我们正处在一个“智能”的年代，比如智能手机中的语音助手、机器翻译和人脸识别；战胜过日本将棋冠军、国际象棋冠军， 2017 年又打败世界围棋冠军的棋类AI；以及即将实用化的无人驾驶智能汽车。原来被认为不可能实现的事情，人工智能正一步一步地帮助我们实现。在这个让人惊喜的世界里，深度学习技术发挥着至关重要的作用，在很多人没有注意到的地方，深度学习正在潜移默化地改变着人们的工作和生活。目前，深度学习已经在计算机视觉、自然语言处理和语音识别等领域得到广泛的应用，同时正在向教育、医疗、金融及制造等领域渗透，各行各业也都在招揽掌握了深度学习技术的人才。 我有着多年的计算机视觉研究经验，在这个领域中，深度学习正在逐步取代“人工特征+机器学习”的传统视觉算法。其中的原因主要有两方面：一方面是深度学习在很多任务上实现了超出传统算法的精度，另一方面是传统视觉算法中的“人工特征”需要大量的经验以及对任务和数据的深刻理解，而深度学习能够根据数据自行学习如何提取特征，极大地降低了机器视觉任务的难度。
深度学习技术正在快速发展，每年都会出现很多新的优秀算法，但是这些算法越来越复杂，对于初学者来说，跟进最新的研究成果变得越来越难。我观察到很多用户非常关注深度学习，并且对 PyTorch 有着很大的兴趣，可惜相关资料太过晦涩难懂，难以入门。为了让读者能够更好地理解深度学习的思维，学会使用深度学习工具，我写了这本《Python计算机视觉与深度学习实战》。
这本书立足实践，从机器学习的基础技能出发，深入浅出地介绍了如何使用 Python 进行基于深度学习的计算机视觉项目开发。开篇首先介绍了基于传统机器学习及图像处理方法的计算机视觉技术；然后重点就图像分类、目标检测、图像分割、图像搜索、图像压缩及文本识别等常见的计算机视觉项目做了理论结合实践的讲解；最后探索了深度学习项目落地时会用到的量化、剪枝等技术，并提供了模型服务端部署案例。
从零到一搭建优美的深度学习模型
在基础讲解部分，我们为读者介绍了 scikit-learn 和 PyTorch 两个库的组成模块，以及每个模块能解决的问题，通过编程实验对深度学习理论进行展示，让读者能够摆脱复杂难懂的数学公式，在编程的过程中直观理解深度学习领域晦涩的原理。在项目实例部分，为了帮助初学者快速了解深度学习中的一些细分领域（如目标检测、图像分割、生成对抗网络等）的技术发展现状，本书对相应领域的经典算法进行了介绍，并根据经典算法的思路，针对性地设计了适合初学者学习的实例项目。这些项目去除了算法中的烦琐细节，仅保留最基础的逻辑，力求让读者在编写代码之前，更好地理解任务思路。我们为读者挑选了很多在工业界有实际应用场景的深度学习项目，重点介绍它们的思路以及代码实现。
为了方便读者的学习，本书中的代码有下面 3 种形式。
小型实验样例采用命令行形式编写，每行代码前都会有“>>>”标记。
配图较多的实例使用 Jupyter Notebook 编写，在每一段代码前都有“In”标记。
实例项目采用项目文件的形式编写，章节开头会给出项目的目录结构，章节内的代码以文件为单位进行展示，代码的第一行标注所属文件的名称。
深度学习相关的科研工作者
计算机视觉从业者
想要了解深度学习技术的程序员
对深度学习感兴趣的其他读者
《Python计算机视觉与深度学习实战》是一本超简单的计算机视觉书，教你从零到一搭建优美的深度学习模型，基于sklearn+PyTorch，以理论+实践方式介绍计算机视觉项目，适合有一定的Python 编程基础，初学深度学习的读者阅读。安徽外国语学院计算机讲师，省级自然科学基金重点项目“基于大数据与人工智能技术的在线学习评价系统”主持人，《Python 数据爬取技术与实战手册》主编，参与多项人工智能研究项目并发表相关论文两篇。
科大讯飞算法工程师，GiantPandaCV 作者之一，主要研究方向为光学字符识别与语音识别，热衷于 PyTorch 技术分享，对深度学习相关技术有深入了解。
福 利 时 间
最后是福利时间：本次为大家送上4本《Python计算机视觉与深度学习实战》，留言区谈谈你的计算机视觉与深度学习学习体会或者建议，截止2021年9月5日周日晚22点，我们会从留言区选择4位认真留言的读者进行赠书（注意，不以点赞为依据，在其他公号已获赠此书者，重复参与活动无效）。进技术交流群请添加AINLP小助手微信（id: ainlper)
关于AINLP
AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。
阅读至此了，分享、点赞、在看三选一吧🙏
