-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
6/20 新書到! 5/31 新書到! 5/24 新書到! 5/18 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

計算機視覺實戰:基于TensorFlow 2

( 簡體 字)
作者:本杰明·普朗什(Benjamin Planche),艾略特·安德烈斯(Eliot Andres)類別:1. -> 教材 -> 數位影像處理
   2. -> 程式設計 -> 深度學習
譯者:
出版社:機械工業出版社計算機視覺實戰:基于TensorFlow 2 3dWoo書號: 55073
詢問書籍請說出此書號!

有庫存
NT售價: 445

出版日:7/1/2021
頁數:252
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111688471
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書探討了谷歌機器學習開源框架的全新版本TensorFlow 2,從計算機視覺和深度學習基礎知識開始,介紹了如何從頭開始構建神經網絡,并將其用于計算機視覺任務,如圖像分類、目標分割、視頻分析等。展示了如何使用如Inception和ResNet等現代神經網絡分類圖像,使用YOLO、Mask R-CNN和U-Net提取特定內容,并輔以具體的代碼示例。還介紹了遷移學習、數據增強、域適應等技術,以及如何在移動設備和網絡瀏覽器中進行部署。
目錄:

者序
前言
作者簡介
審校者簡介
第一部分 TensorFlow 2和應用于
計算機視覺的深度學習
第1章 計算機視覺和神經網絡2
1.1 技術要求2
1.2 廣義計算機視覺3
1.2.1 計算機視覺概述3
1.2.2 主要任務及其應用3
1.3 計算機視覺簡史8
1.3.1 邁出成功的第一步9
1.3.2 深度學習的興起12
1.4 開始學習神經網絡14
1.4.1 建立神經網絡15
1.4.2 訓練神經網絡23
1.5 本章小結30
問題30
進一步閱讀30
第2章 TensorFlow基礎和模型訓練31
2.1技術要求31
2.2TensorFlow 2和Keras入門31
2.2.1 TensorFlow32
2.2.2 基于Keras的簡單計算機視覺模型33
2.3TensorFlow 2和Keras詳述36
2.3.1 核心概念36
2.3.2 高級概念42
2.4TensorFlow生態系統46
2.4.1 TensorBoard46
2.4.2 TensorFlow插件和擴展47
2.4.3 TensorFlow Lite和TensorFlow.js48
2.4.4 在何處運行模型48
2.5本章小結49
問題50
第3章 現代神經網絡51
3.1 技術要求51
3.2 卷積神經網絡51
3.2.1 用于多維數據的神經網絡52
3.2.2 CNN操作53
3.2.3 有效感受野63
3.2.4 在TensorFlow中使用CNN64
3.3 訓練過程微調67
3.3.1 現代網絡優化器67
3.3.2 正則化方法71
3.4 本章小結76
問題76
進一步閱讀77
第二部分 先進的經典識別
問題解決方案
第4章 主流分類工具80
4.1 技術要求80
4.2 了解高級CNN架構81
4.2.1 VGG:CNN的標準架構81
4.2.2 GoogLeNet 和Inception模塊85
4.2.3 ResNet:殘差網絡92
4.3 利用遷移學習96
4.3.1 概述96
4.3.2 基于TensorFlow和Keras的遷移學習100
4.4 本章小結102
問題103
進一步閱讀103
第5章 目標檢測模型104
5.1 技術要求104
5.2 目標檢測介紹104
5.2.1 背景105
5.2.2 模型的性能評價106
5.3 YOLO:快速目標檢測算法108
5.3.1 YOLO介紹109
5.3.2 使用YOLO推理110
5.3.3 訓練YOLO117
5.4 Faster R-CNN:強大的目標檢測模型120
5.4.1 Faster R-CNN通用架構120
5.4.2 訓練Faster R-CNN124
5.4.3 TensorFlow目標檢測API126
5.5 本章小結127
問題127
進一步閱讀127
第6章 圖像增強和分割128
6.1 技術要求128
6.2 使用編碼器-解碼器進行圖像變換128
6.2.1 編碼器-解碼器概述129
6.2.2 基本示例:圖像去噪132
6.2.3 卷積編碼器-解碼器133
6.3 理解語義分割140
6.3.1 使用編碼器-解碼器進行目標分割140
6.3.2 比較困難的實例分割145
6.4 本章小結148
問題148
進一步閱讀148
第三部分 高級概念和計算機
視覺新進展
第7章 在復雜和稀缺數據集上訓練150
7.1 技術要求150
7.2 高效數據服務151
7.2.1 TensorFlow 數據API151
7.2.2 設置輸入流水線153
7.2.3 優化和監控輸入流水線158
7.3 如何處理稀缺數據162
7.3.1 增強數據集162
7.3.2 渲染合成數據集166
7.3.3 利用域適應和生成模型(VAE和GAN) 170
7.4 本章小結179
問題179
進一步閱讀179
第8章 視頻和循環神經網絡181
8.1 技術要求181
8.2 RNN簡介181
8.2.1 基本形式182
8.2.2 對RNN的基本理解183
8.2.3 學習RNN權重184
8.2.4 長短期記憶單元185
8.3 視頻分類188
8.3.1 計算機視覺應用于視頻188
8.3.2 使用LSTM分類視頻189
8.4 本章小結194
問題195
進一步閱讀195
第9章 優化模型并在移動設備上部署196
9.1 技術要求196
9.2 優化計算和占用的磁盤空間197
9.2.1 測量推理速度197
9.2.2 提高模型推理速度199
9.2.3 當模型依舊很慢時201
9.2.4 減小模型大小202
9.3 基于終端設備的機器學習203
9.3.1 考慮因素203
9.3.2 實踐204
9.4 app示例:識別面部表情206
9.4.1 MobileNet簡介207
9.4.2 在終端設備上部署模型208
9.5 本章小結216
問題216
附錄217
參考文獻222
問題答案231
序: