دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges
دانلود کتاب کتاب آشپزی TensorFlow 2.0 Computer Vision: راه حل های یادگیری ماشینی را برای غلبه بر چالش های مختلف بینایی کامپیوتر پیاده سازی کنید
مشخصات کتاب
TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges
ویرایش:
نویسندگان: Jesús Martinez
سری:
ISBN (شابک) : 183882913X, 9781838829131
ناشر: Packt Publishing
سال نشر: 2021
تعداد صفحات: 542
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 5 مگابایت
قیمت کتاب (تومان) : 52,000
در صورت تبدیل فایل کتاب TensorFlow 2.0 Computer Vision Cookbook: Implement machine learning solutions to overcome various computer vision challenges 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 TensorFlow 2.0 Computer Vision: راه حل های یادگیری ماشینی را برای غلبه بر چالش های مختلف بینایی کامپیوتر پیاده سازی کنید 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 TensorFlow 2.0 Computer Vision: راه حل های یادگیری ماشینی را برای غلبه بر چالش های مختلف بینایی کامپیوتر پیاده سازی کنید
با تکنیک‌های پیشرفته برای تنظیم فرآیندهای آموزشی و افزایش عملکرد مدل‌های بینایی کامپیوتری با استفاده از تکنیک‌های یادگیری ماشین و یادگیری عمیق آشنا شوید
ویژگی‌های کلیدی
- توسعه، آموزش، و استفاده از الگوریتم های یادگیری عمیق برای وظایف بینایی کامپیوتری با استفاده از TensorFlow 2.x
- کشف دستور العمل های عملی برای غلبه بر چالش های مختلف در ساخت مدل های بینایی کامپیوتری
- li>
- ماشین‌ها را قادر می‌سازد تا درک سطح انسانی برای تشخیص و تجزیه و تحلیل تصاویر و ویدیوهای دیجیتال به دست آورند
توضیحات کتاب
بینایی رایانه یک زمینه علمی است که ماشین‌ها را قادر می‌سازد. برای شناسایی و پردازش تصاویر و فیلم های دیجیتال. این کتاب بر روی دستور العمل‌های مستقل تمرکز دارد تا به شما کمک کند تا وظایف مختلف بینایی کامپیوتر را با استفاده از TensorFlow انجام دهید.
این کتاب با آشنایی شما با اصول یادگیری عمیق برای بینایی کامپیوتر، همراه با پوشش ویژگی‌های کلیدی TensorFlow 2.x آغاز می‌شود. مانند Keras و tf.data.Dataset API. سپس در مورد نکات و جزئیات کارهای رایج بینایی کامپیوتری، مانند طبقه بندی تصویر، یادگیری انتقال، تقویت و استایل تصویر، و تشخیص اشیا، خواهید آموخت. این کتاب همچنین رمزگذارهای خودکار را در حوزه‌هایی مانند فهرست‌های جستجوی عکس معکوس و حذف نویز تصویر پوشش می‌دهد، در حالی که بینش‌هایی را در مورد معماری‌های مختلف مورد استفاده در دستور العمل‌ها، مانند شبکه‌های عصبی کانولوشنال (CNN)، CNNهای مبتنی بر منطقه (R-CNN)، VGGNet، و شما فقط یک بار نگاه می کنید (YOLO).
با حرکت به جلو، نکات و ترفندهایی را برای حل مشکلاتی که هنگام ساخت برنامه های بینایی کامپیوتری مختلف با آن مواجه می شوید، کشف خواهید کرد. در نهایت، به موضوعات پیشرفته‌تری مانند شبکه‌های متخاصم مولد (GAN)، پردازش ویدیو، و AutoML می‌پردازید و با بخشی متمرکز بر تکنیک‌هایی که به شما در افزایش عملکرد شبکه‌هایتان کمک می‌کند، پایان می‌دهید.
توسط در پایان این کتاب TensorFlow، با استفاده از TensorFlow 2.x قادر خواهید بود با اطمینان به طیف وسیعی از مشکلات بینایی کامپیوتری رسیدگی کنید.
آنچه خواهید آموخت
- درک نحوه تشخیص اشیاء با استفاده از مدل‌های پیشرفته مانند YOLOv3
- استفاده از AutoML برای پیش‌بینی جنسیت و سن از روی تصاویر
- تصاویر را با استفاده از روش‌های مختلف مانند FCN و مدل‌های تولیدی تقسیم‌بندی کنید.
- با نحوه بهبود عملکرد شبکه خود با استفاده از دقت رتبه-N، هموارسازی برچسب و افزایش زمان تست آشنا شوید
- ماشین‌ها را فعال کنید تا احساسات افراد را در ویدیوها و جریان‌های هم‌زمان تشخیص دهند
- دسترسی و استفاده مجدد از مدل های پیشرفته TensorFlow Hub برای انجام طبقه بندی تصویر و تشخیص اشیا
- ایجاد شرح تصاویر با استفاده از CNN و RNN
این کتاب برای چه کسانی است< /h4>
این کتاب برای توسعه دهندگان و مهندسان بینایی کامپیوتر و همچنین متخصصان یادگیری عمیق است که به دنبال راه حل هایی برای مشکلات مختلفی هستند که معمولاً در بینایی کامپیوتر ایجاد می شوند. شما خواهید فهمید که چگونه از تکنیک های مدرن یادگیری ماشین (ML) و معماری های یادگیری عمیق برای انجام انبوهی از وظایف بینایی کامپیوتری استفاده کنید. دانش اولیه برنامه نویسی پایتون و بینایی کامپیوتر مورد نیاز است.
فهرست مطالب
- شروع به کار با TensorFlow 2.x for Computer Vision
- Performing Image طبقه بندی
- بهره گیری از قدرت شبکه های از پیش آموزش دیده با آموزش انتقال
- افزایش و سبک سازی تصاویر با DeepDream، انتقال سبک عصبی، و وضوح تصویر فوق العاده
- کاهش نویز با رمزگذارهای خودکار
- مدل های مولد و حملات خصمانه
- تعریف تصاویر با CNN و RNN
- درک دقیق تصاویر از طریق تقسیم بندی
- بومی سازی عناصر در تصاویر با تشخیص اشیا
- استفاده از قدرت یادگیری عمیق در ویدئوها
- بهینه سازی پیاده سازی شبکه با AutoML
- افزایش عملکرد
توضیحاتی درمورد کتاب به خارجی
Get well versed with state-of-the-art techniques to tailor training processes and boost the performance of computer vision models using machine learning and deep learning techniques
Key Features
- Develop, train, and use deep learning algorithms for computer vision tasks using TensorFlow 2.x
- Discover practical recipes to overcome various challenges faced while building computer vision models
- Enable machines to gain a human level understanding to recognize and analyze digital images and videos
Book Description
Computer vision is a scientific field that enables machines to identify and process digital images and videos. This book focuses on independent recipes to help you perform various computer vision tasks using TensorFlow.
The book begins by taking you through the basics of deep learning for computer vision, along with covering TensorFlow 2.x's key features, such as the Keras and tf.data.Dataset APIs. You'll then learn about the ins and outs of common computer vision tasks, such as image classification, transfer learning, image enhancing and styling, and object detection. The book also covers autoencoders in domains such as inverse image search indexes and image denoising, while offering insights into various architectures used in the recipes, such as convolutional neural networks (CNNs), region-based CNNs (R-CNNs), VGGNet, and You Only Look Once (YOLO).
Moving on, you'll discover tips and tricks to solve any problems faced while building various computer vision applications. Finally, you'll delve into more advanced topics such as Generative Adversarial Networks (GANs), video processing, and AutoML, concluding with a section focused on techniques to help you boost the performance of your networks.
By the end of this TensorFlow book, you'll be able to confidently tackle a wide range of computer vision problems using TensorFlow 2.x.
What you will learn
- Understand how to detect objects using state-of-the-art models such as YOLOv3
- Use AutoML to predict gender and age from images
- Segment images using different approaches such as FCNs and generative models
- Learn how to improve your network's performance using rank-N accuracy, label smoothing, and test time augmentation
- Enable machines to recognize people's emotions in videos and real-time streams
- Access and reuse advanced TensorFlow Hub models to perform image classification and object detection
- Generate captions for images using CNNs and RNNs
Who this book is for
This book is for computer vision developers and engineers, as well as deep learning practitioners looking for go-to solutions to various problems that commonly arise in computer vision. You will discover how to employ modern machine learning (ML) techniques and deep learning architectures to perform a plethora of computer vision tasks. Basic knowledge of Python programming and computer vision is required.
Table of Contents
- Getting Started with TensorFlow 2.x for Computer Vision
- Performing Image Classification
- Harnessing the Power of Pre-Trained Networks with Transfer Learning
- Enhancing and Styling Images with DeepDream, Neural Style Transfer, and Image Super-Resolution
- Reducing Noise with Autoencoders
- Generative Models and Adversarial Attacks
- Captioning Images with CNNs and RNNs
- Fine-Grained Understanding of Images through Segmentation
- Localizing Elements in Images with Object Detection
- Applying the Power of Deep Learning to Videos
- Streamlining Network Implementation with AutoML
- Boosting Performance
فهرست مطالب
Cover Copyright About PACKT Contributors Table of Contents Preface Chapter 1: Getting Started with TensorFlow 2.x for Computer Vision Technical requirements Working with the basic building blocks of the Keras API Getting ready How to do it… How it works… See also Loading images using the Keras API Getting ready How to do it… How it works… See also Loading images using the tf.data.Dataset API How to do it… How it works… See also Saving and loading a model How to do it… How it works… There's more… Visualizing a model's architecture Getting ready How to do it… How it works… Creating a basic image classifier Getting ready How to do it… How it works… See also Chapter 2: Performing Image Classification Technical requirements Creating a binary classifier to detect smiles Getting ready How to do it… How it works… See also Creating a multi-class classifier to play rock paper scissors Getting ready How to do it… How it works… Creating a multi-label classifier to label watches Getting ready How to do it… How it works… See also Implementing ResNet from scratch Getting ready How to do it… How it works… See also Classifying images with a pre-trained network using the Keras API Getting ready How to do it… How it works… See also Classifying images with a pre-trained network using TensorFlow Hub Getting ready How to do it… How it works… See also Using data augmentation to improve performance with the Keras API Getting ready How to do it… How it works… See also Using data augmentation to improve performance with the tf.data and tf.image APIs Getting ready How to do it… How it works… See also Chapter 3: Harnessing the Power of Pre-Trained Networks with Transfer Learning Technical requirements Implementing a feature extractor using a pre-trained network Getting ready How to do it… How it works… See also Training a simple classifier on extracted features Getting ready How to do it… How it works… See also Spot-checking extractors and classifiers Getting ready How to do it… How it works… Using incremental learning to train a classifier Getting ready How to do it… How it works… Fine-tuning a network using the Keras API Getting ready How to do it… How it works… See also Fine-tuning a network using TFHub Getting ready How to do it… How it works… See also Chapter 4: Enhancing and Styling Images with DeepDream, Neural Style Transfer, and Image Super-Resolution Technical requirements Implementing DeepDream Getting ready How to do it… How it works… See also Generating your own dreamy images Getting ready How to do it… How it works… Implementing Neural Style Transfer Getting ready How to do it… How it works… See also Applying style transfer to custom images Getting ready How to do it… How it works… See also Applying style transfer with TFHub Getting ready How to do it… How it works… See also Improving image resolution with deep learning Getting ready How to do it… How it works… See also Chapter 5: Reducing Noise with Autoencoders Technical requirements Creating a simple fully connected autoencoder Getting ready How to do it… How it works… See also Creating a convolutional autoencoder Getting ready How to do it… How it works… See also Denoising images with autoencoders Getting ready How to do it… How it works… Spotting outliers using autoencoders Getting ready How to do it… How it works… Creating an inverse image search index with deep learning Getting ready How to do it… How it works… See also Implementing a variational autoencoder Getting ready How to do it… How it works… See also Chapter 6: Generative Models and Adversarial Attacks Technical requirements Implementing a deep convolutional GAN Getting ready How to do it… How it works… See also Using a DCGAN for semi-supervised learning Getting ready How to do it… How it works… See also Translating images with Pix2Pix Getting ready How to do it… How it works… See also Translating unpaired images with CycleGAN Getting ready How to do it… How it works… See also Implementing an adversarial attack using the Fast Gradient Signed Method Getting ready How to do it How it works… See also Chapter 7: Captioning Images with CNNs and RNNs Technical requirements Implementing a reusable image caption feature extractor Getting ready How to do it… How it works… See also Implementing an image captioning network Getting ready How to do it… How it works… See also Generating captions for your own photos Getting ready How to do it… How it works… Implementing an image captioning network on COCO with attention Getting ready How to do it… Chapter 8: Fine-Grained Understanding of Images through Segmentation Technical requirements Creating a fully convolutional network for image segmentation Getting ready How to do it… How it works… See also Implementing a U-Net from scratch Getting ready How to do it… How it works… See also Implementing a U-Net with transfer learning Getting ready How to do it… How it works… See also Segmenting images using Mask-RCNN and TensorFlow Hub Getting ready How to do it… How it works… See also Chapter 9: Localizing Elements in Images with Object Detection Technical requirements Creating an object detector with image pyramids and sliding windows Getting ready How to do it… How it works… See also Detecting objects with YOLOv3 Getting ready How it works… See also Training your own object detector with TensorFlow's Object Detection API Getting ready How to do it… How it works… See also Detecting objects using TFHub Getting ready How to do it… How it works… See also Chapter 10: Applying the Power of Deep Learning to Videos Technical requirements Detecting emotions in real time Getting ready How to do it… How it works… See also Recognizing actions with TensorFlow Hub Getting ready How to do it… How it works… See also Generating the middle frames of a video with TensorFlow Hub Getting ready How to do it… How it works… See also Performing text-to-video retrieval with TensorFlow Hub Getting ready How to do it… How it works… See also Chapter 11: Streamlining Network Implementation with AutoML Technical requirements Creating a simple image classifier with AutoKeras How to do it… How it works… See also Creating a simple image regressor with AutoKeras Getting ready How to do it… How it works… See also Exporting and importing a model in AutoKeras How to do it… How it works… See also Controlling architecture generation with AutoKeras' AutoModel How to do it… How it works… See also Predicting age and gender with AutoKeras Getting ready How to do it… How it works… See also Chapter 12: Boosting Performance Technical requirements Using convolutional neural network ensembles to improve accuracy Getting ready How to do it… How it works… See also Using test time augmentation to improve accuracy Getting ready How to do it… How it works… Using rank-N accuracy to evaluate performance Getting ready How to do it… How it works… See also Using label smoothing to increase performance Getting ready How to do it… How it works… Checkpointing model How to do it… Customizing the training process using tf.GradientTape How to do it… How it works… Getting ready How to do it… How it works… See also Other Books You May Enjoy Index
نظرات کاربران
کتاب های تصادفی
دانلود کتاب The Winning Way: The How What and Why of Opening Strategems (Fireside Chess Library)
دانلود کتاب Wettbewerb durch Netzzugang?: Eine ökonomische Analyse am Beispiel des deutschen Briefmarktes
دانلود کتاب Technological Advancement in Instrumentation & Human Engineering: Selected papers from ICMER 2021
دانلود کتاب BE2 in action
