计算机视觉深度学习的要素：探索深度神经网络架构、PyTorch、对象检测算法

Elements of Deep Learning for Computer Vision: Explore Deep Neural Network Architectures, PyTorch, Object Detection Algorithms

使用 PyTorch 和 Python 库在计算机视觉应用程序中概念化深度学习。

主要特点
● 涵盖各种计算机视觉项目，包括Yolo、Faster R-CNN 等人脸识别和物体识别。
● 包括神经网络的图形表示和插图，并教授如何对其进行编程。
● 包括微软、谷歌和牛津大学引入的深度学习技术和架构。

Description
Elements of Deep Learning for Computer Vision 提供了对深度学习的透彻理解，并在使用 PyTorch 等库时提供了高度准确的计算机视觉解决方案。

本书向您介绍深度学习，并解释了使用 Pytorch 理解神经网络的基本工作、开发和调整所需的所有概念。然后，本书使用两个库解决计算机视觉领域的问题，包括 OpenCV 和 PIL 的 Python 包装器/版本。在建立并理解了这两个主要概念之后，本书通过解释卷积神经网络 (CNN) 将它们结合在一起。使用顶级行业标准和研究进一步阐述了 CNN，以解释它们如何在图像和视频中提供复杂的对象检测，同时还解释了它们的评估。最后，本书解释了如何开发一个功能齐全的对象检测模型，包括它通过 API 的部署。

读完本书，您将充分了解深度学习在计算机视觉领域的作用以及设计深度学习解决方案的指导过程。

您将学到什么
● 了解深度学习的机制以及神经网络的运作方式。
● 学习开发高度准确的神经网络模型。
● 访问丰富的Python 库以应对计算机视觉挑战。
● 使用PyTorch 构建深度学习模型并学习如何使用API​​ 进行部署。
● 学习开发对象检测和人脸识别模型及其部署。