新書推薦：
《
算法竞赛核心教程：策略与算法深度解析
》
售價：HK$
96.8
《
深入理解PyTorch
》
售價：HK$
174.9
《
资本的扩张
》
售價：HK$
79.2
《
日暮途穷：大清覆灭前夕的关键时刻
》
售價：HK$
96.8
《
固定收益证券分析（原书第4版）
》
售價：HK$
218.9
《
明代书院讲会研究
》
售價：HK$
97.9
《
逃避不可耻，但没用，如何走出回避型人格的困境？
》
售價：HK$
61.6
《
运动防护师职业操作指南 运动损伤的预防 评估与恢复（第4版）
》
售價：HK$
228.8
|
| 編輯推薦： |
（1）问题驱动，由浅入深。
在解决实际问题的过程中，逐步深入探究深度学习和计算机视觉的核心概念和原理，帮助读者建立系统的知识体系。
（2）突出重点，强化理解。
通过精选的重点内容和深入分析，帮助读者深刻理解关键技术，并在应用中加深对知识的掌握。
（3）注重理论，联系实际。
以PyTorch为工具，结合典型案例对理论进行实际应用和演示，提升读者的动手能力和实战经验。
（4）风格简洁，使用方便。
简洁明快的风格，便于读者理解，实用的代码示例和项目案例，便于读者快速上手和实践。
|
| 內容簡介： |
本书将基础理论和算法实现相结合，循序渐进地介绍了人工智能领域中的常见算法，全面、系统地介绍了使用Python实现人工智能算法，并通过PyTorch框架实现人工智能算法中的深度学习内容。全书分为两篇，共12章，分别介绍了人工智能基础、深度学习基础、卷积神经网络的基本构建、PyTorch的基本应用、分类识别技术与应用、目标检测技术与应用、基于视觉大数据检索的图搜图应用、验证码AI识别、基于生成式对抗网络的图像生成应用、肺炎感染影像智能识别、基于深度学习的人脸二维码识别、污损遮挡号牌识别与违法行为检测等内容，并对所涉及的每个知识点都配有相应的实现代码和实例。
來源：香港大書城megBookStore,http://www.megbook.com.hk
本书主要面向广大从事数据分析、机器学习、数据挖掘或深度学习的专业人员，从事高等教育的专任教师，全国高等学校的在读学生及相关领域的广大科研人员。
|
| 目錄：
|
第1部分基础篇
第1章人工智能基础
1.1人工智能概述
1.1.1什么是人工智能
1.1.2人工智能的发展历程
1.2计算机视觉基础
1.2.1机器对图像的感知
1.2.2传统图像处理方法的探索
1.2.3特征表达与提取技术
1.2.4深度学习图像识别原理
1.3深度学习在实际中的应用
1.3.1图像分类与识别
1.3.2图像目标检测
1.3.3图像分割与轮廓提取
1.3.4图像描述生成
1.3.5图像问答系统
1.3.6图像生成与创作
1.4本章小结
第2章深度学习的基本原理
2.1神经网络的实现方法
2.1.1前向传播
2.1.2反向传播
2.2梯度与自动微分
2.2.1梯度下降与优化
2.2.2局部最优与鞍点
2.2.3梯度消失与爆炸问题
2.3参数优化与更新策略
2.3.1损失函数与优化目标
2.3.2优化器与激活函数
2.3.3学习率的自适应调整
2.4本章小结
第3章卷积神经网络的基本构建
3.1卷积层的多种操作
3.1.1卷积运算的基本原理
3.1.2常规卷积操作
3.1.3深度可分离卷积
3.1.4分组卷积与扩展卷积
3.2可变形卷积技术
3.2.1可变形卷积的数学基础
3.2.2可变形卷积的网络结构
3.2.3可变形卷积的应用
3.3反卷积与目标分割
3.3.1反卷积的数学原理
3.3.2全卷积网络
3.3.3反卷积在全卷积网络中的应用
3.4池化层的多重特性
3.4.1下采样与池化操作
3.4.2上采样与特征扩充
3.5全连接层的作用与影响
3.5.1全连接层的基本原理
3.5.2全连接层之间的关联性
3.6数据标准化和正则化
3.6.1数据标准化的重要性
3.6.2批标准化与层标准化
3.6.3正则化方法
3.7本章小结
第4章PyTorch的基本应用
4.1PyTorch简介与环境搭建
4.1.1了解PyTorch框架
4.1.2搭建PyTorch开发环境
4.2PyTorch基本语法与操作
4.2.1张量(Tensor) 的基础概念
4.2.2张量的运算与操作
4.3PyTorch中的自动微分
4.3.1自动微分原理与应用
4.3.2构建可微分变量
4.3.3自动微分的演示示例
4.4模型的保存与加载
4.4.1保存与加载可训练参数
4.4.2完整模型的保存与加载
4.4.3多模型的管理与加载
4.5跨设备模型加载
4.5.1在CPU和GPU之间切换加载
4.5.2多GPU环境下的模型加载
4.6权重的修改与调整
4.6.1权重可视化与分析
4.6.2在多GPU环境中修改权重
4.7本章小结
第2部分应用篇
第5章分类识别技术与应用
5.1应用背景
5.2卷积神经网络的设计与构建
5.2.1CRNN神经网络架构
5.2.2卷积核的作用与选择
5.2.3特征图提取与表示
5.2.4池化操作的降维效果
5.2.5网络结构的定义与构建
5.3卷积神经网络的训练与评测
5.3.1数据集准备与预处理
5.3.2数据集解析与样本分析
5.3.3网络模型的训练过程
5.3.4网络模型的性能测试与评估
5.4应用集成开发与界面设计
5.5本章小结
第6章目标检测技术与应用
6.1应用背景
6.2目标检测的候选框生成策略
6.2.1背景和应用知识
6.2.2滑窗技术
6.2.3区域候选框
6.2.4基于选择性搜索的检测框架
6.3神经网络在目标检测中的应用
6.3.1残差连接
6.3.2锚框
6.3.3空间金字塔池化
6.3.4区域生成网络
6.3.5边框回归技术
6.4主干神经网络的选择与应用
6.4.1AlexNet
6.4.2VGGNet
6.4.3ResNet
6.5单阶段目标检测模型
6.5.1SSD模型
6.5.2YOLO模型
6.6双阶段目标检测模型
6.6.1RCNN模型
6.6.2Faster RCNN模型
6.6.3RFCN模型
6.7本章小结
第7章基于视觉大数据检索的图搜图应用
7.1应用背景
7.2视觉特征提取
7.2.1CNN模型选择
7.2.2CNN深度特征
7.3视觉特征索引
7.4视觉搜索引擎
7.5集成应用开发
7.6本章小结
第8章验证码AI识别
8.1应用背景
8.2验证码图像生成
8.2.1基础字符模板
8.2.2验证码图模拟
8.2.3验证码数据库
8.3验证码识别模型
8.3.1CNN模型训练
8.3.2CNN模型测试
8.4集成应用开发
8.4.1数据集标注
8.4.2数据集分割
8.4.3CNN模型训练
8.4.4CNN模型应用
8.5本章小结
第9章基于生成式对抗网络的图像生成应用
9.1应用背景
9.2生成式对抗网络模型
9.2.1卡通头像大数据
9.2.2GAN网络设计
9.2.3GAN网络训练
9.2.4GAN网络测试
9.3集成应用开发
9.4本章小结
第10章肺炎感染影像智能识别
10.1应用背景
10.2肺炎感染影像识别
10.2.1肺炎感染影像大数据
10.2.2CNN迁移设计
10.2.3CNN迁移训练
10.2.4CNN迁移评测
10.2.5CNN融合识别
10.3集成应用开发
10.4本章小结
第11章基于深度学习的人脸二维码识别
11.1应用背景
11.2QR编译码
11.2.1QR编码
11.2.2QR译码
11.2.3内容加密
11.3人脸压缩
11.3.1人脸建库
11.3.2人脸降维
11.3.3人脸重构
11.3.4人脸转码
11.4CNN分类识别
11.5集成应用开发
11.6本章小结
第12章污损遮挡号牌识别与违法行为检测
12.1应用背景
12.2理论基础
12.2.1算法模型的选择与解释
12.2.2污损遮挡号牌定位算法
12.2.3号牌号码识别算法
12.3功能设计
12.3.1构建车辆号牌数据集
12.3.2权重文件的适配与编辑
12.3.3模型参数的配置与调整
12.3.4阈值分析与结果解读
12.4功能实现
12.5本章小结
参考文献
|
| 內容試閱：
|
党的二十大报告强调“必须坚持科技是第一生产力、人才是第一资源、创新是第一动力，深入实施科教兴国战略、人才强国战略、创新驱动发展战略，开辟发展新领域新赛道，不断塑造发展新动能新优势。”
在人工智能蓬勃发展的今天，深度学习已成为推动技术变革的重要力量，尤其在计算机视觉领域，深度学习技术引领着一波又一波的创新浪潮。从图像分类到目标检测，从图像分割到风格迁移，深度学习让计算机具备了前所未有的视觉理解能力。而在众多深度学习框架中，PyTorch以其灵活性和易用性，成为广大研究者和开发者的首选工具。
本书主要内容
本书旨在为读者提供一条从基础到实战的学习路径，帮助读者深入理解计算机视觉中的核心概念和技术，掌握使用PyTorch构建和优化深度学习模型的实战技巧。本书内容结构清晰，案例丰富，既适合初学者入门，也适合有一定基础的读者进一步提升技能。
全书共分为两部分，共12章。
第1部分基础篇，主要介绍了深度学习理论知识，包括第1～4章。第1章人工智能基础，包括人工智能概述、计算机视觉基础、深度学习在实际中的应用； 第2章深度学习的基本原理，包括神经网络的实现方法、梯度与自动微分、参数优化与更新策略； 第3章卷积神经网络的基本构建，包括卷积层的多种操作、可变形卷积技术、反卷积与目标分割、池化层的多重特性、全连接层的作用与影响、数据标准化和正则化； 第4章PyTorch的基本应用，包括PyTorch简介与环境搭建、PyTorch基本语法与操作、PyTorch中的自动微分、模型的保存与加载、跨设备模型加载、权重的修改与调整。
第2部分应用篇，主要列举了部分深度学习项目的实践案例，包括第5～12章。第5章分类识别技术与应用，包括应用背景、卷积神经网络的设计与构建、卷积神经网络的训练与评测、应用集成开发与界面设计； 第6章目标检测技术与应用，包括应用背景、目标检测的候选框生成策略、神经网络在目标检测中的应用、主干神经网络的选择与应用、单阶段目标检测模型、双阶段目标检测模型； 第7章基于视觉大数据检索的图搜图应用，包括应用背景、视觉特征提取、视觉特征索引、视觉搜索引擎、集成应用开发； 第8章验证码AI识别，包括应用背景、验证码图像生成、验证码识别模型、集成应用开发； 第9章基于生成式对抗网络的图像生成应用，包括应用背景、生成式对抗网络模型、集成应用开发； 第10章肺炎感染影像智能识别，包括应用背景、肺炎感染影像识别、集成应用开发； 第11章基于深度学习的人脸二维码识别，包括应用背景、QR编译码、人脸压缩、CNN分类识别、集成应用开发； 第12章污损遮挡号牌识别与违法行为检测，包括应用背景、理论基础、功能设计、功能实现。
本书特色
(1) 问题驱动，由浅入深。
在解决实际问题的过程中，逐步深入探究深度学习和计算机视觉的核心概念和原理，帮助读者建立系统的知识体系。
(2) 突出重点，强化理解。
通过精选的重点内容和深入分析，帮助读者深刻理解关键技术，并在应用中加深对知识的掌握。
(3) 注重理论，联系实际。
以PyTorch为工具，结合典型案例对理论进行讲解和演示，提升读者的动手能力和实践经验。
(4) 风格简洁，使用方便。
本书采用简洁明快的风格，提供实用的代码示例和丰富的项目案例，便于读者理解和实践操作。
配套资源
为便于教与学，本书配有微课视频、源代码、数据集、教学课件、教学大纲、教案、教学日历、教学进度表、案例素材、软件安装包、期末试卷及答案。
(1) 获取微课视频方式： 先刮开本书封底的文泉云盘防盗码并用手机版微信App扫描，授权后再扫描书中相应的视频二维码，观看教学视频。
(2) 获取源代码等方式： 先刮开本书封底的文泉云盘防盗码并用手机版微信App扫描，授权后再扫描下方二维码，即可获取。
源代码
数据集
案例素材
软件安装包
全书网址
(3) 其他配套资源可以扫描本书封底的“书圈”二维码，关注后回复本书书号，即可下载。
读者对象
本书主要针对广泛的读者群体，面向从事图像处理、人工智能、深度学习、计算机视觉等领域的专业人士，深度学习学科专任教师，人工智能、图像处理等专业的高校在读学生及相关领域的研究人员。
在本书的编写过程中，马振书、刘灵珊、兰征兴、张秦帆、康乐天、魏轩、赵艺萱、史玉琪等同学为书稿的完善作出了重要贡献，在此谨致谢忱。同时，作者在编著过程中，参阅了相关领域的文献资料，特向这些学术成果的创作者们致以诚挚的感谢。
限于个人水平和时间仓促，书中难免存在疏漏之处，欢迎广大读者批评指正。
作者2025年1月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
