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代優化算法，可用于訓練更健壯的識別系統。

第4章提供理論細節和實踐代碼，以便將最先進的解決方案（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最新版本的指南。最后，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。