科技 类型
可以朗读 语音朗读
226千字 字数
2023-05-01 发行日期
展开全部

主编推荐语

本书对二维、三维目标检测技术涉及的骨干网络及入门必备的计算机视觉算法进行全面的介绍。

内容简介

本书由浅入深地介绍了MNIST、ImageNet、CIFAR、波士顿房产、ModelNet等经典二维、三维数据集和相关国际赛事，还介绍了TensorFlow中的二维卷积层、全连接层、激活层、池化层、批次归一化层、随机失活层的算法和梯度下降原理，AlexNet、VGG、ResNet、DarkNet、CSP-DarkNet等经典骨干网络的设计原理，以及PointNet、GCN等三维计算机视觉神经网络。

此外，本书通过设计巧妙且具体的案例，让读者稳步建立扎实的编程能力，包括数据集的制作和解析、神经网络模型设计能力和开销估算、损失函数的设计、神经网络的动态模式和静态模式的训练方法和过程控制、神经网络的边缘计算模型量化、神经网络的云计算部署。

目录

  • 版权信息
  • 内容简介
  • 推荐序一
  • 推荐序二
  • 前言
  • 第1篇 计算机视觉开发环境的搭建
  • 第1章 Python编程环境
  • 1.1 Python语言简介
  • 1.2 Python脚本的运行方式
  • 1.3 Anaconda虚拟环境管理器
  • 1.4 使用Anaconda建立虚拟环境
  • 第2章 搭建三层的图像分类神经网络
  • 2.1 下载数据集
  • 2.2 探索数据集
  • 2.3 构建、编译和训练神经网络
  • 2.4 使用神经网络进行批量预测
  • 2.5 将预测结果可视化
  • 第2篇 计算机视觉模型从实验室到生产环境的部署
  • 第3章 图片数据集的处理
  • 3.1 数据集的预处理
  • 3.2 数据集的制作
  • 3.3 数据集的读取和验证
  • 3.4 数据管道的优化处理
  • 第4章 迁移学习和神经网络的设计
  • 4.1 迁移学习的概念和花卉分类应用
  • 4.2 下载MobileNet
  • 4.3 设置MobileNet
  • 4.4 测试MobileNet的特征提取输入和输出
  • 第5章 损失函数的基础原理
  • 5.1 回归场景下常用的损失函数
  • 5.2 回归场景下的损失函数实战
  • 5.3 分类场景下的损失函数
  • 5.4 自定义损失函数
  • 第6章 神经网络的编译和训练
  • 6.1 神经网络的编译
  • 6.2 神经网络的训练
  • 6.3 神经网络的保存
  • 第7章 TensorFlow模型的部署方式
  • 7.1 以Edge TPU为例进行边缘端模型部署
  • 7.2 在服务器端部署模型
  • 第3篇 神经网络的数学原理和TensorFlow计算框架
  • 第8章 神经网络训练的数学原理和优化器
  • 8.1 损失函数和神经网络训练的本质
  • 8.2 使用符号微分法获得损失值的全局最小值
  • 8.3 使用局部梯度下降法不断靠近损失函数的最小值
  • 第9章 神经网络的编程范式和静态图转化机制
  • 9.1 计算图和编程范式
  • 9.2 静态图转化机制AutoGraph和装饰器＠tf.function
  • 9.3 TensorFlow神经网络模型的类继承关系
  • 9.4 使用Keras的高阶API构建模型并进行可视化
  • 第4篇 神经网络层的算法原理和训练过程控制
  • 第10章 神经网络层的原理和资源开销
  • 10.1 全连接层的原理和资源开销
  • 10.2 激活函数的原理和代码实现
  • 10.3 二维卷积的原理和资源开销
  • 10.4 池化层的原理和实战
  • 10.5 二维卷积层和池化层的感受野
  • 10.6 随机失活算法和默认推理状态
  • 10.7 批次归一化算法
  • 10.8 制作神经网络的资源开销函数
  • 第11章 使用计算加速硬件加快神经网络的训练
  • 11.1 人工智能的数据类型和运算能力
  • 11.2 人工智能计算中的数据类型匹配
  • 11.3 人工智能硬件的运算能力评估
  • 11.4 安装GPU版本的TensorFlow计算框架
  • 11.5 使用卷积层和全连接层构建经典神经网络LeNet
  • 第12章 自定义fit方法和回调机制
  • 12.1 fit方法的执行机制和自定义fit方法
  • 12.2 fit方法的回调机制和自定义回调函数
  • 12.3 TensorFlow的高阶回调函数
  • 12.4 训练过程监控和回调函数
  • 第5篇 目标检测中的骨干网络
  • 第13章 经典骨干网络AlexNet的原理解析
  • 13.1 整体结构和数据增强
  • 13.2 负责特征提取的第一、二层卷积层
  • 13.3 负责特征提取的第三、四、五层卷积层
  • 13.4 负责特征线性组合的第六、七、八层
  • 13.5 使用继承子类方式建立的AlexNet神经网络
  • 13.6 AlexNet的资源开销
  • 第14章 经典小核卷积神经网络VGG的原理解析
  • 14.1 VGG的宏观结构和微观特点
  • 14.2 VGG16的第一、二个卷积块结构
  • 14.3 VGG16的第三、四、五个卷积块结构
  • 14.4 VGG五个卷积块的代码实现
  • 14.5 VGG小核卷积技巧下的资源开销
  • 14.6 VGG预训练模型的加载和下游网络
  • 第15章 经典残差神经网络ResNet的原理解析
  • 15.1 残差连接的原理和结构
  • 15.2 瓶颈残差模块堆叠的输入和输出函数关系
  • 15.3 瓶颈残差模块的输入和输出函数关系
  • 15.4 堆叠函数关系和通用的ResNet网络结构
  • 15.5 ResNet50 V2模型的案例解析
  • 15.6 ResNet的资源开销评估
  • 15.7 ResNet的迁移学习和权重参数加载
  • 第16章 多尺度特征提取的神经网络DarkNet
  • 16.1 DarkNet的基本处理单元
  • 16.2 YOLO V3的骨干网络DarkNet53
  • 16.3 YOLO V3简版模型的骨干网络DarkNet53-tiny
  • 16.4 YOLO V4的骨干网络CSP-DarkNet
  • 16.5 YOLO V4简版模型的骨干网络CSP-DarkNet-tiny
  • 第17章 骨干网络预训练和大型图像数据集ImageNet
  • 17.1 ImageNet数据集和ILSVRC竞赛
  • 17.2 CIFAR数据集
  • 17.3 加载骨干网络预训练权重进行迁移学习
  • 17.4 加载骨干网络DarkNet的预训练权重
  • 17.5 使用图像分类任务测试骨干网络权重的性能
  • 第6篇 三维计算机视觉入门和实战
  • 第18章 三维计算机视觉的数据表达和主要任务
  • 18.1 三维计算机视觉的数据表达
  • 18.2 三维计算机视觉数据集
  • 18.3 三维计算机视觉的主要任务
  • 18.4 三维感知任务实战
  • 第19章 图卷积神经网络入门和实战
  • 19.1 图计算的基本概念
  • 19.2 图卷积神经网络
  • 19.3 图卷积神经网络实战
  • 附录A 官方代码引用说明
  • 附录B 运行环境搭建说明
  • 附录C TensorFlow的基本矩阵操作
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。