# 零、前言
《面向計算機視覺的深度學習》是一本書,適合希望學習基于深度學習的計算機視覺技術用于各種應用的讀者。 本書將為讀者提供開發基于計算機視覺的產品的工具和技術。 書中涵蓋了許多遵循該理論的實際例子。
# 這本書是給誰的
讀者想知道如何將深度學習應用于計算機視覺問題,例如分類,檢測,檢索,分割,生成,字幕和視頻分類。 讀者還希望了解如何在各種約束下(例如更少的數據,不平衡的類別和噪聲)獲得良好的準確率。 然后,讀者還想知道如何在各種平臺(AWS,Google Cloud,Raspberry Pi 和移動電話)上部署經過訓練的模型。 讀完本書后,讀者應該能夠開發出有關人員檢測,人臉識別,產品搜索,醫學圖像分割,圖像生成,圖像字幕生成,視頻分類等問題的代碼。
# 本書涵蓋的內容
第 1 章,“入門”介紹了深度學習的基礎知識,并使讀者熟悉該詞匯表。 讀者將安裝遵循其余各章所必需的包。
第 2 章,“圖像分類”討論圖像分類問題,該問題將整個圖像標記為圖像。 讀者將學習圖像分類技術,并訓練用于寵物分類的深度學習模型。 他們還將學習提高準確率的方法,并深入研究各種先進的架構。
第 3 章,“圖像檢索”涵蓋了深層特征和圖像檢索。 讀者將學習獲得模型可視化,視覺特征,使用 TensorFlow 進行推理以及服務和使用視覺特征進行產品檢索的各種方法。
第 4 章,“對象檢測”討論了檢測圖像中的對象。 讀者將學習各種對象檢測技術,并將其應用于行人檢測。 本章將使用用于對象檢測的 TensorFlow API。
第 5 章,“語義分割”涵蓋了像素級圖像分割。 讀者將獲得有關分割技術的知識,并訓練用于醫學圖像分割的模型。
第 6 章,“相似性學習”討論了關于相似性學習的。 讀者將學習相似度匹配以及如何訓練人臉識別模型。 示出了訓練人臉標志的模型。
第 7 章,“圖像字幕生成”是關于生成或選擇圖像字幕生成的 。 讀者將學習自然語言處理技術以及如何使用這些技術為圖像生成字幕。
第 8 章,“生成模型”討論了關于出于各種目的生成合成圖像的問題。 讀者將了解什么是生成模型,并將其用于圖像生成應用,例如樣式轉換,訓練數據等。
第 9 章,“視頻分類”涵蓋了用于視頻數據的計算機視覺技術。 讀者將了解解決視頻與圖像問題之間的主要區別,并實現視頻分類技術。
第 10 章,“部署”討論了深度學習模型的部署步驟。 讀者將學習如何在各種平臺上部署訓練有素的模型并優化速度。
# 充分利用這本書
本書涵蓋的示例可以在 Windows,Ubuntu 或 Mac 上運行。 涵蓋了所有安裝說明。 需要具備 Python 和機器學習的基礎知識。 讀取器最好具有 GPU 硬件,但這不是必需的。
# 使用約定
本書中使用了許多文本約定。
`CodeInText`:表示文本中的詞,數據庫表名稱,文件夾名稱,文件名,文件擴展名,路徑名,偽 URL,用戶輸入和 Twitter 句柄。 這里是一個示例:“ 請注意,圖是用 `summary_writer`編寫的。
代碼塊設置如下:
```py
merged_summary_operation = tf.summary.merge_all()
train_summary_writer = tf.summary.FileWriter('/tmp/train', session.graph)
test_summary_writer = tf.summary.FileWriter('/tmp/test')
```
任何命令行輸入或輸出的編寫方式如下:
```py
wget http://www.robots.ox.ac.uk/~vgg/data/pets/daimg.tar.gz
wget http://www.robots.ox.ac.uk/~vgg/data/pets/data/annotations.tar.gz
```
**粗體**:表示您在屏幕上看到的新術語,重要單詞或順序。 例如,菜單或對話框中的單詞會出現在這樣的文本中。 這是一個示例:“完成后,通過單擊‘操作 | 實例狀態 | 終端’來終止實例。”
警告或重要提示如下所示。
提示和技巧如下所示。
- TensorFlow 1.x 深度學習秘籍
- 零、前言
- 一、TensorFlow 簡介
- 二、回歸
- 三、神經網絡:感知器
- 四、卷積神經網絡
- 五、高級卷積神經網絡
- 六、循環神經網絡
- 七、無監督學習
- 八、自編碼器
- 九、強化學習
- 十、移動計算
- 十一、生成模型和 CapsNet
- 十二、分布式 TensorFlow 和云深度學習
- 十三、AutoML 和學習如何學習(元學習)
- 十四、TensorFlow 處理單元
- 使用 TensorFlow 構建機器學習項目中文版
- 一、探索和轉換數據
- 二、聚類
- 三、線性回歸
- 四、邏輯回歸
- 五、簡單的前饋神經網絡
- 六、卷積神經網絡
- 七、循環神經網絡和 LSTM
- 八、深度神經網絡
- 九、大規模運行模型 -- GPU 和服務
- 十、庫安裝和其他提示
- TensorFlow 深度學習中文第二版
- 一、人工神經網絡
- 二、TensorFlow v1.6 的新功能是什么?
- 三、實現前饋神經網絡
- 四、CNN 實戰
- 五、使用 TensorFlow 實現自編碼器
- 六、RNN 和梯度消失或爆炸問題
- 七、TensorFlow GPU 配置
- 八、TFLearn
- 九、使用協同過濾的電影推薦
- 十、OpenAI Gym
- TensorFlow 深度學習實戰指南中文版
- 一、入門
- 二、深度神經網絡
- 三、卷積神經網絡
- 四、循環神經網絡介紹
- 五、總結
- 精通 TensorFlow 1.x
- 一、TensorFlow 101
- 二、TensorFlow 的高級庫
- 三、Keras 101
- 四、TensorFlow 中的經典機器學習
- 五、TensorFlow 和 Keras 中的神經網絡和 MLP
- 六、TensorFlow 和 Keras 中的 RNN
- 七、TensorFlow 和 Keras 中的用于時間序列數據的 RNN
- 八、TensorFlow 和 Keras 中的用于文本數據的 RNN
- 九、TensorFlow 和 Keras 中的 CNN
- 十、TensorFlow 和 Keras 中的自編碼器
- 十一、TF 服務:生產中的 TensorFlow 模型
- 十二、遷移學習和預訓練模型
- 十三、深度強化學習
- 十四、生成對抗網絡
- 十五、TensorFlow 集群的分布式模型
- 十六、移動和嵌入式平臺上的 TensorFlow 模型
- 十七、R 中的 TensorFlow 和 Keras
- 十八、調試 TensorFlow 模型
- 十九、張量處理單元
- TensorFlow 機器學習秘籍中文第二版
- 一、TensorFlow 入門
- 二、TensorFlow 的方式
- 三、線性回歸
- 四、支持向量機
- 五、最近鄰方法
- 六、神經網絡
- 七、自然語言處理
- 八、卷積神經網絡
- 九、循環神經網絡
- 十、將 TensorFlow 投入生產
- 十一、更多 TensorFlow
- 與 TensorFlow 的初次接觸
- 前言
- 1.?TensorFlow 基礎知識
- 2. TensorFlow 中的線性回歸
- 3. TensorFlow 中的聚類
- 4. TensorFlow 中的單層神經網絡
- 5. TensorFlow 中的多層神經網絡
- 6. 并行
- 后記
- TensorFlow 學習指南
- 一、基礎
- 二、線性模型
- 三、學習
- 四、分布式
- TensorFlow Rager 教程
- 一、如何使用 TensorFlow Eager 構建簡單的神經網絡
- 二、在 Eager 模式中使用指標
- 三、如何保存和恢復訓練模型
- 四、文本序列到 TFRecords
- 五、如何將原始圖片數據轉換為 TFRecords
- 六、如何使用 TensorFlow Eager 從 TFRecords 批量讀取數據
- 七、使用 TensorFlow Eager 構建用于情感識別的卷積神經網絡(CNN)
- 八、用于 TensorFlow Eager 序列分類的動態循壞神經網絡
- 九、用于 TensorFlow Eager 時間序列回歸的遞歸神經網絡
- TensorFlow 高效編程
- 圖嵌入綜述:問題,技術與應用
- 一、引言
- 三、圖嵌入的問題設定
- 四、圖嵌入技術
- 基于邊重構的優化問題
- 應用
- 基于深度學習的推薦系統:綜述和新視角
- 引言
- 基于深度學習的推薦:最先進的技術
- 基于卷積神經網絡的推薦
- 關于卷積神經網絡我們理解了什么
- 第1章概論
- 第2章多層網絡
- 2.1.4生成對抗網絡
- 2.2.1最近ConvNets演變中的關鍵架構
- 2.2.2走向ConvNet不變性
- 2.3時空卷積網絡
- 第3章了解ConvNets構建塊
- 3.2整改
- 3.3規范化
- 3.4匯集
- 第四章現狀
- 4.2打開問題
- 參考
- 機器學習超級復習筆記
- Python 遷移學習實用指南
- 零、前言
- 一、機器學習基礎
- 二、深度學習基礎
- 三、了解深度學習架構
- 四、遷移學習基礎
- 五、釋放遷移學習的力量
- 六、圖像識別與分類
- 七、文本文件分類
- 八、音頻事件識別與分類
- 九、DeepDream
- 十、自動圖像字幕生成器
- 十一、圖像著色
- 面向計算機視覺的深度學習
- 零、前言
- 一、入門
- 二、圖像分類
- 三、圖像檢索
- 四、對象檢測
- 五、語義分割
- 六、相似性學習
- 七、圖像字幕
- 八、生成模型
- 九、視頻分類
- 十、部署
- 深度學習快速參考
- 零、前言
- 一、深度學習的基礎
- 二、使用深度學習解決回歸問題
- 三、使用 TensorBoard 監控網絡訓練
- 四、使用深度學習解決二分類問題
- 五、使用 Keras 解決多分類問題
- 六、超參數優化
- 七、從頭開始訓練 CNN
- 八、將預訓練的 CNN 用于遷移學習
- 九、從頭開始訓練 RNN
- 十、使用詞嵌入從頭開始訓練 LSTM
- 十一、訓練 Seq2Seq 模型
- 十二、深度強化學習
- 十三、生成對抗網絡
- TensorFlow 2.0 快速入門指南
- 零、前言
- 第 1 部分:TensorFlow 2.00 Alpha 簡介
- 一、TensorFlow 2 簡介
- 二、Keras:TensorFlow 2 的高級 API
- 三、TensorFlow 2 和 ANN 技術
- 第 2 部分:TensorFlow 2.00 Alpha 中的監督和無監督學習
- 四、TensorFlow 2 和監督機器學習
- 五、TensorFlow 2 和無監督學習
- 第 3 部分:TensorFlow 2.00 Alpha 的神經網絡應用
- 六、使用 TensorFlow 2 識別圖像
- 七、TensorFlow 2 和神經風格遷移
- 八、TensorFlow 2 和循環神經網絡
- 九、TensorFlow 估計器和 TensorFlow HUB
- 十、從 tf1.12 轉換為 tf2
- TensorFlow 入門
- 零、前言
- 一、TensorFlow 基本概念
- 二、TensorFlow 數學運算
- 三、機器學習入門
- 四、神經網絡簡介
- 五、深度學習
- 六、TensorFlow GPU 編程和服務
- TensorFlow 卷積神經網絡實用指南
- 零、前言
- 一、TensorFlow 的設置和介紹
- 二、深度學習和卷積神經網絡
- 三、TensorFlow 中的圖像分類
- 四、目標檢測與分割
- 五、VGG,Inception,ResNet 和 MobileNets
- 六、自編碼器,變分自編碼器和生成對抗網絡
- 七、遷移學習
- 八、機器學習最佳實踐和故障排除
- 九、大規模訓練
- 十、參考文獻