TensorFlow是谷歌公司开发的深度学习框架，也是目前深度学习的主流框架之一。
电子书
编辑推荐
适读人群 ：第一、打算学习并入门AI技术的高中、大中专、职高以及本科学生。 第二、在各传统行业中，如农业、可再生资源、制造业及工业控制等，希望应用AI目标检测算法解决本行业问题的工程技术人员。 第三、已经进入AI行业，但非AI算法工程师，希望自己动手亲自体验并学习AI技术的从业人员，如标注工程师、销售工程师、售后工程师、市场经理或产品经理等。
1. 人工智能专家教您利用深度学习技术快速落地图像识别项目。
2. 英特尔物联网事业部中国总经理陈伟博士倾力推荐。
3. 附赠超过4GB的案例素材资料包。
内容简介
《深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO工具套件》首先讲述了人工智能、深度学习、卷积神经网络、目标检测以及迁移学习的概念，接着详述了如何基于TensorFlow Object Detection API框架从零开始搭建深度学习目标检测应用的开发环境，如何训练自己的目标检测模型，然后详述了如何基于OpenVINO工具套件优化模型、部署模型以及用C和Python开发用户应用程序。然后通过工业光学字符自动识别、垃圾瓶自动分选、农作物病害自动识别和工业产品外观缺陷检测4个完整的深度学习目标检测工程案例来帮助读者加深深度学习图形检测的认识和理解。
《深度学习图像识别技术：基于TensorFlow Object Detection API和OpenVINO工具套件》适合从事AI行业相关技术的工程师阅读，也适合打算进入AI行业的大中专院校的学生学习参考。
章节目录
- 封面
- 前折页
- 书名页
- 版权页
- 序
- 前言
- 目录
- 第1章 人工智能、深度学习与目标检测
- 1.1 人工智能简介
- 1.1.1 什么是人工智能
- 1.1.2 人工智能发展简史
- 1.1.3 人工智能与深度学习的关系
- 1.2 深度学习简介
- 1.2.1 神经网络
- 1.2.2 神经元
- 1.2.3 深度神经网络
- 1.2.4 深度卷积神经网络
- 1.3 目标检测
- 1.3.1 目标检测算法发展简史
- 1.3.2 深度学习目标检测算法
- 1.4 迁移学习简介
- 1.4.1 训练深度学习模型依赖大数据
- 1.4.2 大数据造成的问题
- 1.4.3 迁移学习
- 1.4.4 TensorFlow预训练模型库
- 1.5 本章小结
- 第2章 搭建深度学习开发环境
- 2.1 深度学习训练所需的硬件
- 2.1.1 英伟达显卡选型
- 2.1.2 英伟达显卡驱动安装
- 2.1.3 测试驱动程序安装
- 2.1.4 设置英特尔®集成显卡为系统主显示输出
- 2.1.5 AINUC：便携式AI训练“服务器”
- 2.2 深度学习开发环境所需的软件
- 2.3 安装Python和Anaconda
- 2.3.1 Python和Anaconda简介
- 2.3.2 下载并安装Anaconda
- 2.3.3 测试Anaconda安装
- 2.3.4 配置Anaconda软件包下载服务器
- 2.3.5 配置虚拟环境tf_gpu
- 2.3.6 Anaconda的进阶学习
- 2.4 安装Visual Studio Code
- 2.4.1 Visual Studio Code简介
- 2.4.2 安装
- 2.4.3 在Visual Studio Code中编辑Python代码
- 2.4.4 在Visual Studio Code中运行Python代码
- 2.4.5 在Visual Studio Code中调试Python代码
- 2.4.6 在Visual Studio Code安装Pylint
- 2.4.7 在Visual Studio Code中一键美化Python代码
- 2.5 安装TensorFlow
- 2.5.1 TensorFlow简介
- 2.5.2 下载并安装
- 2.5.3 测试安装
- 2.5.4 pip install与conda install
- 2.6 安装Git工具
- 2.6.1 Git简介
- 2.6.2 下载并安装
- 2.6.3 测试安装
- 2.7 安装TensorFlow Object Detection API框架
- 2.7.1 TensorFlow Object Detection API简介
- 2.7.2 下载并安装
- 2.7.3 安装依赖的python软件包
- 2.7.4 配置环境变量
- 2.7.5 安装COCO API
- 2.7.6 编译proto文件
- 2.7.7 测试安装
- 2.8 安装LabelImg
- 2.8.1 LabelImg简介
- 2.8.2 下载并安装
- 2.8.3 测试安装
- 2.9 本章小结
- 第3章 训练模型
- 3.1 TensorFlow Object Detection API框架简介
- 3.2 使用TensorFlow预训练模型
- 3.2.1 如何选择预训练模型
- 3.2.2 预训练模型的文件构成
- 3.2.3 一个典型的深度学习训练流程
- 3.3 准备图片：下载猫狗数据集
- 3.3.1 Kaggle数据集下载流程
- 3.3.2 训练图片的数量问题
- 3.3.3 训练图片的样本不平衡问题
- 3.4 使用LabelImg标注图片
- 3.4.1 LabelImg简介
- 3.4.2 建立猫狗项目文件夹结构
- 3.4.3 标注图片
- 3.4.4 标注文件（*.xml）简介
- 3.4.5 复制10%的数据到eval文件夹
- 3.4.6 复制数据到test文件夹
- 3.5 依据标注类型创建标签映射文件
- 3.6 创建TensorFlow TFRecord文件
- 3.6.1 将*.xml文件转换为*.csv文件
- 3.6.2 将*.csv文件转换为*.tfrecord文件
- 3.7 修改预训练模型的配置文件
- 3.7.1 预训练模型的配置文件
- 3.7.2 配置文件的结构
- 3.7.3 修改ssd_inception_v2_coco.config配置文件
- 3.8 训练模型
- 3.9 使用TensorBoard观察训练过程
- 3.9.1 什么是TensorBoard
- 3.9.2 TensorBoard的使用方法
- 3.10 评估训练好的模型
- 3.11 导出训练好模型的冻结图
- 3.11.1 检查点文件
- 3.11.2 冻结TensorFlow模型
- 3.12 用训练好的冻结图模型做目标检测
- 3.13 用Python程序一键训练模型
- 3.13.1 为新项目一键创建文件夹结构
- 3.13.2 一键训练模型
- 3.14 本章小结
- 第4章 优化并部署模型
- 4.1 OpenVINOTM工具套件简介
- 4.2 OpenVINOTM典型开发流程
- 4.3 安装OpenVINOTM工具套件
- 4.3.1 版本选择
- 4.3.2 系统要求
- 4.3.3 下载并安装OpenVINOTM工具套件
- 4.4 安装CMake
- 4.5 安装Microsoft Visual Studio 2017
- 4.6 安装硬件驱动
- 4.6.1 英特尔®显卡驱动
- 4.6.2 英特尔®神经计算棒二代驱动
- 4.6.3 英特尔®视觉计算加速卡驱动
- 4.7 设置环境变量
- 4.8 运行演示程序
- 4.8.1 demo_benchmark_app.bat
- 4.8.2 demo_security_barrier_camera.bat
- 4.8.3 demo_squeezenet_download_convert_run.bat
- 4.9 编译并运行Inference Engine范例和演示程序
- 4.9.1 编译samples文件夹中的范例
- 4.9.2 编译demos文件夹中的范例
- 4.9.3 从Open Model Zoo中下载预训练模型
- 4.9.4 下载英特尔®范例视频
- 4.9.5 运行预训练模型
- 4.10 使用Model Optimizer优化模型
- 4.10.1 转换TensorFlow*Object Detection API模型
- 4.10.2 用OpenVINOTM工具套件范例程序测试IR模型
- 4.10.3 用OpenVINOTM工具套件演示程序测试IR模型
- 4.11 编写OpenVINOTM应用程序
- 4.11.1 Inference Engine简介
- 4.11.2 Inference Engine Plugin构架
- 4.11.3 Inference Engine应用程序典型开发流程
- 4.11.4 查看模型的输入和输出张量
- 4.12 OpenVINOTMAI推理计算C++范例
- 4.12.1 设置环境变量和Visual Studio项目属性
- 4.12.2 开发AI推理计算C++应用程序
- 4.12.3 切换AI推理计算硬件
- 4.13 OpenVINOTMAI推理计算Python范例
- 4.13.1 设置环境变量PYTHONPATH
- 4.13.2 开发AI推理计算Python应用程序（OpenCV版）
- 4.13.3 开发AI推理计算Python应用程序（OpenVINOTM版）
- 4.13.4 AI推理计算用Python还是C++？
- 4.14 本章小结
- 第5章 进一步提升AI推理计算性能
- 5.1 性能评价指标
- 5.2 同步和异步模式
- 5.2.1 同步模式范例
- 5.2.2 异步模式范例
- 5.3 多设备和异构插件
- 5.3.1 异构插件
- 5.3.2 多设备插件
- 5.4 本章小结
- 第6章 工业领域光学字符识别范例
- 6.1 项目背景
- 6.2 新建OCR项目工程文件夹
- 6.3 收集并标注图片
- 6.4 训练模型
- 6.5 导出TensorFlow冻结图模型
- 6.6 测试模型
- 6.7 基于OpenVINOTM工具套件优化并加速模型
- 6.8 基于OpenVINOTM工具套件部署模型
- 6.9 本章小结
- 第7章 垃圾瓶自动分选项目范例
- 7.1 项目背景
- 7.2 新建垃圾瓶分类项目工程文件夹
- 7.3 收集并标注图片
- 7.4 训练模型
- 7.5 导出TensorFlow冻结图模型
- 7.6 测试模型
- 7.7 基于OpenVINOTM工具套件优化并加速模型
- 7.8 基于OpenVINOTM工具套件部署模型
- 7.9 本章小结
- 第8章 农作物病虫害自动识别项目范例
- 8.1 项目背景
- 8.2 新建农作物病虫害自动识别项目工程文件夹
- 8.3 收集并标注图片
- 8.4 训练模型
- 8.5 导出TensorFlow冻结图模型
- 8.6 测试模型
- 8.7 基于OpenVINOTM工具套件优化并加速模型
- 8.8 基于OpenVINOTM工具套件部署模型
- 8.9 本章小结
- 第9章 深度学习外观缺陷检测项目范例
- 9.1 项目背景
- 9.2 新建外观缺陷检测项目工程文件夹
- 9.3 收集并标注图片
- 9.4 训练模型
- 9.5 导出TensorFlow冻结图模型
- 9.6 测试模型
- 9.7 基于OpenVINOTM工具套件优化并加速模型
- 9.8 基于OpenVINOTM工具套件部署模型
- 9.9 本章小结
- 参考文献
- 后折页
- 封底
展开全部
深度学习图像识别技术是2021年由机械工业出版社出版,作者张晶。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习图像识别技术》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
电子书
电子书
一本书入门计算机视觉，将深度学习理论融入视觉识别案例，搭建理论与实践的桥梁。
电子书
飞桨PaddlePaddle是百度推出的深度学习框架，不仅支撑了百度公司的很多业务和应用，而且随着其开源过程的推进，在其他行业得到普及和应用。
本书基于2019年7月4日发布的飞桨PaddlePaddle Fluid 1.5版本（后续版本会兼容旧版本），以真实案例介绍如何应用飞桨PaddlePaddle解决主流的深度学习问题。
本书适合对人工智能感兴趣的学生、从事机器学习相关工作的读者阅读，尤其适合想要通过飞桨PaddlePaddle掌握深度学习应用技术的研究者和从业者参考。
本书包括以下内容：
● 飞桨PaddlePaddle 的核心设计思想；
● PaddlePaddle在MNIST上进行手写数字识别；
● 图像分类网络实现案例；
● “天网”中目标检测和像素级物体分割的实现；
● NLP技术应用案例 ：word2vec、情感分析、语义角色标注及机器翻译；
● Paddle-Mobile与Anakin框架等高级主题；
● 飞桨PaddlePaddle与TensorFlow、Caffe框架的常用层对比。
电子书
深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。
电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例。
电子书
本书旨在介绍人工智能中深度学习的基础知识，为即将进入深度学习领域进行研究的读者奠定基础。全书共13章，其中，第1～4章为理论部分，第5～13章为应用部分。理论部分介绍了机器学习和深度学习的基本内容，以及TensorFlow开发框架的搭建和使用；应用部分设置了多个项目案例，并介绍了这些案例详细的实现步骤和代码，使读者在练习中熟悉和掌握相关知识的应用方法与技巧。本书采用项目驱动的编写方式，做到了理论和
电子书
深度学习扛鼎之作《Python深度学习》姊妹篇，前端工程师不可错过的AI入门书。
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
