8.1 技术要求

8.2 RNN简介

8.2.1 基本形式

8.2.2 对RNN的基本理解

8.2.3 学习RNN权重

8.2.4 长短期记忆单元

8.3 视频分类

8.3.1 计算机视觉应用于视频

8.3.2 使用LSTM分类视频

8.4 本章小结

问题

进一步阅读

第9章 优化模型并在移动设备上部署

9.1 技术要求

9.2 优化计算和占用的磁盘空间

9.2.1 测量推理速度

9.2.2 提高模型推理速度

9.2.3 当模型依旧很慢时

9.2.4 减小模型大小

9.3 基于终端设备的机器学习

9.3.1 考虑因素

9.3.2 实践

9.4 app示例:识别面部表情

9.4.1 MobileNet简介

9.4.2 在终端设备上部署模型

9.5 本章小结

问题

附录

参考文献

问题答案

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