中图网

>

图形图像多媒体

深度学习与图像处理(PADDLEPADDLE版)

作者：钱彬朱会杰晋军伟著

出版社：清华大学出版社出版时间：2024-10-01

开本：其他页数： 304

本类榜单：计算机/网络销量榜

中图价:¥52.4(7.5折) 定价 ~~¥69.9~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥52.4 加入购物车

版权信息
本书特色
内容简介
目录

深度学习与图像处理(PADDLEPADDLE版) 版权信息

ISBN：9787302673774
条形码：9787302673774 ; 978-7-302-67377-4
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
图形图像多媒体

深度学习与图像处理(PADDLEPADDLE版) 本书特色

(1) 理实结合，强调实用。本书以基础知识点精讲与实战开发案例相结合的方式，由浅入深地带领读者掌握深度学习与图像处理开发的原理和技术。
(2) 实战开发，案例丰富。手把手带领读者完成8个完整工程项目案例开发，并对其采用的算法原理进行详解，同时提供源代码和数据集,便于读者复现。
(3) 内容翔实，讲解全面。部署方案齐全且详细，涵盖Jetson Nano边缘计算、树莓派嵌入式、Qt客户端、C#工控程序、安卓App、HTTP微服务等。

深度学习与图像处理(PADDLEPADDLE版) 内容简介

"本书基于国产开源深度学习框架PaddlePaddle进行编写，全面、系统地介绍了PaddlePaddle在数字图像处理中的各种技术及应用，书中项目实例全部采用动态图版本实现。全书共8章，分别介绍了基于深度学习的图像分类、目标检测、语义分割、实例分割、关键点检测、风格迁移等内容，所有知识点均通过实际项目进行串联，旨在帮助读者在掌握基本深度学习算法原理的基础上，扩展项目实操能力，达到学以致用的效果。本书可作为全国高等学校计算机、人工智能等专业的“深度学习”课程教材，主要面向相关领域的教师、在读学生和科研人员，以及从事深度学习与图像处理的工程技术人员和爱好者。 "

深度学习与图像处理(PADDLEPADDLE版) 目录

第1部分基础知识第1章图像处理基础 1.1图像处理的基本概念 1.1.1模拟图像和数字图像 1.1.2数字图像常见类型 1.1.3应用方向 1.2图像处理基本操作 1.2.1安装OpenCV 1.2.2图像读取、保存和可视化 1.2.3像素操作 1.2.4图像转换 1.2.5图像缩放 1.2.6图像裁剪 1.2.7翻转和旋转 1.3图像卷积和滤波 1.3.1线性滤波与卷积 1.3.2常见卷积核 1.4综合案例应用: 基于OpenCV的自动驾驶小车 1.4.1任务概述 1.4.2安装仿真平台 1.4.3车道线检测 1.4.4动作控制 1.5小结第2章深度学习基础 2.1深度学习概述 2.1.1人工智能、机器学习和深度学习 2.1.2深度学习起源和发展 2.1.3深度学习框架 2.2环境安装 2.2.1安装说明 2.2.2Windows平台 2.2.3Ubuntu平台 2.2.4AI Studio平台 2.3PaddlePaddle基础 2.3.1Tensor表示 2.3.2Tensor计算 2.3.3自动求梯度 2.4PaddlePaddle实现机器学习: 线性回归投资预测 2.4.1问题定义 2.4.2导数法 2.4.3梯度下降法 2.5PaddlePaddle实现深度学习: 自动驾驶小车控制 2.5.1卷积神经网络基础 2.5.2算法原理 2.5.3数据采集 2.5.4数据读取 2.5.5网络模型 2.5.6损失函数 2.5.7优化算法 2.5.8模型训练 2.5.9模型验证 2.5.10模型集成 2.6小结第2部分案例应用第3章图像分类(智能垃圾分拣器) 3.1任务概述 3.1.1任务背景 3.1.2安装PaddleClas套件 3.2算法原理 3.2.1VGG算法 3.2.2ResNet算法 3.2.3MobileNet算法 3.3算法研发 3.3.1数据集准备 3.3.2算法训练 3.4Jetson Nano智能终端部署(Linux GPU推理) 3.4.1部署工具FastDeploy介绍 3.4.2Jetson Nano上Python推理 3.4.3Jetson Nano上C 推理 3.5小结第4章目标检测(二维码扫码枪) 4.1任务概述 4.1.1任务背景 4.1.2安装PaddleDetection套件 4.2算法原理 4.2.1目标检测常用概念 4.2.2RCNN算法 4.2.3Fast RCNN算法 4.2.4Faster RCNN算法 4.2.5YOLO v3算法 4.2.6PicoDet算法 4.3算法研发 4.3.1目标检测数据集常用格式介绍 4.3.2使用Labelme制作自己的二维码检测数据集 4.3.3Labelme格式转换成COCO格式 4.3.4算法训练 4.4树莓派开发板部署(Linux CPU推理) 4.4.1树莓派上Python推理 4.4.2树莓派上C 推理 4.5小结第5章语义分割(证件照制作工具) 5.1任务概述 5.1.1任务背景 5.1.2安装PaddleSeg套件 5.2算法原理 5.2.1FCN算法 5.2.2UNet算法 5.2.3HRNet算法 5.2.4OCRNet算法 5.3算法研发 5.3.1数据集准备 5.3.2使用Labelme制作自己的语义分割数据集 5.3.3算法训练 5.4Qt C 桌面客户端部署(Windows CPU推理) 5.4.1Qt基础示例程序介绍 5.4.2配置并导入FastDeploy库 5.4.3编写算法推理模块 5.4.4集成依赖库和模型 5.5小结第6章实例分割(肾小球影像分析仪) 6.1任务概述 6.1.1任务背景 6.1.2实例分割概述 6.2算法原理 6.3算法研发 6.3.1数据集准备 6.3.2算法训练 6.4C#工控程序部署(Windows GPU推理) 6.4.1生成C 示例工程 6.4.2编译C 动态链接库 6.4.3编写C#工程 6.5小结第7章关键点检测(身份证识读App) 7.1任务概述 7.1.1任务背景 7.1.2关键点检测概述 7.2PPTinyPose算法原理 7.2.1LiteHRNet骨干网络算法 7.2.2数据增强算法 7.2.3分布感知坐标表示方法 7.2.4无偏数据处理 7.3算法研发 7.3.1数据集准备 7.3.2算法训练 7.4移动端部署(安卓Java推理) 7.4.1安卓基础示例程序 7.4.2配置FastDeploy库 7.4.3编写推理模块 7.5小结第8章风格迁移(照片动漫化在线转换网站) 8.1任务概述 8.1.1任务背景 8.1.2安装PaddleGAN套件 8.2算法原理 8.2.1GAN算法 8.2.2DCGAN算法 8.2.3AnimeGAN算法 8.3算法研发 8.3.1数据集准备 8.3.2训练 8.4微服务部署(FastDeploy Serving推理) 8.4.1准备Docker环境 8.4.2部署服务 8.4.3微服务开发 8.5小结后记

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐