计算机视觉解决方案日益普及，在医疗、汽车、社交媒体和机器人等领域取得了不错的进展。
　　《计算机视觉实战：基于TensorFlow 2》将帮助你了解全新版本的谷歌机器学习开源框架TensorFlow 2，你将掌握如何使用卷积神经网络（CNN）完成视觉任务。
　　《计算机视觉实战：基于TensorFlow 2》从计算机视觉和深度学习基础知识开始，教你如何从头开始构建神经网络。你将掌握一些让TensorFlow成为广泛使用的Al库的特性，以及直观的Keras接口，继而高效地构建、训练和部署CNN。通过具体的代码示例，《计算机视觉实战：基于TensorFlow 2》展示了如何使用Inception和ResNet等现代神经网络分类图像，以及如何使用YOLO、MaskR-CNN和U-Net提取特定内容。《计算机视觉实战：基于TensorFlow 2》还将介绍如何构建生成式对抗网络（GAN）和变分自编码器（VAE）来生成和编辑图像，以及如何使用LSTM分析视频。在此过程中，你将深入了解迁移学习、数据增强、域适应，以及移动设备和Web部署等高级知识以及其他关键概念。
　　通过阅读《计算机视觉实战：基于TensorFlow 2》，你将获得使用TensorFlow 2解决高级计算机视觉问题的理论知识和实际技能。
　　通过阅读《计算机视觉实战：基于TensorFlow 2》，你将学到：
　　如何从头开始创建神经网络。
　　如何使用包括Inception和ResNet在内的现代神经网络架构进行图像分类。
　　如何使用YOLO、MaskR-CNN和U-Net检测、分割图像中的目标。
　　如何解决自动驾驶汽车开发和面部表情识别系统中的问题。
　　如何使用迁移学习、GAN和域适应提升应用的性能。
　　如何使用循环神经网络进行视频分析。
　　如何在移动设备和浏览器上优化和部署神经网络。

　　本杰明·普朗什（Benjamin Planche），他在计算机视觉和深度学习领域的全球多个研究实验室（法国LIRIS、日本三菱电机和德国西门子）工作超过5年。他的研究重点是针对工业应用使用更少的数据开发更智能的视觉系统。他还在在线平台（例如StackOverflow）上分享自己的知识和经验，或者创建有美感的演示系统。
　　
　　艾略特·安德烈斯（Eliot Andres），深度学习和计算机视觉工程师。他在该领域拥有3年以上的经验，涉及银行、医疗、社交媒体和视频流等行业。他关注的是工业化，即通过将新技术应用于商业问题来实现价值。
　　
　　闫龙川，博士，国家电网有限公司信息通信分公司高级工程师，主要从事电力信息通信系统运行管理工作，研究兴趣包括深度学习、强化学习、自然语言处理、云计算及数据中心管理等。
　　
　　李君婷，硕士，国家电网有限公司大数据中心高级工程师，主要从事电力大数据分析应用、价值挖掘工作，研究兴趣包括金融科技、深度学习、颠覆性创新等。
　　
　　高德荃，博士，国家电网有限公司信息通信分公司高级工程师，主要从事电力信息通信系统运行分析工作，研究兴趣包括机器学习与数据科学、地理空间分析等。

译者序
前言
作者简介
审校者简介

第一部分 TensorFlow 2和应用于计算机视觉的深度学习
第1章 计算机视觉和神经网络
1．1 技术要求
1．2 广义计算机视觉
1．2．1 计算机视觉概述
1．2．2 主要任务及其应用
1．3 计算机视觉简史
1．3．1 迈出成功的第一步
1．3．2 深度学习的兴起
1．4 开始学习神经网络
1．4．1 建立神经网络
1．4．2 训练神经网络
1．5 本章小结
问题
进一步阅读
第2章 TensorFlow基础和模型训练
2．1 技术要求
2．2 TensorFlow 2和Keras入门
2．2．1 TensorFlow
2．2．2 基于Keras的简单计算机视觉模型
2．3 TensorFlow 2和Keras详述
2．3．1 核心概念
2．3．2 高级概念
2．4 TensorFlow生态系统
2．4．1 TensorBoard
2．4．2 TensorFlow插件和扩展
2．4．3 TensorFlowLite和TensorFlow．js
2．4．4 在何处运行模型
2．5 本章小结
问题
第3章 现代神经网络
3．1 技术要求
3．2 卷积神经网络
3．2．1 用于多维数据的神经网络
3．2．2 CNN操作
3．2．3 有效感受野
3．2．4 在TensorFlow中使用CNN
3．3 训练过程微调
3．3．1 现代网络优化器
3．3．2 正则化方法
3．4 本章小结
问题
进一步阅读

第二部分 先进的经典识别问题解决方案
第4章 主流分类工具
4．1 技术要求
4．2 了解高级CNN架构
4．2．1 VGG：CNN的标准架构
4．2．2 GoogLeNet和Inception模块
4．2．3 ResNet：残差网络
4．3 利用迁移学习
4．3．1 概述
4．3．2 基于TensorFlow和Keras的迁移学习
4．4 本章小结
问题
进一步阅读
第5章 目标检测模型
5．1 技术要求
5．2 目标检测介绍
5．2．1 背景
5．2．2 模型的性能评价
5．3 YOLO：快速目标检测算法
5．3．1 YOLO介绍
5．3．2 使用YOLO推理
……

第三部分 高级概念和计算机视觉新进展

附录
参考文献
问题答案

　　近年来，在深度学习技术的推动下，计算机视觉技术在众多人工智能技术中率先成熟，被广泛用于车牌识别、人物检测、视频安防等诸多领域。计算机视觉成为深度学习领域中热门的技术方向之一，在图像分类、目标检测、情感分析、语义分割方面总有新的算法、神经网络结构和技术出现，智能处理能力不断提升。
　　特征选择和处理是计算机视觉领域的关键技术之一，早期一般采用人工方法构建特征（比如纹理、颜色、物体等底层特征），然后使用规则、机器学习等方法，根据这些特征判断并识别图像和视频中的任务、场景或者活动等高层语义。由于各类应用场景的特征难以统一定义，底层特征和高层语义之间的鸿沟无法有效弥补，传统的计算机视觉技术受到一定的限制，没有得到广泛应用。
　　随着深度学习技术的兴起、计算机运算能力的不断提升和数据集的日益完善，深度神经网络可以自动抽取底层视觉特征，并与高层语义关联，从而实现端到端的图像与视频的智能分析和检测，大大降低了计算机视觉应用的算法设计难度。特别是随着TensorFlow等神经网络框架的开源和普及，有大量的典型神经网络结构和优化算法可供使用，计算机视觉应用的工程开发难度进一步降低。很多优秀的神经网络结构和算法都有TensorFlow版本的开源实现。现在，越来越多的研究人员和软件工程师使用TensorFlow进行计算机视觉相关的研究与应用开发工作，使得TensorFlow社区的力量不断增强。近期发布的TensorFlow 2引入了很多新特性，让深度神经网络的设计和开发更加容易。本书是使用TensorFlow 2进行计算机视觉开发的实用指南，作者基于深厚的理论功底和丰富的实践经验，深入浅出地介绍了计算机视觉和神经网络、TensorFlow基础和模型训练、现代神经网络等知识，并结合最新进展和应用案例，介绍了VGG、GoogLeNet、ResNet、YOLO、R-CNN、U-Net等先进神经网络结构。通过阅读本书，读者可以掌握神经网络的理论知识，学习解决计算机视觉问题的方法，并能够着手解决一些高级计算机视觉问题。我们相信读者一定会收获颇丰。