深度学习与计算机视觉算法原理框架应用与代码实现|百度网盘下载

编辑评论：

深度学习与计算机视觉：算法原理、框架应用与代码实现 全面介绍深度学习与计算机视觉的基础知识，结合常见应用场景和大量实例引领读者对丰富多彩的计算机视觉领域，在讲解原理的基础上，通过有趣的例子带领读者一步一步做，不断提高动手能力，而不是把枯燥深奥的原理堆砌成< /p>

编辑推荐

西门子高级研究员田江博士写前言并推荐！强烈推荐谷歌软件工程师吕建安、英伟达高级工程师华远志、理光软件研究院研究员钟诚博士！

作者拥有5年以上机器学习研发经验，目前在京东专注于深度学习和计算机视觉算法的研发。

西门子高级研究员田江博士写前言并推荐！强烈推荐谷歌软件工程师吕嘉楠、NVIDIA高级工程师华远志、理光软件研究院研究员钟诚博士！

注重原理和动手实践，让读者不仅能理解算法背后的思想，还能独立开发基于深度学习的计算机视觉算法。

原理解释通俗易懂。如果能通过图文定性的说明，尽量不要用公式。在无法使用公式的地方，尽量使用公式作为图文说明的辅助手段。

结合常见的应用场景，通过大量有趣实用的例子和原创代码，带领读者一步一步做，不断提升动手能力。

第 7 章开始的所有示例均基于当前流行的深度学习框架 Caffe 和 MXNet，其中包含大量原始代码和作者收集的数据。

简介

本书全面介绍了深度学习和计算机视觉的基础知识，并结合常见的应用场景和大量的例子，带领读者进入计算机视觉的多彩领域。作为一本“原理+实践”的教程，本书在讲解原理的基础上，通过有趣的例子引导读者一步一步来，不断提高动手能力，而不是把枯燥深奥的原理堆积起来。

本书共13章，分为2个部分。第一个基础知识介绍人工智能的发展历史，计算机视觉概述，深度学习和计算机视觉中的数学基础知识，神经网络和相关机器学习基础，卷积神经网络和一些常见结构，最后是前沿趋势简要讨论。第二部分为详细讲座，介绍了Python基础、OpneCV基础、简单分类神经网络、图像识别、Regression using Caffe、迁移学习和模型微调、目标检测、度量学习和图像风格等常见的计算机视觉应用转移。场景。本书从第 5 章开始包含许多有趣且有用的代码示例。从第 7 章开始的所有示例均基于当前流行的深度学习框架 Caffe 和 MXNet，其中包含大量原始代码和作者收集的数据。这些代码和作者训练的一些模型已经分享在本书的github页面上。读者自行下载。

本书面向对人工智能、机器学习、深度学习和计算机视觉感兴趣的读者。阅读本书要求读者具备一定的数学基础和基本的编程能力，并要求读者了解Linux的基本使用。

本书内容

本书共13章，分为2个部分。

第 1 部分基础知识

第 1 章首先介绍了深度学习和计算机视觉的基本概念和常见应用的历史介绍。

第 2 章介绍了最基本的数学，包括线性代数、概率、高维空间、卷积和数学优化。

第 3 章涵盖机器学习和数据的基础知识，重点是神经网络。

第4章在第3章的基础上介绍了卷积神经网络的概念、原理和一些常见的结构。

第 2 部分：案例研究

第 5 章介绍 Python 基础知识，并通过小例子介绍 NumPy 和 matplotlib 的基本使用。

第 6 章介绍了基于 Python 的 OpenCV 的使用，以及数据增强小部件和对象框架注释小部件的动手实现。

第 7 章分别用 MXNet 和 Caffe 实现了最简单的神经网络，并将结果可视化。

第 8 章从头开始逐步实现基于 MNIST 数据集的基于 MXNet 和 Caffe 的卷积神经网络模型，用于手写数字识别，并描述了如何测试和评估模型。

第 9 章实现了一个基于 Caffe 使用卷积神经网络进行回归的示例，并介绍了如何创建 HDF5 格式数据，如何使用 GPU 对数据进行批量操作，以及如何实现视觉训练模型。

第10章首先实现了一个图像爬虫来收集图像数据，并以食物图像分类为例，逐步讲解如何基于Caffe实现迁移学习。然后在此基础上进一步讲解了如何对数据进行预处理，如何使用混淆矩阵、P-R和ROC曲线，最后介绍了如何可视化卷积神经网络对输入图像的响应。

第11章针对R-CNN和YOLO/SSD两类算法，简要介绍了基于深度学习的目标检测算法的发展历程，并给出了基于MXNet的SSD检测算法示例，并分析了基于深度学习的目标检测算法的可视化。结果。

第12章介绍了度量学习的基本概念，并从图片开始，逐步实现基于Caffe的Siamese网络，同时也实现了基于τ-SNE的结果可视化。

第 13 章讲解了最基本的图像风格迁移算法，并给出了一个基于 MXNet 的图像风格迁移示例。读者可以使用他们最喜欢的图像来创建算法生成的艺术品。

图书特色

注重原则和动手实践。力求读者在读完本书后不仅能理解常用算法背后的思想，而且具备独立开发基于深度学习的常用计算机视觉算法的能力。

原理很容易理解。这本书如果能用文字定性地解释，就不需要计算和公式，如果能用图表表达，就不需要文字。虽然公式是不可避免的，但尽量把公式作为解释和说明的辅助，而不是需要仔细理解的部分。

大量原始代码和图形。本书结合作者在实际工作中的经验，力图使实用与有趣并存，并与实际例子和其他例子并存，并在本书github页面上分享代码供读者下载。