由于利用了卷積神經網絡（Convolutional Neural Network，CNN）等深度學習方法，計算機視覺技術在醫(yī)療、自動駕駛、社交媒體和機器人等領域的應用達到新的高度。無論是自動處理復雜的任務，指導專家的工作，還是幫助藝術家創(chuàng)作，越來越多的公司都在應用計算機視覺解決方案。
本書將探討TensorFlow 2，這是谷歌機器學習開源框架的全新版本。書中介紹Tensor- Flow 2的關鍵特性和的解決方案，并演示如何有效地構建、訓練和部署CNN，以完成各種實際任務。
讀者對象
本書適用于任何具備一定Python編程和圖像處理基礎（例如，知道如何讀取和寫入圖像文件，如何編輯其像素值等）的從業(yè)人員。本書將循序漸進地介紹相關內容，不僅適用于深度學習初學者，也適用于對TensorFlow 2的新特性感興趣的專家。
雖然一些理論解釋需要代數和微積分知識，但是書中的具體例子更側重于實際應用。按照所述步驟，你將能夠處理現(xiàn)實生活中的任務，比如自動駕駛汽車的視覺識別和智能手機應用。
本書內容
第1章介紹計算機視覺和深度學習，提供一些理論背景，并教你如何從零開始實現(xiàn)和訓練視覺識別神經網絡。
第2章介紹與計算機視覺相關的TensorFlow 2概念，以及一些更高級的理念。此外，介紹TensorFlow的子模塊Keras，并講述基于該框架實現(xiàn)的簡單識別方法的訓練過程。
第3章介紹CNN，并解釋它如何改變計算機視覺。本章還介紹正則化工具和現(xiàn)代優(yōu)化算法，可用于訓練更健壯的識別系統(tǒng)。
第4章提供理論細節(jié)和實踐代碼，以便將的解決方案（如Inception和ResNet）應用于圖像分類。本章還解釋什么使得遷移學習成為機器學習中的一個關鍵概念，以及如何使用TensorFlow 2來實現(xiàn)它。
第5章討論兩種檢測圖像中特定對象的方法的架構，其中YOLO（You Only Look Once）模型以其速度聞名，而Faster R-CNN則以其準確性聞名。
第6章介紹自動編碼器以及像U-Net和FCN這樣的網絡如何用于圖像去噪、語義分割等。
第7章聚焦于為深度學習應用高效收集和預處理數據集的解決方案，介紹構建優(yōu)化數據流水線的TensorFlow工具，以及彌補數據不足的各種解決方案（圖像繪制、域適應和生成式網絡，如VAE和GAN）。
第8章討論循環(huán)神經網絡，并介紹更高級的長短期記憶架構。本章提供將LSTM應用于視頻動作識別的實用代碼。
第9章詳細介紹在速度、磁盤空間和計算性能方面的模型優(yōu)化。本章通過一個實際的示例，介紹如何在移動設備和瀏覽器上部署TensorFlow解決方案。
附錄提供關于TensorFlow 1的一些信息，重點介紹TensorFlow 2中引入的關鍵變化。此外，還包括從舊項目遷移到版本的指南。后，列出了每章的參考書目，供想要深入了解相關領域的讀者參考。
如何閱讀本書
以下部分包含一些信息和建議，方便讀者閱讀本書，并幫助讀者從其他材料中受益。
下載并運行示例代碼文件
本書不僅對TensorFlow 2和先進的計算機視覺方法進行了深入探討，還提供了大量的示例及其完整實現(xiàn)。
本書的示例代碼可以從http://www.packtpub.com通過個人賬號下載，也可以訪問華章圖書官網http://www.hzbook.com，通過注冊并登錄個人賬號下載。
本書的代碼包也托管在GitHub上，地址是https://github.com/ PacktPublishing/Hands-On-Computer-Vision-with-TensorFlow-2。如果代碼有更新，現(xiàn)有的GitHub存儲庫也會隨之更新。
研究并運行實驗
Jupyter Notebook （https://jupyter.org）是一個用于創(chuàng)建和共享Python腳本、文本信息、可視化結果、方程式等的開源Web應用程序。我們把隨書提供的詳細代碼、預期結果和補充說明文件稱為 Jupyter Notebook。每一個Jupyter Notebook都包含一個具體的計算機視覺任務。例如，一個Notebook解釋了如何訓練CNN在圖像中檢測動物，另一個則詳細介紹了建立自動駕駛汽車識別系統(tǒng)的所有步驟，等等。
正如我們將在下面看到的，你可以直接研究這些文檔，也可以將它們用作代碼段來運行和重現(xiàn)書中介紹的實驗。
在線學習Jupyter Notebook
如果只是想瀏覽一下提供的代碼和結果，那么可以直接在本書的GitHub存儲庫中訪問它們。事實上，GitHub能夠渲染Jupyter Notebook并將其顯示為靜態(tài)網頁。
但是，GitHub查看器會忽略一些樣式和交互內容。為了獲得的在線觀看體驗，建議使用 Jupyter nbviewer （https://nbviewer.jupyter.org），這是一個官方的網絡平臺，可以用來閱讀上傳至網上的Jupyter Notebook。通過這個網站可以查詢存儲在GitHub存儲庫中的Notebook，因此，所提供的Jupyter Notebook也可以通過https://nbviewer.jupyter.org/github/PacktPublishing/Hands-On-Computer-Vision-with-TensorFlow-2閱讀。
在你自己的計算機上運行Jupyter Notebook
要在你自己的計算機上閱讀或運行這些文檔，首先要安裝Jupyter Notebook。對于那些已經使用Anaconda（https://www.anaconda.com）來管理和部署Python環(huán)境（本書推薦這種方式）的用戶，Jupyter Notebook應該是可以直接使用的（因為它安裝在Anaconda中）。對于那些使用其他Python發(fā)行版和不熟悉Jupyter Notebook的用戶，建議查看一下說明文檔，其中提供了安裝說明和教程（https://jupyter.org/documentation）。
安裝了Jupyter Notebook之后，導航到包含本書代碼文件的目錄，打開終端，并執(zhí)行以下命令：
$ jupyter notebook
應該會在默認瀏覽器中打開Web界面，現(xiàn)在，就應該能夠瀏覽目錄并打開本書提供的Jupyter Notebook了，可以閱讀、執(zhí)行或編輯它們。
部分文檔包含較高級的實驗，可能需要大量的計算資源（比如在大型數據集上訓練識別算法）。如果沒有適當的加速硬件（也就是說，如果沒有兼容的NVIDIA GPU，參見第2章），運行這些腳本可能需要數小時甚至數天（即使有兼容的GPU，運行的實例也可能需要相當長的時間）。
用谷歌Colab運行Jupyter Notebook
對于那些希望自己運行Jupyter Notebook，或者嘗試新實驗，但又無法使用足夠強大的計算機的用戶，建議使用名為Colaboratory的谷歌Colab（https://colab.research.google.com）。它是一個基于云的Jupyter Notebook，由谷歌提供，以便在強大的計算機上運行計算密集型腳本。你可以在GitHub存儲庫中找到關于此服務的更多細節(jié)。
本書約定
本書中使用了以下約定。
正文中的代碼字體：表示文本中的代碼和用戶輸入。例如，Model對象的.fit()方法啟動訓練過程。
代碼塊示例：

代碼塊中需要關注的某個特定部分會以粗體表示：

命令行輸入或輸出示例：

粗體：表示新術語、重要詞語以及在屏幕上顯示的內容。例如，菜單或對話框中的單詞會這樣顯示在文本中：你可以在TensorBoard的Scalars頁面上觀察解決方案的性能。
表示警告或重要提示。

表示提示或技巧。