本書介紹了深度學習及計算機視覺中基礎的知識，并結合常見的應用場景和大量實例，帶領讀者進入豐富多彩的計算機視覺領域。作為一本“原理 實踐”教程，本書在講解原理的基礎上，通過有趣的實例帶領讀者一步步親自動手，不斷提高動手能力，而不是枯燥和深奧原理的堆砌。
全書共13章，分為2篇。第1篇基礎知識，介紹了人工智能發展歷程、計算機視覺概要、深度學習和計算機視覺中的基礎數學知識、神經網絡及其相關的機器學習基礎、卷積神經網絡及其一些常見結構，后對前沿的趨勢進行了簡單探討。第2篇實例精講，介紹了Python基礎、OpneCV基礎、簡單的分類神經網絡、圖像識別、利用Caffe做回歸、遷移學習和模型微調、目標檢測、度量學習和圖像風格遷移等常見的計算機視覺應用場景。本書從第5章開始包含很多有趣和實用的代碼示例。從第7章開始的所有實例都基于當前流行的深度學習框架Caffe和MXNet，其中包含作者原創的大量代碼和搜集的數據，這些代碼和作者訓練好的部分模型已分享到本書github頁面上供讀者自行下載。
本書適合對人工智能、機器學習、深度學習和計算機視覺感興趣的讀者閱讀。閱讀本書要求讀者具備一定的數學基礎和基本的編程能力，并需要讀者了解Linux的基本使用。
一分鐘了解本書精華內容
引言
深度學習和計算機視覺中的基礎數學知識
神經網絡和機器學習基礎
深度卷積神經網絡
Python基礎
OpenCV基礎
Hello World!
簡單的圖片分類——手寫數字識別
利用Caffe做回歸
遷移學習和模型微調
目標檢測
度量學習
圖像風格遷移
西門子高級研究員田疆博士作序力薦！Google軟件工程師呂佳楠力、英偉達高級工程師華遠志、理光軟件研究院研究員鐘誠博士力薦！
作者擁有超過5年的機器學習研發經驗，目前在專注于深度學習和計算機視覺算法的研發。
西門子高級研究員田疆博士作序力薦！Google軟件工程師呂佳楠、英偉達高級工程師華遠志、理光軟件研究院研究員鐘誠博士力薦！
注重原理和上手實戰，讓讀者不僅能理解算法背后的思想，還能具備獨立開發基于深度學習的計算機視覺算法的能力。
原理講解通俗易懂，能通過圖文定性講解的就盡量不用公式，不可避免要用公式的地方盡量讓公式作為圖文講解的輔助手段。
結合常見的應用場景，通過大量有趣、實用的實例和原創代碼，帶領讀者一步步親自動手，不斷提高動手能力。
從第7章開始的所有實例都基于當前流行的深度學習框架Caffe和MXNet，其中包含了作者原創的大量代碼和搜集的數據。
葉韻
2007年7月畢業于北京大學信息科學技術學院，獲學士學位。2011年4月獲得了美國亞利桑那州立大學的電氣工程博士學位。擁有超過5年的機器學習研發經驗。目前在京東專注于深度學習和計算機視覺算法的研發。加入京東前，曾先后在ProPlus Design Solutions硅谷和北京研發中心任職研發經理，負責統計建模和機器學習算法的研發。后加入西門子中國研究院擔任研究員，專注于計算影像和計算機視覺的研究。
序言
前言
第1篇 基礎知識
第1章 引言 2
1.1 人工智能的新焦點——深度學習 2
1.1.1 人工智能——神話傳說到影視漫畫 2
1.1.2 人工智能的誕生 3
1.1.3 神經科學的研究 4
1.1.4 人工神經網絡的興起 5
1.1.5 神經網絡的及時次寒冬 6
1.1.6 神經網絡的及時次復興 8
1.1.7 神經網絡的第二次寒冬 9
1.1.8 2006年——深度學習的起點 10
1.1.9 生活中的深度學習 11
1.1.10 常見深度學習框架簡介 12
1.2 給計算機一雙眼睛——計算機視覺 14
1.2.1 計算機視覺簡史 14
1.2.2 2012年——計算機視覺的新起點 16
1.2.3 計算機視覺的應用 17
1.2.4 常見計算機視覺工具包 19
1.3 基于深度學習的計算機視覺 19
1.3.1 從ImageNet競賽到AlphaGo戰勝李世石——計算機視覺超越人類 19
1.3.2 GPU和并行技術——深度學習和計算視覺發展的加速器 21
1.3.3 基于卷積神經網絡的計算機視覺應用 22
第2章 深度學習和計算機視覺中的基礎數學知識 27
2.1 線性變換和非線性變換 27
2.2 概率論及相關基礎知識 43
2.3 維度的詛咒 50
2.4 卷積 66
2.5 數學優化基礎 71
第3章 神經網絡和機器學習基礎 87
3.1 感知機 87
3.2 神經網絡基礎 89
3.3 后向傳播算法 95
3.4 隨機梯度下降和批量梯度下降 104
3.5 數據、訓練策略和規范化 108
3.6 監督學習、非監督學習、半監督學習和強化學習 117
第4章 深度卷積神經網絡 120
4.1 卷積神經網絡 120
4.2 LeNet——及時個卷積神經網絡 132
4.3 新起點——AlexNet 133
4.4 更深的網絡——GoogLeNet 136
4.5 更深的網絡——ResNet 142
第2篇 實例精講
第5章 Python基礎 148
5.1 Python簡介 148
5.2 Python基本語法 150
5.3 Python的科學計算包——NumPy 167
5.4 Python的可視化包——matplotlib 175
第6章 OpenCV基礎 182
6.1 OpenCV簡介 182
6.2 Python-OpenCV基礎 184
6.3 用OpenCV實現數據增加小工具 193
6.4 用OpenCV實現物體標注小工具 203
第7章 Hello World! 212
7.1 用MXNet實現一個神經網絡 212
7.2 用Caffe實現一個神經網絡 219
第8章 最簡單的圖片分類——手寫數字識別 227
8.1 準備數據——MNIST 227
8.2 基于Caffe的實現 228
8.3 基于MXNet的實現 242
第9章 利用Caffe做回歸 249
9.1 回歸的原理 249
9.2 預測隨機噪聲的頻率 250
第10章 遷移學習和模型微調 264
10.1 吃貨必備——通過Python采集美食圖片 264
10.2 美食分類模型 271
第11章 目標檢測 288
11.1 目標檢測算法簡介 288
11.2 基于PASCAL VOC數據集訓練SSD模型 296
第12章 度量學習 304
12.1 距離和度量學習 304
12.2 用MNIST訓練Siamese網絡 307
第13章 圖像風格遷移 317
13.1 風格遷移算法簡介 317
13.2 MXNet中的圖像風格遷移例子 320
這本書廣泛而翔實地介紹了深度學習的方方面面，并且由淺入深地闡釋了經典CNN算法。作者語言風趣、幽默，對于那些對深度學習充滿興趣，想躍躍欲試的入門讀者而言，是一本極好的參考讀物。
——華遠志 NVIDIA(英偉達)公司高級工程師
Codelab是Google工程師文化的重要組成部分，有經驗的程序員理論結合實踐，將新技術和新工具用實例的方式加以介紹。無論是Noogler還是Senior Googler，面對Google龐雜的內部技術，正是Codelab使大家能夠快速無師自通。葉博士的這本“實戰”正是機器學習各領域的一個個高質量的Codelab，是作者多年來摸索積累的手經驗的總結。對于善于學習推廣的程序員，一定可以在學習Deep Learning的路上發現此書大有助益，事半功倍。
——呂佳楠 Google 公司軟件工程師
本書對時下熱門的深度學習技術從多個視角進行了細致剖析。從深度學習理論在AI領域的進化史，到深度學習理論的數學基礎，再到利用工具快速構建深度學習模型，書中都有深入淺出的講解。書中描述了深度學習技術在計算機視覺各個領域的應用，內容而豐富，示例通俗易懂，是一本帶領工程人員深入理解深度學習技術的實用寶典。
——鐘誠 博士，理光軟件研究院研究員
還不錯 包裝好 印刷正 紙質好
確實不錯！專業很強
正在學習中
好用實惠，質量很好，值得購買劃算超值。
入門級書籍
非常有幫助
可以，挺不錯
很好很實用
這是我看的第二本深度學習書籍，翻看一下里面內容不少！希望自己看完有所深度理解
