dlcv_for_beginners

Поддерживающий код "глубокого обучения и компьютерного зрения"

Спасибо за различные вопросы, поднятые в этом вопросе. Поскольку он не был обновлен слишком долго, я изначально планировал сосредоточиться на обновлении до весеннего фестиваля, но после прочтения я почувствовал, что не смог начать. Кроме того, я обсуждал с редактором книжной компании, что я не должен выпускать второе издание или перепечатанную версию, поэтому я решил сдаться ...

Одна из ошибок, которые я обнаружил, заключается в собственных значениях. SVD используется не для обратных определенных матриц, а для асимметричных матриц. Для получения подробной информации, пожалуйста, обратитесь к обновлению Zhihu Ответ: https://www.zhihu.com/question/20507061/answer/120540926 Ошибки в других частях уже либо в urata.pdf, либо дискуссия каждого в вопросе в основном правильные.

Это репо, как ожидается, не будет обновлено снова (откровенно говоря, вторая половина этой книги устарела). Если у вас есть какие -либо вопросы, пришлите мне личное сообщение: Yeyun11

Желаю всем счастливого китайского Нового года, канун Нового года 2020 года

_

Первоначально названный «глубокое обучение и компьютерное зрение: введение в примеры», обратите внимание: эта книга позиционируется как введение .

Нажмите здесь для кода. Для загрузки всех цветных диаграмм электронных версий, пожалуйста, обратитесь к онлайн -версии главы 5 и главы 6 для цветных диаграмм: Глава 5, Глава 5, Глава 6.

По некоторым причинам, я не могу понять, английская книга на английском языке потребовалась издателем насильственно перевести. Наконец: 1) Некоторый английский был переведен на китайский язык в разной степени, и 2) список документов, которые учитывали большинство английских документов, не могли быть включены в книгу. Список цитат здесь.

Пожалуйста, приходите сюда за ошибками в контенте. Ошибки здесь.

Ссылка на покупку: JD.com, Amazon, Dangdang

Руководство по быстрому коду

Глава 5: Примеры визуализации Numpy и Matplotlib Глава 6: Аннотация обнаружения объектов и локальный виджет данных.
Глава 8: Классификация MNIST, основанная на Caffe и MXNET соответственно
Глава 9: Степень хаоса изображения на основе регрессии кофе и визуализации ядра свертки Глава 10: Переносные модели классификации пищевых продуктов, матрица путаницы, рисунок кривой ROC и визуализация отклика категории модели, основанная на кофе
Глава 12: Использование MNIST для обучения сиамской сети, визуализации T-SNE, на основе CAFFE
Книга не включает в себя разные: включая производство состязательных образцов (Caffe), двухмерного GAN и визуализации процесса обучения (Pytorch), автоматическая мозаика порнографических изображений (Caffe), модельное слияние (Caffe), сегментация изображения (Pytorch)
Обрезка модели (Pytorch)