Charmve/computer-vision-in-action：A computer vision closed-loop

项目介绍

Charmve/computer-vision-in-action 是一个托管在 GitHub 上的开源项目，主要使用 Jupyter Notebook 编写，采用 Other 许可证，目前获得 2.9k 个 Star、395 次 Fork。

仓库全名: Charmve/computer-vision-in-action

README 摘要

/ |/ / () () | / / / /|/ / / / | /| / / \/ / /| | / // / \/ \ / / / / // / /| |/ |/ / / / |/ // // // / / / / / / // //\,// |/|/\/// |// \/\// // // Maiwei AI Lab - 迈微AI研习社 [?] 作者系迈微AI研习社创始人、CSDN博客专家，主要分享机器学习算法、计算机视觉等相关内容，每周研读顶会论文，持续关注前沿技术动态。公众号底部有菜单分类，关注我们，一起学习成长。 ✨ News! ✨ 2020.07.12: 📝 进阶篇更新Transformer、强化学习、迁移学习、视频理解 ! 更多更新日志会同步到 CHANGELOG，持续更新中，感谢大家的支持与喜欢！ "如果你只是看了这个项目的在线文档，那么你并没有利用好这个项目。太可惜！" ✨ 以用促学，先会后懂 ✨…

完整内容见 GitHub 原始 README 或本页。

常见问题

computer-vision-in-action 用什么语言开发？

主要使用 Jupyter Notebook 编写，采用 Other 许可证，目前有 2.9k 个 Star。

computer-vision-in-action 可以免费商用吗？

仓库标注的许可证为 Other，商用前请先阅读仓库 LICENSE 文件确认授权范围。

如何获取 computer-vision-in-action 的源码？

可以直接克隆仓库：git clone https://github.com/Charmve/computer-vision-in-action.git，默认分支为 main；安装与运行步骤见仓库 README。

computer-vision-in-action 最近还在维护吗？

仓库最近一次更新为 2024年5月27日，当前有 59 个未关闭 Issue；Star 数为 2.9k，可作为社区活跃度的参考。

关于

tutorial charmve machine-learning computer-vision deep-learning deep-learning-tutorial books handbook computer-vision-algorithms in-action

Other
2.9k Stars
395 Forks
32 Watching

简要分析

热度分

3695

价值分

1842

活跃状态

活跃

GitHub

语言占比

Dockerfile

Jupyter Notebook

Python

贡献者

Charmve

“如果你只是看了这个项目的在线文档，那么你并没有利用好这个项目。太可惜！”

✨ 以用促学，先会后懂 ✨

L0CV ^🔊 一种结合了代码、图示和HTML的在线学习媒介

全面 前沿 免费

计算机视觉实战演练：算法与应用 ^📌
Computer Vision in Action

作者：张伟（Charmve）

跨平台，只需一个浏览器即可！

👉 在线阅读（优先更新实战篇和进阶篇）
- 地址：https://charmve.github.io/computer-vision-in-action/

最新版PDF下载
- 地址：https://github.com/charmve/computer-vision-in-action/releases (马上来 ...)

分享到

Index

💠 全书组织
🌈 愿景
📘 本书目录
🔍 文件浏览
🌼 L0CV-DemoDay
🔑 如何食用
❓ 常见问题
👥 社区互助
:heart: 致谢
📄 LICENSE
👐 参与项目
🤝 关注我们
📎 Citation

:label: sec_code 图1 L0CV 结构图

💠 全书组织

:label: fig_book_org

全书详细思维导图

本书详细介绍，请移步序言。

第一部分包括基础知识和预备知识。提供深度学习的入门课程，然后在理论篇中，将快速向你介绍实践计算机视觉所需的前提条件，例如如何存储和处理数据，以及如何应用基于线性代数、微积分和概率基本概念的各种数值运算，涵盖了深度学习的最基本概念和技术，例如线性回归、多层感知机和正则化。
第二部分是本书涉及的计算机视觉基础理论，核心部分为神经网络模型，包括神经网络、卷积神经网络、循环神经网络理论讲解，以图像分类、模型拟合与优化作为其代码的实战项目。在模型拟合和优化章节中，着重分享梯度下降、随机梯度下降、动量法、AdaBoost等方法。
接下来的七章集中讨论现代计算机视觉技术实战，也是本书的核心部分。围绕这样的组织逻辑：什么是计算机视觉？计算机视觉解决什么问题，都是怎么解决的？传统方法——以卷积神经网络为中心的神经网络；现代方法——Transformer、强化学习、迁移学习、生成对抗等。各种方法是如何实现的，用到了什么框架？在第7章中，描述了计算机视觉的经典卷积神经网络PyTorch实现，并为我们随后实现更复杂的模型奠定了基础。在随后的几个章节中，我们主要解决图像分类、目标检测、语义分割、3D重建等实际问题，并给出实战项目。
该部分以项目为实战指导，给出详细的项目指导书和代码实现，更为特别的是，给出了notebook可以直接在线运行，跑通结果，免去了本地运行环境的搭建复杂性。于此同时，为了方便读者在本地调试，作者建立了一个名为 L0CV 的第三方包，可以直接在代码中 import L0CV 后使用。
第三部分讨论最近几年出现的“网红”模型，诸如：Transformer、Attention、知识蒸馏、迁移学习、生成对抗模型等。这部分也是此份资料的力挺之作。最后，在 chap_optimization 中，我们讨论了用于训练深度学习模型的几种常用优化算法，如：模型压缩、模型剪枝、微调、蒸馏等。

Index

🌈 愿景

本开源项目代表了我们的一种尝试：我们将教给读者概念、背景知识和代码；我们将在同一个地方阐述剖析问题所需的批判性思维、解决问题所需的数学知识，以及实现解决方案所需的工程技能。

我们的目标是创建一个为实现以下目标的统一资源：

所有人均可在网上免费获取；
提供足够的技术深度，从而帮助读者实际成为计算机视觉应用科学家：既理解数学原理，又能够实现并不断改进方法；
包含可运行的代码，为读者展示如何在实际中解决问题。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验；
允许我们和整个社区不断快速迭代内容，从而紧跟仍在高速发展的计算机视觉领域；
由包含有关技术细节问答的论坛作为补充，使大家可以相互答疑并交换经验。

Index

📘 本书目录

👉 在线阅读（优先更新实战篇和进阶篇）
- 地址：https://charmve.github.io/computer-vision-in-action/

📘 详细目录(点击展开)

序言
主要符号表
绪论篇
- 第 0 章计算机视觉概述
  - 0.1 概述
    - 0.1.1 什么是计算机视觉
    - 0.1.2 计算机视觉解决什么问题
    - 0.1.3 行业应用
  - 0.2 计算机视觉基本概念
  - 0.3 发展历史回顾
  - 0.4 典型的计算机视觉任务
    - 图像分类
    - 目标识别与目标检测
    - 实例分割与语义分割
    - 3D 建模
  - 0.5 国内外优秀的计算机视觉团队汇总
  - 小练习
  - 小结
  - 参考文献
理论篇
- 第 1 章神经网络
  - 1.1 线性回归
    - 1.1.1 基本原理
    - 1.1.2 从零实现线性回归
    - 1.1.3 线性回归的简洁实现
  - 1.2 Softmax 回归
    - 1.2.1 softmax回归模型
    - 1.2.2 从零开始实现softmax回归
    - 1.2.3 softmax回归的简洁实现
  - 1.3 多层感知器
    - 1.3.1 基本原理
    - 1.3.2 从零开始实现多层感知器
    - 1.3.3 多层感知器的简洁实现
  - 1.4 反向传播算法
  - 1.5 神经网络
    - 1.5.1 神经学观点
    - 1.5.2 神经网络1-建立神经网络架构
    - 1.5.3 神经网络2-设置数据和损失
    - 1.5.4 神经网络3-学习和评估
    - 1.5.5 案例分析-最小神经网络案例研究
  - 1.6 实战项目 1 - 手写字分类
  - 小结
  - 参考文献
- 第 2 章卷积神经网络
  - 2.1 从神经网络到卷积神经网络
    - 2.1.1 定义
    - 2.1.2 卷积神经网络的架构
  - 2.2 卷积网络的层级结构
    - 2.2.1 数据输入层
    - 2.2.2 卷积计算层
    - 2.2.3 非线性层（或激活层）
    - 2.2.4 池化层
    - 2.2.5 全连接层
  - 2.3 卷积神经网络的几点说明
  - 2.4 实战项目 2 - 动手搭建一个卷积神经网络
  - 小结
  - 参考文献
- 第 3 章图像分类
  - 3.1 数据驱动方法
    - 3.1.1 语义上的差别
    - 3.1.2 图像分类任务面临着许多挑战
    - 3.1.3 数据驱动的方法
  - 3.2 k 最近邻算法
    - 3.2.1 k 近邻模型
    - 3.2.2 k 近邻模型三个基本要素
    - 3.2.3 KNN算法的决策过程
    - 3.2.4 k 近邻算法Python实现
    - 小结
    - 参考文献
  - 3.3 支持向量机
    - 3.3.1 概述
    - 3.3.2 线性支持向量机
    - 3.3.3 从零开始实现支持向量机
    - 3.3.4 支持向量机的简洁实现
  - 3.4 逻辑回归 LR
    - 3.4.1 逻辑回归模型
    - 3.4.2 从零开始实现逻辑回归
    - 3.4.3 逻辑回归的简洁实现
  - 3.5 实战项目 3 - 表情识别
  - 3.6 实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类
  - 小结
  - 参考文献
- 第 4 章循环神经网络
  - 4.1 循环神经网络 RNN
  - 4.2 循环神经网络的从零开始实现
  - 4.3 循环神经网络的简洁实现
  - 4.4 长短期记忆人工神经网络 LSTM
  - 4.5 门控循环单元（GRU）
  - 小结
  - 练习
  - 参考文献
- 第 5 章图神经网络
  - 5.1 历史脉络
  - 5.2 图神经网络(Graph Neural Network)
    - 5.2.1 状态更新与输出
    - 5.2.2 不动点理论
    - 5.2.3 具体实现
    - 5.2.4 模型学习
    - 5.2.5 GNN与RNN
    - 5.2.6 GNN的局限
  - 5.3 门控图神经网络(Gated Graph Neural Network)
    - 5.3.1 状态更新
    - 5.3.2 实例1:到达判断
    - 5.3.3 实例2:语义解析
    - 5.3.4 GNN与GGNN
  - 5.4 图卷积神经网络(GCNN)
    - 5.4.1 图卷积缘起
    - 5.4.2 图卷积框架(Framework)
    - 5.4.3 再谈卷积
    - 5.4.4 空域卷积(Spatial Convolution)
    - 5.4.5 消息传递网络(Message Passing Neural Network)
    - 5.4.6 图采样与聚合(Graph Sample and Aggregate)
    - 5.4.7 图结构序列化(PATCHY-SAN)
    - 5.4.8 频域卷积(Spectral Convolution)
  - 5.5 生成图表示
    - 5.5.1 图读出操作(ReadOut)
    - 5.5.2 基于统计的方法(Statistics Category)
    - 5.5.3 基于学习的方法(Learning Category)
    - 5.5.4 其他方法
  - 5.6 图神经网络在计算机视觉上的应用
    - 5.6.1 点云分割
    - 5.6.2 点云生成
    - 5.6.3 RGBD图像分割
    - 5.6.4 视觉问答VQA
    - 5.6.5 零次学习ZSL
  - 小结
  - 参考文献
- 第 5 章模型选择、欠拟合和过拟合
  - 5.1 训练误差和泛化误差
  - 5.2 模型选择
  - 5.3 欠拟合和过拟合
  - 5.4 多项式函数拟合实验
  - 5.5 数值稳定性和模型初始化
  - 小结
  - 参考文献
- 第 6 章模型拟合与优化算法
  - 6.1 优化与深度学习
  - 6.2 梯度下降和随机梯度下降
  - 6.3 小批量随机梯度下降
  - 6.4 动量法
  - 6.5 AdaGrad算法
  - 6.6 RMSProp算法
  - 6.7 AdaDelta算法
  - 6.8 Adam算法
  - 小结
  - 参考文献
实战篇
- 第 6 章软件环境搭建与工具使用
  - 6.1 深度学习环境搭建指南
  - 6.2 Pytorch 基础使用介绍
    - 6.2.1 Tensors
    - 6.2.2 Operations
    - 6.2.3 Numpy桥梁
    - 6.2.4 CUDA Tensors
  - 6.3 Python
  - 6.4 Numpy 基础使用
  - 6.5 Pandas 基础使用
  - 6.6 OpenCV 安装及基础使用
  - 6.7 Jupyter Notebook 配置及基础使用
  - 6.8 基本的图像操作和处理
    - 6.8.1 PIL：Python图像处理类库
    - 6.8.2 Matplotlib
    - 6.8.3 NumPy
    - 6.8.4 SciPy
    - 6.8.5 高级示例：图像去噪
  - 6.9 实战项目 5 - 使用OpenCV进行图像全景拼接
  - 小结
  - 参考文献
- 第 7 章经典卷积神经网络架构：原理与PyTorch实现
  - 7.1 卷积神经网络（LeNet）
  - 7.2 深度卷积神经网络（AlexNet）
  - 7.3 使用重复元素的网络（VGG）
  - 7.4 含并行连结的网络（GoogLeNet）
  - 7.5 残差网络（ResNet）
  - 7.6 二阶网络编码解码（U-Net）
  - 7.7 稠密连接网络（DenseNet）
  - 7.8 语义分割网络（SegNet）
  - 7.9 实例分割网络（Mask-RCNN）
  - 7.10 区域卷积神经网络（R-CNN）
  - 7.11 全卷积网络（FCN）
  - 7.12 YOLO: 实时目标检测
  - 小结
  - 参考文献
- 第 8 章著名数据集及基准
  - 8.1 数据集
    - 8.1.1 常见数据集
      - 8.1.1.1 ImageNet
      - 8.1.1.2 MNIST
      - 8.1.1.3 COCO
      - 8.1.1.4 CIFAR-10
    - 8.1.2 Pytorch数据集及读取方法简介
    - 8.1.3 数据增强简介
    - 总结
  - 8.2 基准测试
  - 8.3 评价指标
  - 8.4 实战项目 6 - Kaggle比赛：图像分类（CIFAR-10）
  - 8.5 实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs）
  - 小结
  - 参考文献
- 第 9 章检测与分割实战项目
  - 9.1 语义分割
    - 9.1.1 语义分割 PyTorch 版
    - 9.1.2 实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战
  - 9.2 目标检测
    - 9.2.1 常用网络
    - 9.2.2 实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战
  - 9.3 实例分割
    - 9.3.1 常用网络
    - 9.3.2 实战项目 10 - 实时高分辨率背景抠图
    - 9.3.3 新方法：滑动窗口, PointRend, PolarMask
  - 小结
  - 参考文献
- 第 10 章计算机视觉课题研究初探
  - 10.1 手写字识别
  - 10.2 文本检测
  - 10.3 车道线检测
    - 10.3.1 常用网络
    - 10.3.2 实战项目 11 - 车道线检测项目实战
  - 10.4 镜面检测
  - 10.5 图像抠图 Matting
  - 10.6 图像超分辨率
  - 10.7 3D 重建
  - 小结
  - 参考文献
进阶篇
- 第 11 章可视化和理解卷积神经网络
  - 11.1 特征可视化
  - 11.2 倒置
  - 11.3 可视化数据梯度
  - 11.4 Embeddings
  - 11.5 对抗样本
  - 11.6 DeepDream 和风格迁移
  - 11.7 实战项目 12: PyTorch 如何使用TensorBoard
    - 11.4.1 创建 TensorBoard
    - 11.4.2 写入 TensorBoard
    - 11.4.3 使用 TensorBoard 检查模型
    - 11.4.4 向 TensorBoard 添加 “Projector”
    - 11.4.5 使用 TensorBoard 跟踪模型训练
    - 11.4.6 使用 TensorBoard 评估训练好的模型
    - 11.4.7 案例总结
  - 小结
  - 参考文献
- 第 12 章生成对抗模型
  - 12.1 Pixel RNN/CNN
  - 12.2 自编码器 Auto-encoder
  - 12.3 生成对抗网络 GAN
    - 12.3.1 概述
    - 12.3.2 GAN的基本思想
    - 12.3.3 GAN浅析
      - 12.3.3.1 GAN的基本结构
      - 12.3.3.2 GAN的训练方式
        
        关于生成器
        
        关于判别器
        
        如何训练
    - 12.3.4 训练相关理论基础
    - 12.3.5 项目实战案例StyleGAN
      - StyleGAN
      - StyleGAN 2.0
    - 12.3.6 实战项目11 - 图像风格迁移
    - 小结
    - 参考文献
  - 12.4 变分自编码器 Variational Auto-encoder, VAE
    - 12.4.1 概述
    - 12.4.2 基本原理
      - 12.4.2.1 定义
      - 12.4.2.2 理论基础：三要素
      - 12.4.2.3 推导过程
    - 12.4.3 VAE v.s. AE 区别与联系
    - 12.4.4 变分自编码器的代码实现
    - 12.4.5 卷积变分自编码器的实现与简单应用
    - 12.4.6 实战项目 13 - 旧照片修复
    - 小结
    - 参考文献
  - 参考文献
- 第 13 章深度增强学习
  - 13.1 引言-如何解决通用人工智能的难点
  - 13.2 什么是深度增强学习
    - 13.2.1 深度学习
    - 13.2.2 增强学习
    - 13.2.3 二者的融合
  - 13.3 怎么利用深度增强学习解决问题
    - 13.3.1 Policy-based DRL
    - 13.3.2 Value-based DRL
    - 13.3.3 Model-based DRL
  - 13.4 深度增强学习在计算机视觉中的应用
  - 小结
  - 参考文献
- 第 14 章视频理解
  - 14.1 概述
  - 14.2 视频理解场景中的主要问题
  - 14.3 常用数据集
  - 14.4 主流方法与模型架构
  - 14.5 指标 METRICS
  - 14.6 可能的未来方向
  - 小结
  - 参考文献
- 第 15 章迁移学习
  - 15.1 概述
    - 15.1.1 背景
    - 15.1.2 定义及分类
    - 15.1.3 关键点
  - 15.2 基于实例的迁移
  - 15.3 基于特征的迁移
  - 15.4 基于共享参数的迁移
  - 15.5 深度学习和迁移学习结合
  - 15.7 实战项目 14 - 蚂蚁和蜜蜂的分类问题
    - 15.7.1 迁移学习在计算机视觉领域的应用
    - 15.7.2 实战项目: 蚂蚁和蜜蜂的分类问题
  - 小结
  - 参考文献
- 第 16 章计算机视觉中的注意力机制 Attention is All You Need
  - 16.1 概述
  - 16.2 Attention with RNNs
  - 16.3 Self-attention 自注意力
  - 16.4 软注意力（soft-attention）
    - 16.4.1 空间域注意力
    - 16.4.2 通道注意力
    - 16.4.3 Positional encoding
    - 16.4.4 混合域模型
    - 16.4.5 Masked attention
    - 16.4.6 Multi-head attention
  - 16.5 强注意力（hard attention）
  - 16.6 Attention九层塔 - 注意力机制的九重理解
  - 小结
  - 参考文献
- 第 17 章跨界模型 Transformer
  - 17.1 思想和框图
  - 17.2 实现细节
  - 17.3 应用任务和结果
    - 17.3.1 NLP领域
    - 17.3.2 CV领域
      - 17.3.2.1 检测DETR
      - 17.3.2.2 分类ViT
      - 17.3.2.3 分割SETR
      - 17.3.2.4 Deformable-DETR
  - 17.4 优点及分析
  - 17.5 缺点及分析
  - 实战项目 15 - 基于Transformer的视频实例分割网络VisTR (CVPR2021)
  - 小结
  - 参考文献
- 第 18 章知识蒸馏
  - 18.1 概要
  - 18.2 KD主要方法
    - 18.2.1 Logits(Response)-based Knowledge
    - 18.2.2 Feature-based Knowledge
    - 18.2.3 Relation-based Knowledge
  - 18.3 知识蒸馏的应用 NLP-BERT
  - 18.4 常见疑问解答
  - 实战项目 16 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读
  - 小结
  - 参考文献
- 第 19 章 Normalization 模型
  - 19.1 从Mini-Batch SGD说起
  - 19.2 Normalization到底是在做什么
  - 19.3 Batch Normalization如何做
    - 19.3.1 前向神经网络中的BN
    - 19.3.2 CNN网络中的BN
    - 19.3.3 Batch Norm的四大罪状
  - 19.4 Layer Normalization、Instance Normalization及Group Normalization
    - 19.4.1 Layer Normalization
    - 19.4.2 Instance Normalization
    - 19.4.3 Group Normalization
    - 19.4.4 用一个故事来总结
  - 19.5 Normalization操作的Re-Scaling不变性
  - 19.6 Batch Normalization为何有效
  - 小结
  - 参考文献
- 第 20 章模型压缩与裁剪
  - 20.1 概述
  - 20.2 模型压缩
    - 20.2.1 线性或非线性量化（1990~2014 - 至今）
    - 20.2.2 结构或非结构剪枝（1989~2014 - 至今
    - 20.2.3 网络结构搜索（2016 - 至今）
    - 20.2.4 权重矩阵的低秩分解（）
    - 20.2.5 知识蒸馏（2014-至今）
  - 20.3 模型优化加速
    - 20.3.1 Op-Level 的快速算法
    - 20.3.2 Layer0-level 的快速算法
    - 20.3.3 硬件计算单元优化算法
      - CPU、GPU和NPU
      - ASIC 和 FPGA
      - PIM（NDP）
  - 20.4 优化工具与库
    - 20.4.1 TensorRT Nvidia)
    - 20.4.2 TVM (Tensor Virtual Machine)
    - 20.4.3 Tensor Comprehension (Facebook)
    - 20.4.4 Distiller (Intel)
  - 小结
  - 参考文献
- 附录
  - A 矩阵
  - B 常用激活函数总结
  - C 梯度下降法
  - D 深度学习调参技巧总结
- 后记
- 参考文献

- 更新中 ...

收起

Index

🔍 文件浏览

按书中内容先后顺序逐章阅读，或者选取特定章节祥读 📁 docs/ ¹，动手实践章节代码，在代码文件 📁 code/ ² 下找到对应代码，本地测试或者Colab 📁 notebooks/ ³ 在线测试。

📁 L0CV/ - 专为本项目建立的 💮 L0CV 包

📁 code/ - 书中完整代码

📁 datasets/ - 本书所用数据集

📁 images/ - 经典图像处理图片

📁 docs/ - 全书按照一下几个篇目进行编写

📁 0_绪论/ - 全书绪论

📁 1_理论篇/ - 基本理论和算法基础

📁 2_实战篇/ - 项目实战教程

📁 3_进阶篇/ - 最新CV模型和算法

📁 附件/ - 所需数学和统计学知识

📁 img/ - 各章节所使用的插图

📁 models/ - 封装可用的预训练模型

📁 notebooks/ - 🚩 全书 Colab notebook，可在线测试

📁 chapter01_neural-networks/ - 第 1 章 - 神经网络 Jupyter Notebook 实现

📁 chapter02_CNN/ - 第 2 章 - 卷积神经网络 Jupyter Notebook 实现

📁 chapter03_Image-Classification - 第 3 章 - 图像分类 Jupyter Notebook 实现

📁 chapter04_recurrent-neural-networks/ - 第 4 章 - 递归神经网络 Jupyter Notebook 实现

📁 chapter05_graph-neural-network/ - 第 5 章 - 图神经网络 Jupyter Notebook 实现

📁 chapter07_optimization/ - 第 6 章 - 模型拟合与优化算法 Jupyter Notebook 实现

📁 chapter08_environment-setup-and-tool-use/ - 第 7 章 - 软件环境搭建与工具使用 Jupyter Notebook 实现

📁 chapter09_convolutional-neural-networks/ - 第 8 章 - 经典神经网络架构：原理与PyTorch实现 Jupyter Notebook 实现

📁 chapter12_practice-projects - 第 12 章 - 计算机视觉课题研究初探 Jupyter Notebook 实现

📁 chapter13_Understanding-and-Visualizing/ - 第 13 章 - 可视化与理解卷积神经网络 Jupyter Notebook 实现

📁 chapter14_GAN/ - 第 14 章 - 生成对抗模型 Jupyter Notebook 实现

📁 chapter15_Transfer-Learning/ - 第 15 章 - 迁移学习 Jupyter Notebook 实现

📁 chapter16_Attention/ - 第 16 章 - 注意力机制 Jupyter Notebook 实现

📁 chapter17_Transformers/ - 第 17 章 - Transformers Jupyter Notebook 实现

…

📁 imgs/ - Jupyter Notebook 中用到的图片

📁 docker/ - 为降低读者的学习成本，目前未进行搭建

📁 res/ - ui 图片及全书思维导图PDF

📄 README.md - 全书介绍及目录

Index

L0CV DemoDay

L0CV Demo Day L0CV-Universe

如果你也是从这里出发，在开源的项目中应用进去，并在标题下给出引用，您的项目将会在这里展现！

以用促学，先会后懂。理解深度学习的最佳方法是学以致用。

*《计算机视觉实战演练：算法与应用》V1.2 部分项目还在更新中

实战项目	章节	Binder
实战项目 1 - 手写字分类	第 1 章 - 神经网络
实战项目 2 - 动手搭建一个卷积神经网络	第 2 章 - 卷积神经网络
实战项目 3 - 基于卷积神经网络的人脸表情识别	第 3 章 - 图像分类
实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类	第 3 章 - 图像分类
实战项目 5 - 使用OpenCV进行图像全景拼接	第 6 章 - 软件环境搭建与工具使用
实战项目 6 - Kaggle比赛：图像分类（CIFAR-10）	第 8 章 - 著名数据集及基准
实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs）	第 8 章 - 著名数据集及基准
实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战	第 9 章 - 检测与分割实战项目
实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战	第 9 章 - 检测与分割实战项目
实战项目 10 - 实时高分辨率背景抠图	第 9 章 - 检测与分割实战项目
实战项目 11 - 车道线检测项目实战	第 10 章 - 计算机视觉课题研究初探
实战项目 12 - PyTorch 如何使用TensorBoard	第 13 章 - 可视化和理解
实战项目 13 - 图像样式迁移	第 14 章生成对抗模型
实战项目 14 - 旧照片修复	第 14 章 - 生成对抗模型
实战项目 15 - 动漫头像生成	第 14 章 - 生成对抗模型
项目实战 16 - 视频理解项目实战 SlowFast + Multi-Moments in Time	第 16 章 - 视频理解
实战项目 17 - 蚂蚁和蜜蜂的分类问题	第 17 章 - 迁移学习
实战项目 18 - 基于Transformer的视频实例分割网络VisTR (CVPR2021)	第 19 章 - 跨界模型 Transformer
实战项目 19 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读	第 20 章 - 知识蒸馏
…	…	…

README 内容过长，已截取前 64 KB。完整内容请前往 GitHub 仓库查看。

暂无评论

computer-vision-in-action

项目介绍

README 摘要

常见问题

相关仓库

关于

简要分析

语言占比

贡献者

✨ 以用促学，先会后懂 ✨

L0CV 🔊 一种结合了代码、图示和HTML的在线学习媒介

计算机视觉实战演练：算法与应用 📌 Computer Vision in Action

👉 在线阅读（优先更新实战篇和进阶篇）

最新版PDF下载

Index

💠 全书组织

🌈 愿景

📘 本书目录

👉 在线阅读（优先更新实战篇和进阶篇）

序言

主要符号表

绪论篇

理论篇

实战篇

进阶篇

附录

后记

参考文献

🔍 文件浏览

L0CV DemoDay

以用促学，先会后懂。理解深度学习的最佳方法是学以致用。

评论

L0CV ^🔊 一种结合了代码、图示和HTML的在线学习媒介

计算机视觉实战演练：算法与应用 ^📌
Computer Vision in Action