消息 首页 搜索 举报
  • 计算机视觉实战基于TensorFlom2 9787111688471
21年品牌 40万+商家 超1.5亿件商品

计算机视觉实战基于TensorFlom2 9787111688471

正版图书，可开发票，请放心购买。

￥ 66.75 7.5折 ￥ 89 全新

库存6件

广东广州
认证卖家担保交易快速发货售后保障

作者[法]本杰明·普朗什(Benjamin Planche),[法]艾略特·安德烈斯(Eliot Andres)

出版社机械工业出版社

ISBN9787111688471

出版时间2021-08

装帧平装

开本16开

定价89元

货号29291551

上书时间2024-10-26

哲仁书店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
前言
由于利用了卷积神经网络（Convolutional Neural Network，CNN）等深度学习方法，计算机视觉技术在医疗、自动驾驶、社交媒体和机器人等领域的应用达到新的高度。无论是自动处理复杂的任务，指导专家的工作，还是帮助艺术家创作，越来越多的公司都在应用计算机视觉解决方案。
本书将探讨TensorFlow 2，这是谷歌机器学习开源框架的全新版本。书中介绍Tensor- Flow 2的关键特性和的解决方案，并演示如何有效地构建、训练和部署CNN，以完成各种实际任务。
读者对象
本书适用于任何具备一定Python编程和图像处理基础（例如，知道如何读取和写入图像文件，如何编辑其像素值等）的从业人员。本书将循序渐进地介绍相关内容，不仅适用于深度学习初学者，也适用于对TensorFlow 2的新特性感兴趣的专家。
虽然一些理论解释需要代数和微积分知识，但是书中的具体例子更侧重于实际应用。按照所述步骤，你将能够处理现实生活中的任务，比如自动驾驶汽车的视觉识别和智能手机应用。
本书内容
第1章介绍计算机视觉和深度学习，提供一些理论背景，并教你如何从零开始实现和训练视觉识别神经网络。
第2章介绍与计算机视觉相关的TensorFlow 2概念，以及一些更高级的理念。此外，介绍TensorFlow的子模块Keras，并讲述基于该框架实现的简单识别方法的训练过程。
第3章介绍CNN，并解释它如何改变计算机视觉。本章还介绍正则化工具和现代优化算法，可用于训练更健壮的识别系统。
第4章提供理论细节和实践代码，以便将的解决方案（如Inception和ResNet）应用于图像分类。本章还解释什么使得迁移学习成为机器学习中的一个关键概念，以及如何使用TensorFlow 2来实现它。
第5章讨论两种检测图像中特定对象的方法的架构，其中YOLO（You Only Look Once）模型以其速度闻名，而Faster R-CNN则以其准确性闻名。
第6章介绍自动编码器以及像U-Net和FCN这样的网络如何用于图像去噪、语义分割等。
第7章聚焦于为深度学习应用高效收集和预处理数据集的解决方案，介绍构建优化数据流水线的TensorFlow工具，以及弥补数据不足的各种解决方案（图像绘制、域适应和生成式网络，如VAE和GAN）。
第8章讨论循环神经网络，并介绍更高级的长短期记忆架构。本章提供将LSTM应用于视频动作识别的实用代码。
第9章详细介绍在速度、磁盘空间和计算性能方面的模型优化。本章通过一个实际的示例，介绍如何在移动设备和浏览器上部署TensorFlow解决方案。
附录提供关于TensorFlow 1的一些信息，重点介绍TensorFlow 2中引入的关键变化。此外，还包括从旧项目迁移到版本的指南。后，列出了每章的参考书目，供想要深入了解相关领域的读者参考。
如何阅读本书
以下部分包含一些信息和建议，方便读者阅读本书，并帮助读者从其他材料中受益。
下载并运行示例代码文件
本书不仅对TensorFlow 2和先进的计算机视觉方法进行了深入探讨，还提供了大量的示例及其完整实现。
本书的示例代码可以从http://www.packtpub.com通过个人账号下载，也可以访问华章图书官网http://www.hzbook.com，通过注册并登录个人账号下载。
本书的代码包也托管在GitHub上，地址是https://github.com/ PacktPublishing/Hands-On-Computer-Vision-with-TensorFlow-2。如果代码有更新，现有的GitHub存储库也会随之更新。
研究并运行实验
Jupyter Notebook （https://jupyter.org）是一个用于创建和共享Python脚本、文本信息、可视化结果、方程式等的开源Web应用程序。我们把随书提供的详细代码、预期结果和补充说明文件称为 Jupyter Notebook。每一个Jupyter Notebook都包含一个具体的计算机视觉任务。例如，一个Notebook解释了如何训练CNN在图像中检测动物，另一个则详细介绍了建立自动驾驶汽车识别系统的所有步骤，等等。
正如我们将在下面看到的，你可以直接研究这些文档，也可以将它们用作代码段来运行和重现书中介绍的实验。
在线学习Jupyter Notebook
如果只是想浏览一下提供的代码和结果，那么可以直接在本书的GitHub存储库中访问它们。事实上，GitHub能够渲染Jupyter Notebook并将其显示为静态网页。
但是，GitHub查看器会忽略一些样式和交互内容。为了获得的在线观看体验，建议使用 Jupyter nbviewer （https://nbviewer.jupyter.org），这是一个官方的网络平台，可以用来阅读上传至网上的Jupyter Notebook。通过这个网站可以查询存储在GitHub存储库中的Notebook，因此，所提供的Jupyter Notebook也可以通过https://nbviewer.jupyter.org/github/PacktPublishing/Hands-On-Computer-Vision-with-TensorFlow-2阅读。
在你自己的计算机上运行Jupyter Notebook
要在你自己的计算机上阅读或运行这些文档，首先要安装Jupyter Notebook。对于那些已经使用Anaconda（https://www.anaconda.com）来管理和部署Python环境（本书推荐这种方式）的用户，Jupyter Notebook应该是可以直接使用的（因为它安装在Anaconda中）。对于那些使用其他Python发行版和不熟悉Jupyter Notebook的用户，建议查看一下说明文档，其中提供了安装说明和教程（https://jupyter.org/documentation）。
安装了Jupyter Notebook之后，导航到包含本书代码文件的目录，打开终端，并执行以下命令：
$ jupyter notebook
应该会在默认浏览器中打开Web界面，现在，就应该能够浏览目录并打开本书提供的Jupyter Notebook了，可以阅读、执行或编辑它们。
部分文档包含较高级的实验，可能需要大量的计算资源（比如在大型数据集上训练识别算法）。如果没有适当的加速硬件（也就是说，如果没有兼容的NVIDIA GPU，参见第2章），运行这些脚本可能需要数小时甚至数天（即使有兼容的GPU，运行的实例也可能需要相当长的时间）。
用谷歌Colab运行Jupyter Notebook
对于那些希望自己运行Jupyter Notebook，或者尝试新实验，但又无法使用足够强大的计算机的用户，建议使用名为Colaboratory的谷歌Colab（https://colab.research.google.com）。它是一个基于云的Jupyter Notebook，由谷歌提供，以便在强大的计算机上运行计算密集型脚本。你可以在GitHub存储库中找到关于此服务的更多细节。
本书约定
本书中使用了以下约定。
正文中的代码字体：表示文本中的代码和用户输入。例如，“Model对象的.fit()方法启动训练过程”。
代码块示例：

代码块中需要关注的某个特定部分会以粗体表示：

命令行输入或输出示例：

粗体：表示新术语、重要词语以及在屏幕上显示的内容。例如，菜单或对话框中的单词会这样显示在文本中：“你可以在TensorBoard的Scalars页面上观察解决方案的性能。”
表示警告或重要提示。

表示提示或技巧。

导语摘要
本书探讨了谷歌机器学习开源框架的全新版本TensorFlow 2，从计算机视觉和深度学习基础知识开始，介绍了如何从头开始构建神经网络，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进行部署。

作者简介



目录
译者序

前言

作者简介

审校者简介

部分 TensorFlow 2和应用于计算机视觉的深度学习

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 不错概念

2.4 TensorFlow生态系统

2.4.1 TensorBoard

2.4.2 TensorFlow插件和扩展

2.4.3 TensorFlowLite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 了解不错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

……

第三部分 不错概念和计算机视觉新进展

附录

参考文献

问题答案

内容摘要
本书探讨了谷歌机器学习开源框架的全新版本TensorFlow 2，从计算机视觉和深度学习基础知识开始，介绍了如何从头开始构建神经网络，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进行部署。

主编推荐
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。他的研究重点是针对工业应用开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。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP