dlcv_for_beginners
1.0.0
Gracias por las diversas preguntas planteadas en el tema. Debido a que no se ha actualizado durante demasiado tiempo, originalmente planeé concentrarme en la actualización antes del festival de primavera, pero después de leerlo, sentí que no podía comenzar. Además, había discutido con el editor de la compañía de libros que no debería lanzar la segunda edición o la versión reimpresa, así que decidí rendirme ...
Uno de los errores que encontré es sobre los valores propios. La SVD no se usa para matrices definidas inversas, sino para matrices asimétricas. Para obtener más detalles, consulte la respuesta actualizada de Zhihu: https://www.zhihu.com/question/20507061/answer/120540926 La errata en otras partes ya está en errata.pdf, o la discusión de todos en problemas es básicamente correcta.
No se espera que este repositorio se actualice nuevamente (francamente hablando, la segunda mitad de este libro está desactualizada). Si tiene alguna pregunta, por favor envíeme un mensaje privado: Yeyun11
Les deseo a todos un feliz año nuevo chino, Nochevieja 2020
Originalmente llamado "Aprendizaje profundo y visión por computadora: una introducción a los ejemplos", tenga en cuenta: este libro se posiciona como una introducción .
Haga clic aquí para ver el código. Para descargar todas las versiones electrónicas de la tabla de colores, consulte la versión en línea del Capítulo 5 y el Capítulo 6 para las listas de colores: Capítulo 5, Capítulo 5, Capítulo 6.
Por algunas razones que no puedo entender, el editor requirió el libro en inglés en inglés para traducir con fuerza. Finalmente: 1) Algunos ingleses se tradujeron al chino en diversos grados, y 2) la lista de documentos que representaron la mayoría de los documentos en inglés no podían incluirse en el libro. Una lista de citas está aquí.
Ven aquí por errores en el contenido. La errata está aquí.
Enlace de compra: JD.com, Amazon, Dangdang
Capítulo 5: Ejemplos de visualización de Numpy y Matplotlib Capítulo 6: Widget de anotación de detección de objetos y widget de mejora de datos locales Capítulo 7: Clasificación plana bidimensional, basada en Caffe y MXNET respectivamente
Capítulo 8: Clasificación MNIST, basada en Caffe y MXNET respectivamente
Capítulo 9: Grado de caos de imagen basado en la regresión del café y la convolución Visualización del núcleo Capítulo 10: Aprendizaje de transferencia de modelos de clasificación de alimentos, matriz de confusión, dibujo de curva ROC y visualización de gráficos de respuesta de categoría de modelo, basada en la cafe
Capítulo 12: Uso de MNIST para entrenar la red siamesa, visualización T-SNE, basada en la cafe
El libro no incluye misceláneos: incluida la fabricación de muestras adversas (CAFFE), GaN bidimensional y visualización de procesos de entrenamiento (Pytorch), mosaico automático de imágenes pornográficas (CAFFE), Fusión modelo (CAFFE), segmentación de imágenes (Pytorch)
Poda modelo (Pytorch)
