PyTorch 深度學習：電腦視覺流行專案親自動手
郭卡、戴亮 編著
- 出版商: 深智數位
- 出版日期: 2022-06-20
- 定價: $780
- 售價: 7.9 折 $616
- 語言: 繁體中文
- 頁數: 432
- ISBN: 626714612X
- ISBN-13: 9786267146125
-
相關分類:
DeepLearning、Computer Vision
- 此書翻譯自: Python 電腦視覺與深度學習實戰
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
科班出身的 AI人必修課：OpenCV 影像處理 使用 Python$780$616 -
深度學習 (Deep Learning)(繁體中文版)$1,200$948 -
Kaggle 競賽攻頂秘笈 -- 揭開 Grandmaster 的特徵工程心法，掌握制勝的關鍵技術$1,000$790 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
Python 刷題鍛鍊班：老手都刷過的 50 道程式題, 求職面試最給力 (Python Workout: 50 ten-minute exercises)$480$379 -
使用 AWS 在雲端建置 Linux 伺服器的 20堂課$500$395 -
機器學習設計模式 (Machine Learning Design Patterns: Solutions to Common Challenges in Data Preparation, Model Building, and Mlops)$680$537 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
人工智慧再進化：聯邦學習讓資料更安全穩固$880$748 -
Python 出神入化：Clean Coder 才懂的 Pythonic 技法，為你的程式碼畫龍點睛！ (Clean Code in Python, 2/e)$720$562 -
機器學習演算法動手硬幹：用 PyTorch + Jupyter 最佳組合達成$880$695 -
OpenCV 影像創意邁向 AI 視覺王者歸來 (全彩印刷)$890$703 -
NLP 大神 RNN 網路：Python 原始程式碼手把手帶你寫$890$703 -
OpenCV 4.0 + Python 機器學習與電腦視覺實戰$654$621 -
AWS 職場實戰手冊 - 企業架站、安全防護、費用監控，用最省錢的方式紮實學會！$620$490 -
開發者傳授 PyTorch 秘笈$1,200$948 -
動手學 GitHub！現代人不能不知道的協同合作平台$600$474 -
圖解 TensorFlow 2 初學篇：實作 tf.keras + Colab 雲端、深度學習、人工智慧、影像辨識$820$640 -
C最強入門邁向頂尖高手之路王者歸來 (單色印刷)$620$490 -
數位與醫學的人工智慧影像處理技術：Python 實務$580$452 -
電腦視覺機器學習實務｜建立端到端的影像機器學習 (Practical Machine Learning for Computer Vision: End-To-End Machine Learning for Images)$780$616 -
Notion 高效管理 250招：筆記×資料庫×團隊協作，數位生活與工作最佳幫手$380$300 -
AI 必須！從做中學貝氏統計 – 從事機器學習、深度學習、資料科學、大數據分析一定要懂的統計利器 (Bayesian Statistics for Beginners: A Step-By-Step Approach)$1,200$948 -
全格局使用 PyTorch -- 深度學習和圖神經網路 -- 基礎篇$880$695 -
PyTorch 深度學習入門與應用：必備實作知識與工具一本就學會$600$468
相關主題
商品描述
從實踐中理解深度學習，從專案中掌握電腦視覺知識
零數學公式，PyTorch入門的最佳選擇！
【本書內容】
本書分為基礎講解和專案實例兩個部分，以程式撰寫為主，理論解析為輔。
在基礎講解部分，本書透過程式設計實驗對深度學習理論進行展示，讓讀者能夠擺脫複雜難懂的數學公式，在程式設計的過程中直觀了解深度學習領域晦澀的原理。介紹scikit-learn和PyTorch兩個函數庫的組成模組，以及每個模組能解決的問題。
在專案實例部分，為了幫助初學者快速了解深度學習中的一些細分領域（如物件辨識、圖型分割、生成對抗網路等）的技術發展現狀，本書對相應領域的經典演算法進行了介紹，並根據經典演算法的想法，針對性地設計了適合初學者學習的實例專案。這些專案去除了演算法中的繁瑣細節，僅保留最基礎的邏輯，力求讓讀者在撰寫程式之前，更進一步地了解任務想法。我們為讀者挑選了很多在業界有實際應用場景的深度學習專案，重點介紹它們的想法以及程式實現。
【本書特點】
．最紮實的Sklearn根基
．最好用的PyTorch+Anaconda+Jupyter實作
．最簡單的實例完勝卷積神經網路
．物件辨識、圖型分割、以圖搜圖
．GAN生成對抗網路產生高清圖片
．ONNX模型全平台部署
【適合讀者群】
．深度學習相關的科學研究工作者
．電腦視覺從業者
．想要了解深度學習技術的程式設計師
．對深度學習感興趣的入門讀者
作者簡介
郭卡
安徽外國語學院計算機講師，省級自然科學基金重點項目「基於大數據與人工智能技術的在線學習評價系統」主持人，《Python 數據爬取技術與實戰手冊》主編，參與多項人工智慧研究項目並發表相關論文兩篇。
戴亮
科大訊飛演算法工程師，GiantPandaCV作者之一，主要研究方向為光學字符識別與語音識別，熱衷於PyTorch技術分享，對深度學習相關技術有深入了解。
目錄大綱
01 機器學習與sklearn
1.1 sklearn環境設定
1.2 資料集
1.3 分類
1.4 回歸
1.5 聚類
1.6 降維
1.7 模型驗證
1.8 模型持久化
1.9 小結
02 傳統影像處理方法
2.1 圖型分類
2.2 物件辨識
2.3 圖型分割
2.4 圖型搜尋
2.5 小結
03 深度學習與PyTorch
3.1 框架介紹
3.2 環境設定
3.3 運算基本單元
3.4 自動求導
3.5 資料載入
3.6 神經網路工具套件
3.7 模型最佳化器optim
3.8 參數初始化init
3.9 模型持久化
3.10 JIT編譯器
3.11 模型遷移ONNX
3.12 資料視覺化TensorBoard
3.13 機器視覺工具套件torchvision
3.14 小結
04 卷積神經網路中的分類與回歸
4.1 卷積神經網路中的分類問題
4.2 卷積神經網路中的回歸問題
4.3 小結
05 物件辨識
5.1 深度學習物件辨識演算法
5.2 資料集建構
5.3 資料載入
5.4 資料標記與損失函數建構
5.5 模型架設與訓練
5.6 模型預測
5.7 小結
06 圖型分割
6.1 資料載入
6.2 模型架設
6.3 模型訓練
6.4 模型展示
6.5 智慧彈幕
6.6 像素級回歸問題：超解析度重建
6.7 小結
07 圖型搜尋
7.1 分類網路的特徵
7.2 深度學習人臉辨識技術
7.3 資料處理
7.4 模型訓練
7.5 圖型搜尋
7.6 小結
08 圖型壓縮
8.1 AutoEncoder
8.2 GAN
8.3小結
09 不定長文字辨識
9.1 循環神經網路概述
9.2 時間序列預測
9.3 CRNN模型
9.4 小結
10 神經網路壓縮與部署
10.1 剪枝
10.2 量化
10.3 混合精度訓練
10.4 深度學習模型的服務端部署
10.5 小結
