前言 机器学习、深度学习和人工智能是近几年持续热门的话题，尤其是OpenAI公司的ChatGPT聊天机器人一上线，便把人工智能推向了一个新的热度。深度学习其实并不是一门全新的学科，其历史可以追溯到20世纪40年代，其背后的核心技术包括神经网络的结构设计和优化方法等。深度学习是一门应用性极强的工程技术，初学者要想掌握好这门技术，不仅需要进行系统的理论知识学习，而且还要紧随理论进行全面实践。 对于我国而言，人工智能俨然已经成为国家高科技发展的重中之重，近几年有数百所高等院校陆续开设了人工智能类专业。当前，令人瞩目的是以深度学习为代表的无监督特征学习技术在图像识别、语音识别和自然语言处理等领域频频取得新的突破，这促使我国数以千计的人工智能类科技公司得到了快速发展。 笔者在8年前就投身人工智能领域，从事图像识别方面的工作。在此期间，笔者多以深度学习技术为基础进行相关项目的开发，积累了大量的经验，而且还持续运营微信公众号“有三AI”，推出了数百篇与人工智能相关的文章，帮助大量读者了解和学习人工智能相关技术及发展趋势。 笔者曾在2019年5月出版了《深度学习之图像识别：核心技术与案例实战》，迄今已经5次印刷，销量超过万册，被众多读者所认可。只是这是笔者第一次执笔写作，当时笔者还在互联网公司上班，时间非常紧，加之自身能力不足，所写内容还不算太成熟和完备，仍然有大量可以改进、扩展和深入的空间。近几年，笔者进一步对相关技术进行了潜心研究和实践，对基于深度学习的图像识别技术有了更加深入和全面的认识，技术能力突飞猛进，其间还写作并出版了几本人工智能技术图书，还与大量读者和技术爱好者进行过多次线上和线下交流，并在各大平台上进行过多场直播，收集了大量的反馈和建议，因此笔者觉得有必要重新写一本书，以便与各位读者和技术爱好者分享更新、更系统、更细致和更深入的计算机视觉技术。于是笔者于2022年开始动笔，经过大半年的编写，终于完成了本书的写作。 本书首先从深度学习的背景和基础理论知识讲起，然后介绍深度学习中数据的使用，以及计算机视觉涉及的三大核心领域—图像分类、图像分割和目标检测，最后介绍深度学习模型的可视化、优化和部署等知识。 本书内容全面，理论结合实践，讲解由浅入深，图文并茂，尽可能地抛开过多的数学理论，将重点放在基于深度学习的图像识别关键技术与应用上，从而降低学习难度。本书紧随工业界和学术界计算机视觉技术的新近发展，带领读者全面、系统地了解并掌握相关技术。相信通过阅读本书，读者能够对相关知识有更加全面和深入的理解。 本书特色 相比前书，本书基本沿袭了《深度学习之图像识别：核心技术与案例实战》的内容架构，但在具体内容和风格上有很大的变化，主要体现在以下几个方面： 印刷更精美—采用四色印刷，能更好地呈现图像的色彩和各种细节。 内容更全面、新颖—除了详细介绍神经网络和深度学习的理论知识、数据使用方法，以及深度学习在图像分类、图像分割和目标检测三大领域的关键技术与应用外，还会介绍模型的可视化、优化与部署等知识，并重点突出新近研究成果，给出多个重要领域的应用实践代码。 内容更深入—在对内容进行横向扩展的同时，还会进一步从纵向挖掘，力争把知识讲深、讲透。 讲解更准确、细致—对涉及的概念和算法等理论知识给出更加准确的描述，并通过大量的示意图、表格和详细的步骤呈现技术细节。 框架更流行、易用—涉及的所有案例均采用更加流行和易用的PyTorch框架实现，更容易上手。 理论和实践结合更紧密，案例更典型—不仅对理论知识进行阐述，而且结合多个更加切合实际开发的典型案例进行实践，学习效果更好。 编排更合理—章节安排更加合理，更加符合读者的学习和认知规律。 本书内容 第1章神经网络与卷积神经网络基础，首先介绍神经网络的生物基础与数学模型，然后介绍卷积神经网络的基础知识，为后续学习深度学习模型打好基础。 第2章深度学习优化基础，首先介绍激活函数、参数初始化、标准化、最优化、正则化等与深度学习优化相关的知识，然后介绍Caffe、TensorFlow和PyTorch等开源框架的优缺点，旨在让读者对深度卷积神经网络优化有较为全面的认识，为后续学习打好基础。 第3章深度学习中的数据使用方法，首先介绍深度学习发展中的几个数据集，尤其是几个较为重要的数据集，然后介绍数据的收集、整理与标注方法，以及数据增强和可视化等相关知识。本章内容对工业项目开发非常重要，实践性较强。 第4章图像分类，首先介绍图像分类的基础知识，如单标签图像分类和图像分类经典模型等，然后详细介绍图像分类的几个重点研究领域，如多类别图像分类、细粒度图像分类、多标签图像分类、半监督与无监督图像分类、零样本图像分类等，接着以从零开始搭建图像分类模型和准备数据集为例，展示实现一个完整的工业级图像分类任务的流程，最后介绍一个细粒度级别的图像分类任务，以一个较好的基准模型，展示较复杂的图像分类任务的特点以及模型训练与调优方法。 第5章目标检测，首先介绍目标检测的基础知识和基本流程，并讲述一个经典的V-J目标检测框架，然后介绍基于深度学习的目标检测任务的研究方法与发展现状，并重点总结二阶段目标检测方法与一阶段目标检测方法，最后给出一个目标检测任务进行实践，即使用当前较为主流的YOLO系列中的YOLO v3框架进行模型的训练与测试。 第6章图像分割，首先介绍图像分割的研究方向，并简单地回顾经典的图像分割方法与评估指标等，然后重点介绍基于深度学习的图像分割方法的基本原理与核心技术，并总结语义分割、Image Matting和实例分割的相关模型，接着以从零开始搭建图像分割模型和准备数据集为例，展示实现一个完整的工业级图像分割任务的流程，最后介绍一个更加复杂的人像软分割任务，展示典型的Image Matting框架的代码实现与模型训练方法。 第7章模型可视化，首先介绍深度学习中的模型可视化基础知识，然后介绍具有代表性的模型可视化分析方法，接着结合案例分别对梯度法可视化、反卷积可视化和激活热图可视化方法进行代码分析与实践。 第8章模型压缩，首先介绍轻量级模型设计的典型方法，然后详细介绍模型剪枝、模型量化和模型蒸馏的相关知识，最后结合案例介绍基于缩放因子的结构化模型剪枝、基于KL散度的8bit模型量化及经典的知识蒸馏框架的代码实现、模型训练和压缩方法。 第9章模型部署与上线，依托微信小程序平台从两个方面介绍模型部署的相关知识。首先介绍微信小程序的前端开发，然后介绍微信小程序的服务端开发，以及服务端算法功能代码的实现方法，从而完成一个可供验证的工业级线上模型的部署。 配书资源获取方式 本书涉及的源代码文件和数据集需要读者自行下载。读者可在清华大学出版社网站（www.tup.com.cn）搜索到本书，然后找到页面上的“资源下载”模块，单击“网络资源”按钮进行下载即可。另外，读者也可在“有三AI”社区的开源GitHub上进行下载，网址为https://github.com/longpeng2008/yousan.ai，或者关注微信公众号“方大卓越”，回复“图像识别yys”，即可获取下载链接。 读者对象 深度学习技术爱好者与研究者； 基于深度学习的图像识别人员； 计算机视觉技术爱好者与从业人员； 高等院校相关专业的学生与老师； 相关培训机构的学生与老师。 售后支持 限于笔者水平，书中可能还存在一些疏漏和不足之处，敬请各位读者批评与指正。阅读本书时如果有疑问，可以通过电子邮件（bookservice2008@163.com）获取帮助。 致谢 感谢南京邮电大学的博士生尤帅！在本书的编写过程中，他协助笔者绘制了一些图表，并审阅和校正了部分内容。 感谢广大读者和技术爱好者！他们给笔者提供了已出版图书的阅读反馈和建议，这对笔者写作本书非常有价值。 最后感谢参与本书出版的各位编辑！没有他们的辛苦与努力，就不会有本书的高质量出版。 言有三

• 暂无课件
• 样章下载
• 网络资源

扫描二维码
下载APP了解更多

版权图片链接