dlcv_for_beginners
1.0.0
Obrigado pelas várias questões levantadas na questão. Como não foi atualizado por muito tempo, originalmente planejei me concentrar em atualizar antes do festival da primavera, mas depois de lê -lo, senti que não consegui começar. Além disso, eu havia discutido com o editor da empresa de livros que não deveria lançar a segunda edição ou versão reimpressa, então decidi desistir ...
Um dos erros que me encontrei é sobre os autovalores. O SVD não é usado para matrizes definidas inversas, mas para matrizes assimétricas. Para detalhes, consulte o Zhihu Atualizado Resposta: https://www.zhihu.com/question/20507061/answer/120540926 Os erratos em outras partes já estão em errata.pdf, ou a discussão de todos é basicamente correta.
Não se espera que este repo seja atualizado novamente (francamente falando, a segunda metade deste livro está desatualizada). Se você tiver alguma dúvida, envie -me uma mensagem privada para mim: yeyun11
Desejo a todos um feliz ano novo chinês, véspera de Ano Novo 2020
Originalmente nomeado "Deep Learning and Computer Vision: Uma Introdução aos Exemplos", observe: Este livro está posicionado como uma introdução .
Clique aqui para o código. Para baixar todas as versões eletrônicas do gráfico de cores, consulte a versão on -line do Capítulo 5 e Capítulo 6 para gráficos de cores: Capítulo 5, Capítulo 5, Capítulo 6.
Por algumas razões que não consigo entender, o livro em inglês em inglês foi exigido pelo editor a traduzir com força. Finalmente: 1) Alguns ingleses foram traduzidos para os chineses em graus variados e 2) a lista de documentos que foram responsáveis pela maioria dos documentos em inglês não pôde ser incluída no livro. Uma lista de citações está aqui.
Por favor, venha aqui para erros no conteúdo. A errata está aqui.
Link de compra: JD.com, Amazon, Dangdang
Capítulo 5: Exemplos de Visualização Numpy e Matplotlib Capítulo 6: Widget de anotação de detecção de objetos e widget de aprimoramento de dados local Capítulo 7: Classificação plana bidimensional, com base em Caffe e MxNet, respectivamente
Capítulo 8: Classificação MNIST, com base no CAFFE e MXNET, respectivamente
CAPÍTULO 9: Grau do caos da imagem com base na regressão e convolução do cafe, Visualização do núcleo do kernel Capítulo 10: Learning de transferência de modelos de classificação de alimentos, matriz de confusão, desenho de curva ROC e visualização de gráficos de resposta à categoria de modelo, baseada em cafe
Capítulo 12: Usando o MNIST para treinar a rede Siamese, T-Sne Visualization, baseado em cafe
O livro não inclui diversos: incluindo a fabricação de amostras adversárias (CAFFE), GaN bidimensional e visualização do processo de treinamento (Pytorch), mosaico automático de imagens pornográficas (CAFFE), fusão de modelo (CAFFE), segmentação de imagem (Pytorch)
Modelo de poda (Pytorch)
