ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب PyTorch Computer Vision Cookbook: Over 70 recipes to solve computer vision and image processing problems using PyTorch 1.x

دانلود 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

PyTorch Computer Vision Cookbook: Over 70 recipes to solve computer vision and image processing problems using PyTorch 1.x

مشخصات کتاب

PyTorch Computer Vision Cookbook: Over 70 recipes to solve computer vision and image processing problems using PyTorch 1.x

دسته بندی: سایبرنتیک: هوش مصنوعی
ویرایش: 1 
نویسندگان:   
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 

قیمت کتاب (تومان) : 37,000



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



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 14


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.


توضیحاتی در مورد 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

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.


توضیحاتی درمورد کتاب به خارجی

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.



فهرست مطالب

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




نظرات کاربران