دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: 1 نویسندگان: Michael Avendi سری: ISBN (شابک) : 1838644830, 9781838644833 ناشر: Packt Publishing سال نشر: 2020 تعداد صفحات: 355 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 23 مگابایت
کلمات کلیدی مربوط به کتاب کتاب آشپزی PyTorch Computer Vision: بیش از 70 دستور العمل برای حل مشکلات بینایی کامپیوتری و پردازش تصویر با استفاده از PyTorch 1.x: بینایی کامپیوتر، ویدئو، پایتون، شبکههای متخاصم مولد، طبقهبندی، آموزش انتقال، کتاب آشپزی، بهترین روشها، PyTorch، تقسیمبندی تصویر، تشخیص اشیا
در صورت تبدیل فایل کتاب PyTorch Computer Vision Cookbook: Over 70 recipes to solve computer vision and image processing problems using PyTorch 1.x به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب کتاب آشپزی PyTorch Computer Vision: بیش از 70 دستور العمل برای حل مشکلات بینایی کامپیوتری و پردازش تصویر با استفاده از PyTorch 1.x نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
کشف راههای قدرتمند برای کشف الگوریتمهای یادگیری عمیق و حل مشکلات بینایی کامپیوتر در دنیای واقعی با استفاده از پایتون ویژگی های کلیدی حل مشکل ترین مسائل در CV با ترکیب قدرت یادگیری عمیق و شبکه های عصبی • بیشترین استفاده را از قابلیت های PyTorch 1.x برای انجام طبقه بندی تصاویر، تشخیص اشیا و موارد دیگر ببرید. • آموزش و استقرار مدل های یادگیری عمیق در سطح سازمانی برای برنامه های بینایی کامپیوتری توضیحات کتاب توسعه دهندگان می توانند با استفاده از تکنیک های بینایی کامپیوتری، درک سطح بالایی از تصاویر و ویدیوهای دیجیتال به دست آورند. با این کتاب، یاد خواهید گرفت که چگونه با استفاده از قدرت الگوریتمهای یادگیری عمیق، پیچیدهترین مسائل در بینایی کامپیوتر (CV) را حل کنید و از آخرین ویژگیهای PyTorch 1.x برای انجام انواع وظایف بینایی کامپیوتری استفاده کنید. این کتاب با مروری سریع بر کتابخانه PyTorch و مفاهیم کلیدی یادگیری عمیق شروع میشود، این کتاب چالشهای رایج و نه چندان رایجی را که هنگام انجام تشخیص تصویر، تقسیمبندی تصویر، شرحنویسی، تولید تصویر و بسیاری از وظایف دیگر با آن مواجه میشود، پوشش میدهد. شما این وظایف را با استفاده از معماریهای یادگیری عمیق مختلف مانند شبکههای عصبی کانولوشنال (CNN)، شبکههای عصبی تکراری (RNN)، حافظه کوتاهمدت (LSTM) و شبکههای متخاصم مولد (GAN) پیادهسازی خواهید کرد. با استفاده از رویکرد حل مسئله، هنگام تنظیم دقیق عملکرد مدل یا ادغام مدل در برنامه خود، هر مشکلی را که ممکن است با آن مواجه شوید، حل خواهید کرد. بهعلاوه، شما حتی با مقیاسگذاری مدل برای رسیدگی به حجمهای کاری بزرگتر و پیادهسازی بهترین شیوهها برای مدلهای آموزشی به طور کارآمد، مقابله خواهید کرد. در پایان این کتاب، شما قادر خواهید بود هر مشکلی را در رابطه با آموزش مدل های بینایی کامپیوتری موثر حل کنید. آنچه خواهید آموخت • با استفاده از PyTorch یک شبکه طبقه بندی تصاویر چند کلاسه را پیاده سازی کنید • نحوه تنظیم دقیق و تغییر فراپارامترها برای آموزش الگوریتم های یادگیری عمیق را بدانید • انجام وظایف مختلف CV مانند طبقه بندی، تشخیص و تقسیم بندی • پیاده سازی یک شبکه انتقال به سبک عصبی بر اساس CNN و مدل های از پیش آموزش دیده • با استفاده از شبکه های متخاصم مولد تصاویر جدید تولید کنید • پیاده سازی مدل های طبقه بندی ویدئویی بر اساس RNN و LSTM • بهترین شیوه ها را برای آموزش و استقرار الگوریتم های یادگیری عمیق برای برنامه های CV کشف کنید این کتاب برای چه کسی است متخصصان بینایی کامپیوتر، دانشمندان داده، مهندسان یادگیری عمیق و توسعه دهندگان هوش مصنوعی که به دنبال راه حل های سریع برای مشکلات بینایی کامپیوتری مختلف هستند، این کتاب را مفید خواهند یافت. دانش متوسط از مفاهیم بینایی کامپیوتر به همراه تجربه برنامه نویسی پایتون مورد نیاز است.
Discover powerful ways to explore deep learning algorithms and solve real-world computer vision problems using Python Key Features • Solve the trickiest of problems in CV by combining the power of deep learning and neural networks • Get the most out of PyTorch 1.x capabilities to perform image classification, object detection, and much more • Train and deploy enterprise-grade, deep learning models for computer vision applications Book Description Developers can gain a high-level understanding of digital images and videos using computer vision techniques. With this book, you'll learn how to solve the trickiest of problems in computer vision (CV) using the power of deep learning algorithms, and leverage the latest features of PyTorch 1.x to perform a variety of computer vision tasks. Starting with a quick overview of the PyTorch library and key deep learning concepts, the book covers common and not-so-common challenges faced while performing image recognition, image segmentation, captioning, image generation, and many other tasks. You'll implement these tasks using various deep learning architectures such as convolutional neural networks (CNNs), recurrent neural networks (RNNs), long-short term memory (LSTM), and generative adversarial networks (GANs). Using a problem-solution approach, you'll solve any issue you might face while fine-tuning the performance of the model or integrating the model into your application. Additionally, you'll even get to grips with scaling the model to handle larger workloads and implement best practices for training models efficiently. By the end of this book, you'll be able to solve any problem relating to training effective computer vision models. What you will learn • Implement a multi-class image classification network using PyTorch • Understand how to fine-tune and change hyperparameters to train deep learning algorithms • Perform various CV tasks such as classification, detection, and segmentation • Implement a neural-style transfer network based on CNN and pre-trained models • Generate new images using generative adversarial networks • Implement video classification models based on RNN and LSTM • Discover best practices for training and deploying deep learning algorithms for CV applications Who This Book Is For Computer vision professionals, data scientists, deep learning engineers, and AI developers looking for quick solutions for various computer vision problems will find this book useful. Intermediate knowledge of computer vision concepts along with Python programming experience is required.
Cover Title Page Copyright and Credits About Packt Contributors Table of Contents Preface Chapter 1: Getting Started with PyTorch for Deep Learning Technical requirements Installing software tools and packages How to do it... Installing Anaconda Installing PyTorch Verifying the installation Installing other packages How it works... Working with PyTorch tensors How to do it... Defining the tensor data type Changing the tensor's data type Converting tensors into NumPy arrays Converting NumPy arrays into tensors Moving tensors between devices How it works... See also Loading and processing data How to do it... Loading a dataset Data transformation Wrapping tensors into a dataset Creating data loaders How it works... Building models How to do it... Defining a linear layer Defining models using nn.Sequential Defining models using nn.Module Moving the model to a CUDA device Printing the model summary How it works... Defining the loss function and optimizer How to do it... Defining the loss function Defining the optimizer How it works... See also Training and evaluation How to do it... Storing and loading models Deploying the model How it works... There's more... Chapter 2: Binary Image Classification Exploring the dataset Getting ready How to do it... How it works... Creating a custom dataset How to do it... How it works... Splitting the dataset How to do it... How it works... Transforming the data How to do it... How it works... Creating dataloaders How to do it... How it works... Building the classification model How to do it... How it works... See also Defining the loss function How to do it... How it works... See also Defining the optimizer How to do it... How it works... See also Training and evaluation of the model How to do it... How it works... There's more... Deploying the model How to do it... How it works... Model inference on test data Getting ready How to do it... How it works... See also Chapter 3: Multi-Class Image Classification Loading and processing data How to do it... How it works... There's more... See also Building the model How to do it... How it works... There's more... See also Defining the loss function How to do it... How it works... See also Defining the optimizer How to do it... How it works... See also Training and transfer learning How to do it... How it works... See also Deploying the model How to do it... How it works... Chapter 4: Single-Object Detection Exploratory data analysis Getting ready How to do it... How it works... Data transformation for object detection How to do it... How it works... There's more... See also Creating custom datasets How to do it... How it works... Creating the model How to do it... How it works... Defining the loss, optimizer, and IOU metric How to do it... How it works... Training and evaluation of the model How to do it... How it works... Deploying the model How to do it... How it works... Chapter 5: Multi-Object Detection Creating datasets Getting ready How to do it... Creating a custom COCO dataset Transforming data Defining the Dataloaders How it works... Creating a YOLO-v3 model How to do it... Parsing the configuration file Creating PyTorch modules Defining the Darknet model How it works... Defining the loss function How to do it... How it works... Training the model How to do it... How it works... Deploying the model How to do it... How it works... See also Chapter 6: Single-Object Segmentation Creating custom datasets Getting ready How to do it... Data exploration Data augmentation Creating the datasets How it works... Defining the model How to do it... How it works... Defining the loss function and optimizer How to do it... How it works... Training the model How to do it... How it works... Deploying the model How to do it... How it works... Chapter 7: Multi-Object Segmentation Creating custom datasets How to do it... How it works... Defining and deploying a model How to do it... How it works... See also Defining the loss function and optimizer How to do it... How it works... Training the model How to do it... How it works... Chapter 8: Neural Style Transfer with PyTorch Loading the data Getting ready How to do it... How it works... Implementing neural style transfer How to do it... Loading the pretrained model Defining loss functions Defining the optimizer Running the algorithm How it works... See also Chapter 9: GANs and Adversarial Examples Creating the dataset How to do it... How it works... Defining the generator and discriminator How to do it... How it works... Defining the loss and optimizer How to do it... How it works... Training the models How to do it... How it works... See also Deploying the generator How to do it... How it works... Attacking models with adversarial examples Getting ready How to do it... Loading the dataset Loading the pre-trained model Implementing the attack How it works... There's more... Chapter 10: Video Processing with PyTorch Creating the dataset Getting ready How to do it... Preparing the data Splitting the data Defining the PyTorch datasets Defining the data loaders How it works... Defining the model How to do it... How it works... Training the model How to do it... How it works... Deploying the video classification model How to do it... How it works... Other Books You May Enjoy Index