PyTorch 電腦視覺實戰：目標偵測、影像處理與深度學習 Modern Computer Vision with PyTorch: Explore deep learning concepts and implement over 50 real-world image applications
Yeshwanth Reddy 譯者 汪雄飛//汪榮貴
- 出版商: 機械工業
- 出版日期: 2023-09-01
- 定價: $894
- 售價: 8.5 折 $760
- 語言: 簡體中文
- 頁數: 558
- 裝訂: 平裝
- ISBN: 7111733398
- ISBN-13: 9787111733393
-
相關分類:
DeepLearning、Computer Vision
- 此書翻譯自: Modern Computer Vision with PyTorch: Explore deep learning concepts and implement over 50 real-world image applications
下單後立即進貨 (約4週~6週)
買這商品的人也買了...
-
電腦網際網路, 7/e (國際版)(Computer Networking: A Top-Down Approach, 7/e)(附部分內容光碟)$680$612 -
深度強化式學習 (Deep Reinforcement Learning in Action)$1,000$790 -
必學！Python 資料科學‧機器學習最強套件 － NumPy、Pandas、Matplotlib、OpenCV、scikit-learn、tf.Keras$680$537 -
核心開發者親授！PyTorch 深度學習攻略 (Deep Learning with Pytorch)$1,000$790 -
Python 教學手冊$650$514 -
$203軟件定義網絡（SDN）技術與應用 -
$560動手學深度學習 (PyTorch版) -
ChatGPT 指令大全與創新應用：GPT-4 搶先看、串接 API、客服機器人、AI英文家教，一鍵打造 AI智慧產品$680$510 -
大規模語言模型：從理論到實踐$654$621 -
YOLO 目標檢測$599$569 -
PyTorch與深度學習實戰$299$284 -
TensorFlow 模型解析與範例大全$760$593 -
基於 GPT-3、ChatGPT、GPT-4 等 Transformer 架構的自然語言處理$599$569 -
LangChain 入門指南：構建高可復用、可擴展的 LLM 應用程序$594$564 -
跟 NVIDIA 學深度學習！attention、Transformer、GPT、BERT...，紮穩機器視覺與大型語言模型 (LLM) 的建模基礎$880$695 -
$356自然語言處理技術與應用 -
Llama 大模型實踐指南$474$450 -
MicroPython項目開發實戰$534$507 -
用 Python 學 AI 理論與程式實作 (涵蓋Certiport ITS AI國際認證模擬試題)$580$458 -
機器學習的公式推導和程式實作$580$458 -
深度學習的數學 — 使用 Python 語言$539$512 -
Flask Web 應用開發項目實戰 基於 Python 和統信 UOS$419$398 -
PyTorch 自動駕駛視覺感知算法實戰$714$678 -
大語言模型：原理與工程實踐$714$678 -
可解釋 AI 實戰 (PyTorch版)$588$559
商品描述
本書基於真實資料集，全面系統地闡述現代電腦視覺實用技術、方法和實踐，涵蓋50多個電腦視覺問題。
全書分為四部分：
第一部分（第1~3章）介紹神經網路和PyTorch的基礎知識，
以及如何使用PyTorch建構並訓練神經網絡，包括輸入資料縮放、批歸一化、超參數調整等；
第二部分（第4~10章）介紹如何使用卷積神經網路、
遷移學習等技術解決更複雜的視覺相關問題，包括影像分類、目標偵測和影像分割等；
第三部分（第11~13章）介紹各種影像處理技術，包括自編碼器模型和各種類型的GAN模型；
第四部分（第14~18章）探討將電腦視覺技術與NLP、強化學習和OpenCV等技術結合來解決傳統問題的新方法。
本書內容豐富新穎，語言文字表述清晰，應用實例講解詳細，
圖例直觀形象，適合PyTorch初中級讀者及計算機視覺相關技術人員閱讀。
目錄大綱
譯者序
前言
第一部分面向電腦視覺的深度學習基礎知識
第1章人工神經網路基礎
1.1 比較人工智慧與傳統機器學習
1.2 人工神經網路的建構模組
1.3 實現前向傳播
1.3.1 計算隱藏層的值
1.3 .2 應用激活函數
1.3.3 計算輸出層的值
1.3.4 計算損失值
1.3.5 前向傳播的代碼
1.4 實現反向傳播
1.4.1 梯度下降的代碼
1.4.2 使用鍊式法則實現反向傳播
1.5 整合前向傳播與反向傳播
1.6 理解學習率的影響
1.7 總結神經網路的訓練過程1.8
小結
1.9 課後習題
第2章PyTorch基礎
2.1 安裝PyTorch
2.2 PyTorch張量
2.2.1 張初始化張量
2.2.2 張量量運算
2.2.3 張量物件的自動梯度
2.2.4 PyTorch的張量較NumPy的ndarrays的優勢
2.3 使用PyTorch建構神經網路
2.3.1 資料集、資料載入器和批次大小
2.3.2 預測新的資料點
2.3.3 實作自訂損失函數
2.3.4 取得中間層的值
2.4 使用序貫方法建構神經網路
2.5 儲存並載入PyTorch模型
2.5.1 statedict
2.5.2 儲存
2.5.3 載入
2.6 小結
2.7 課後習題
第3章使用PyTorch建構深度神經網路
3.1 表示影像
…
第二部分物體分類與目標偵測
第4章卷積神經網路
第5章面向影像分類的遷移學習
第6章影像分類的實戰技術
第7章目標偵測基礎
第8章目標偵測進階
第9章影像分割
第10章目標偵測與分割的應用
第三部分影像處理
第11章自編碼器與影像處理
第12章基於GAN的影像產生
第13章進階GAN影像處理
第四部分電腦視覺與其他技術
第14章使用小樣本進行模型訓練
第15章電腦視覺與NLP
第16章電腦視覺與強化學習
第17章模型的實際應用部署
第18章使用OpenCV實用程式進行影像分析
附錄課後習題答案
