Python计算机视觉与深度学习实战

作者简介

10.5 小结

10.4 深度学习模型的服务端部署

10.3 混合精度训练

10.2 量化

10.1 剪枝

第 10 章 神经网络压缩与部署

9.4 小结

9.3 CRNN模型

9.2 时间序列预测

9.1 循环神经网络概述

第 9 章 不定长文本识别

8.3 小结

8.2 GAN

8.1 AutoEncoder

第 8 章 图像压缩

7.6 小结

7.5 图像搜索

7.4 模型训练

7.3 数据处理

7.2 深度学习人脸识别技术

7.1 分类网络的特征

第 7 章 图像搜索

6.7 小结

6.6 像素级回归问题：超分辨率重建

6.5 智能弹幕

6.4 模型展示

6.3 模型训练

6.2 模型搭建

6.1 数据加载

第 6 章 图像分割

5.7 小结

5.6 模型预测

5.5 模型搭建与训练

5.4 数据标记与损失函数构建

5.3 数据加载

5.2 数据集构建

5.1 深度学习物体检测算法

第 5 章 目标检测

4.3 小结

4.2 卷积神经网络中的回归问题

4.1 卷积神经网络中的分类问题

第 4 章 卷积神经网络中的分类与回归

3.14 小结

3.13 机器视觉工具包torchvision

3.12 数据可视化TensorBoard

3.11 模型迁移ONNX

3.10 JIT编译器

3.9 模型持久化

3.8 参数初始化init

3.7 模型优化器optim

3.6 神经网络工具包

3.5 数据加载

3.4 自动求导

3.3 运算基本单元

3.2 环境配置

3.1 框架介绍

第 3 章 深度学习与PyTorch

2.5 小结

2.4 图像搜索

2.3 图像分割

2.2 目标检测

2.1 图像分类

第 2 章 传统图像处理方法

1.9 小结

1.8 模型持久化

1.7 模型验证

1.6 降维

1.5 聚类

1.4 回归

1.3 分类

1.2 数据集

1.1 sklearn环境配置

第 1 章 机器学习与sklearn

前言

版权信息

封面

封面

版权信息

前言

第 1 章 机器学习与sklearn

1.1 sklearn环境配置

1.2 数据集

1.3 分类

1.4 回归

1.5 聚类

1.6 降维

1.7 模型验证

1.8 模型持久化

1.9 小结

第 2 章 传统图像处理方法

2.1 图像分类

2.2 目标检测

2.3 图像分割

2.4 图像搜索

2.5 小结

第 3 章 深度学习与PyTorch

3.1 框架介绍

3.2 环境配置

3.3 运算基本单元

3.4 自动求导

3.5 数据加载

3.6 神经网络工具包

3.7 模型优化器optim

3.8 参数初始化init

3.9 模型持久化

3.10 JIT编译器

3.11 模型迁移ONNX

3.12 数据可视化TensorBoard

3.13 机器视觉工具包torchvision

3.14 小结

第 4 章 卷积神经网络中的分类与回归

4.1 卷积神经网络中的分类问题

4.2 卷积神经网络中的回归问题

4.3 小结

第 5 章 目标检测

5.1 深度学习物体检测算法

5.2 数据集构建

5.3 数据加载

5.4 数据标记与损失函数构建

5.5 模型搭建与训练

5.6 模型预测

5.7 小结

第 6 章 图像分割

6.1 数据加载

6.2 模型搭建

6.3 模型训练

6.4 模型展示

6.5 智能弹幕

6.6 像素级回归问题：超分辨率重建

6.7 小结

第 7 章 图像搜索

7.1 分类网络的特征

7.2 深度学习人脸识别技术

7.3 数据处理

7.4 模型训练

7.5 图像搜索

7.6 小结

第 8 章 图像压缩

8.1 AutoEncoder

8.2 GAN

8.3 小结

第 9 章 不定长文本识别

9.1 循环神经网络概述

9.2 时间序列预测

9.3 CRNN模型

9.4 小结

第 10 章 神经网络压缩与部署

10.1 剪枝

10.2 量化

10.3 混合精度训练

10.4 深度学习模型的服务端部署

10.5 小结

作者简介