fbpx

[email protected]

购物车

 查看订单

  • 我的帐户
东东购 | EasternEast
  • 中文书店
    • 畅销排行榜
      • 小说 畅销榜
      • 童书 畅销榜
      • 外语畅销榜
      • 管理畅销榜
      • 法律畅销榜
      • 青春文学畅销榜
    • 热门分类
      • 社会小说
      • 成功/励志 畅销榜
      • 人物传记
      • 大陆原创
      • 绘本童书
      • 影视小说
    • 文学推荐
      • 文集
      • 戏剧
      • 纪实文学
      • 名家作品
      • 民间文学
      • 中国现当代随笔
    • 新书热卖榜
      • 小说 新书热卖榜
      • 青春文学 新书热卖榜
      • 童书 新书热卖榜
      • 管理 新书热卖榜
      • 成功/励志 新书热卖榜
      • 艺术 新书热卖榜
  • 精选分类
    • 小说
    • 保健养生
    • 烹饪/美食
    • 风水/占卜
    • 青春文学
    • 童书
    • 管理
    • 成功/励志
    • 文学
    • 哲学/宗教
    • 传记
    • 投资理财
    • 亲子家教
    • 动漫/幽默
    • 法律 Legal
    • 经济 Economics
    • 所有分类
  • 关于东东
  • 帮我找书
搜索
首页计算机/网络人工智能深度学习之PyTorch物体检测实战

深度学习之PyTorch物体检测实战

【百度自动驾驶高级算法工程师力作!长江学者特聘教授王田苗、百度自动驾驶技术总监陶吉等7位大咖力荐!详解物体检测的概念、发展、经典实现方法及Faster RCNN、SSD、YOLO三大经典检测器】

作者:董洪义 出版社:机械工业出版社 出版时间:2020年01月 

ISBN: 9787111641742
年中特卖用“SALE15”折扣卷全场书籍85折！可与三本88折，六本78折的优惠叠加计算！全球包邮!
trust badge

EUR €52.99

类别： 计算机/网络 畅销榜, 人工智能 SKU：5ecd81675f984914739fa641 库存: 有现货
  • 描述
  • 评论（ 0 ）

描述

开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787111641742

产品特色

编辑推荐

百度自动驾驶高级算法工程师重磅力作

长江学者特聘教授王田苗、百度自动驾驶技术总监陶吉等7位专家力荐

提供完整的源代码文件及相关的论文导引

系统介绍物体检测的相关概念、发展和经典实现方法

用PyTorch从代码角度详解Faster RCNN、SSD和YOLO三个经典检测器

详细讲解物体检测的轻量化网络、细节处理、难点问题及未来发展趋势

7位重量级大咖力荐：

教育部长江学者特聘教授  王田苗

百度自动驾驶技术总监  陶吉

百度自动驾驶前事业部主任架构师  夏添

商汤科技研发总监  武伟

义柏资本技术专家  丁宁

旷视研究院研究员  朱本金

阿里巴巴达摩院视觉工程师  唐家声

一分钟了解《深度学习之PyTorch物体检测实战》：

学习物体检测需要哪些基础知识？

如何成为PyTorch框架的“老司机”？

怎样理解Faster RCNN、SSD与YOLO？

什么是Anchor与NMS？该如何改进？

如何实现轻量化检测网络？

如何缓解样本不均衡与过拟合问题？

如何解决多尺度检测与拥挤遮挡检测？

物体检测未来的发展趋势如何？

如何选择适合自己应用的检测器？

……

通过阅读《深度学习之PyTorch物体检测实战》，你将获得这些复杂问题的基本答案，并能较为全面地掌握物体检测技术。

《深度学习之PyTorch物体检测实战》核心内容：

理论基础：

物体检测发展历程

PyTorch框架基础知识

多种网络骨架：Backbone

物体检测三大经典框架：

两阶经典检测器：Faster RCNN

单阶多层检测器：SSD

单阶经典检测器：YOLO

物体检测深入分析：

压缩再扩展：SqueezeNet

深度可分离：MobileNet

通道间混洗：ShuffleNet

非极大值抑制：NMS

样本不均衡问题

模型过拟合

多尺度物体检测

拥挤与遮挡检测

Anchor-Free思想

物体检测发展趋势

超值赠送：

源代码（需要下载）

 

内容简介

《深度学习之PyTorch物体检测实战》从概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，《深度学习之PyTorch物体检测实战》进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。

《深度学习之PyTorch物体检测实战》共10章，涵盖的主要内容有物体检测与PyTorch框架基础概念与背景知识；PyTorch基础知识；基础卷积网络Backbone；两阶经典检测器Faster RCNN；单阶多层检测器SSD；单阶经典检测器YOLO；模型加速之轻量化网络；物体检测细节处理；物体检测难点问题；物体检测的未来发展。

《深度学习之PyTorch物体检测实战》内容丰富，讲解通俗易懂，案例典型，实用性强，特别适合PyTorch框架爱好者和物体检测相关从业人员阅读，也适合深度学习和计算机视觉领域的研究人员阅读。另外，《深度学习之PyTorch物体检测实战》还适合作为深度学习培训机构的教材使用。

作者简介

董洪义  本科、硕士均毕业于北京航空航天大学。深度学习与PyTorch资深爱好者。现任百度自动驾驶高级算法工程师。曾担任Phantom Tiger算法负责人、地平线智能驾驶部门算法实习生、北航国际拓展团团长。曾经被评为北京航空航天大学年度人物。曾经获得了Kaggle竞赛银牌。本科期间成绩年级第一，曾前往日本、英国、比利时、荷兰等国的知名学校访问交流。研究方向为自动驾驶感知、智能机器人与计算机视觉。有3年以上的深度学习研发经验。

目　　录
第1篇  物体检测基础知识
第1章  浅谈物体检测与PyTorch 2
1.1  深度学习与计算机视觉 2
1.1.1  发展历史 2
1.1.2  计算机视觉 7
1.2  物体检测技术 9
1.2.1  发展历程 10
1.2.2  技术应用领域 11
1.2.3  评价指标 12
1.3  PyTorch简介 17
1.3.1  诞生与特点 17
1.3.2  各大深度学习框架对比 17
1.3.3  为什么选择PyTorch 19
1.3.4  安装方法 20
1.4  基础知识准备 22
1.4.1  Linux基础 22
1.4.2  Python基础 24
1.4.3  高效开发工具 29
1.5  总结 36
第2章  PyTorch基础 37
2.1  基本数据：Tensor 37
2.1.1  Tensor数据类型 37
2.1.2  Tensor的创建与维度查看 39
2.1.3  Tensor的组合与分块 41
2.1.4  Tensor的索引与变形 42
2.1.5  Tensor的排序与取极值 46
2.1.6  Tensor的自动广播机制与向量化 46
2.1.7  Tensor的内存共享 47
2.2  Autograd与计算图 48
2.2.1  Tensor的自动求导：Autograd 49
2.2.2  计算图 50
2.2.3  Autograd注意事项 51
2.3  神经网络工具箱torch.nn 52
2.3.1  nn.Module类 52
2.3.2  损失函数 55
2.3.3  优化器nn.optim 56
2.4  模型处理 59
2.4.1  网络模型库：torchvision.models 59
2.4.2  加载预训练模型 60
2.4.3  模型保存 61
2.5  数据处理 61
2.5.1  主流公开数据集 61
2.5.2  数据加载 63
2.5.3  GPU加速 65
2.5.4  数据可视化 66
2.6  总结 68
第3章  网络骨架：Backbone 69
3.1  神经网络基本组成 69
3.1.1  卷积层 70
3.1.2  激活函数层 72
3.1.3  池化层 75
3.1.4  Dropout层 76
3.1.5  BN层 77
3.1.6  全连接层 79
3.1.7  深入理解感受野 81
3.1.8  详解空洞卷积（Dilated Convolution） 82
3.2  走向深度：VGGNet 83
3.3  纵横交错：Inception 87
3.4  里程碑：ResNet 93
3.5  继往开来：DenseNet 95
3.6  特征金字塔：FPN 99
3.7  为检测而生：DetNet 106
3.8  总结 110
第2篇  物体检测经典框架
第4章  两阶经典检测器：Faster RCNN 112
4.1  RCNN系列发展历程 112
4.1.1  开山之作：RCNN 112
4.1.2  端到端：Fast RCNN 113
4.1.3  走向实时：Faster RCNN 114
4.2  准备工作 114
4.3  Faster RCNN总览 115
4.4  详解RPN 117
4.4.1  理解Anchor 117
4.4.2  RPN的真值与预测量 119
4.4.3  RPN卷积网络 120
4.4.4  RPN真值的求取 122
4.4.5  损失函数设计 124
4.4.6  NMS与生成Proposal 125
4.4.7  筛选Proposal得到RoI 126
4.5  RoI Pooling层 127
4.6  全连接RCNN模块 130
4.6.1  RCNN全连接网络 130
4.6.2  损失函数设计 131
4.7  Faster RCNN的改进算法 131
4.7.1  审视Faster RCNN 132
4.7.2  特征融合：HyperNet 133
4.7.3  实例分割：Mask RCNN 134
4.7.4  全卷积网络：R-FCN 137
4.7.5  级联网络：Cascade RCNN 139
4.8  总结 141
第5章  单阶多层检测器：SSD 142
5.1  SSD总览 142
5.1.1  SSD的算法流程 142
5.1.2  代码准备工作 143
5.2  数据预处理 144
5.2.1  加载PASCAL数据集 144
5.2.2  数据增强 144
5.3  网络架构 148
5.3.1  基础VGG结构 148
5.3.2  深度卷积层 149
5.3.3  PriorBox与边框特征提取网络 150
5.3.4  总体网络计算过程 153
5.4  匹配与损失求解 154
5.4.1  预选框与真实框的匹配 154
5.4.2  定位损失的计算 155
5.4.3  难样本挖掘 156
5.4.4  类别损失计算 156
5.5  SSD的改进算法 157
5.5.1  审视SSD 157
5.5.2  特征融合：DSSD 158
5.5.3  彩虹网络：RSSD 160
5.5.4  基于SSD的两阶：RefineDet 162
5.5.5  多感受野融合：RFBNet 165
5.6  总结 166
第6章  单阶经典检测器：YOLO 167
6.1  无锚框预测：YOLO v1 167
6.1.1  网络结构 167
6.1.2  特征图的意义 168
6.1.3  损失计算 169
6.2  依赖锚框：YOLO v2 171
6.2.1  网络结构的改善 171
6.2.2  先验框的设计 173
6.2.3  正、负样本与损失函数 175
6.2.4  正、负样本选取代码示例 176
6.2.5  工程技巧 179
6.3  多尺度与特征融合：YOLO v3 180
6.3.1  新网络结构DarkNet-53 180
6.3.2  多尺度预测 181
6.3.3  Softmax改为Logistic 182
6.4  总结 183
第3篇  物体检测的难点与发展
第7章  模型加速之轻量化网络 186
7.1  压缩再扩展：SqueezeNet 188
7.1.1  SqueezeNet网络结构 188
7.1.2  SqueezeNet总结 190
7.2  深度可分离：MobileNet 191
7.2.1  标准卷积 191
7.2.2  深度可分离卷积 192
7.2.3  MobileNet v1结构 193
7.2.4  MobileNet v1总结 198
7.2.5  MobileNet v2 198
7.3  通道混洗：ShuffleNet 200
7.3.1  通道混洗 201
7.3.2  网络结构 202
7.3.3  ShuffleNet v2 205
7.4  总结 207
第8章  物体检测细节处理 209
8.1  非极大值抑制：NMS 209
8.1.1  NMS基本过程 210
8.1.2  抑制得分：Soft NMS 212
8.1.3  加权平均：Softer NMS 213
8.1.4  定位置信度：IoU-Net 215
8.2  样本不均衡问题 217
8.2.1  不均衡问题分析 217
8.2.2  在线难样本挖掘：OHEM 219
8.2.3  专注难样本：Focal Loss 221
8.3  模型过拟合 224
8.3.1  数据增强 226
8.3.2  L1与L2正则化 227
8.4  总结 229
第9章  物体检测难点 230
9.1  多尺度检测 230
9.1.1  多尺度问题 230
9.1.2  降低下采样率与空洞卷积 232
9.1.3  Anchor设计 233
9.1.4  多尺度训练 235
9.1.5  特征融合 235
9.1.6  尺度归一化：SNIP 236
9.1.7  三叉戟：TridentNet 238
9.2  拥挤与遮挡 239
9.2.1  遮挡背景 240
9.2.2  排斥损失：Repulsion Loss 242
9.2.3  OR-CNN 244
9.3  总结 247
第10章  物体检测的未来发展 248
10.1  重新思考物体检测 248
10.1.1  精度与速度的权衡 249
10.1.2  卷积网络的可解释性与稳定性 249
10.1.3  训练：微调还是随机初始化 250
10.1.4  考虑物体间关系的检测 251
10.1.5  优化卷积方式 252
10.1.6  神经架构搜索：NAS 253
10.1.7  与产业结合的创新 255
10.2  摆脱锚框：Anchor-Free 257
10.2.1  重新思考Anchor 257
10.2.2  基于角点的检测：CornerNet 258
10.2.3  检测中心点：CenterNet 262
10.2.4  锚框自学习：Guided Anchoring 264
10.3  总结 266
前　　言

随着深度学习的飞速发展，计算机视觉技术取得了令人瞩目的成果，尤其是物体检测这一基础又核心的分支，诞生了众多经典算法，在自动驾驶、智能医疗、智能安防及搜索娱乐等多个领域都得到了广泛应用。与此同时，诞生于2017年的PyTorch框架，凭借其简洁优雅、灵活易上手等优点，给开发人员留下了深刻的印象。

目前，国内图书市场上已经出版了几本PyTorch方面的图书，但大多数图书停留在浅层的概念与简单示例的讲解上，缺乏实用性，而且也没有一本系统讲解PyTorch物体检测方面的图书。因此，图书市场上迫切需要一本系统介绍PyTorch物体检测技术的书籍。这便是笔者写作《深度学习之PyTorch物体检测实战》的初衷。

《深度学习之PyTorch物体检测实战》是国内原创图书市场上首部系统介绍物体检测技术的图书。书中利用PyTorch深度学习框架，从代码层面讲解了Faster RCNN、SSD及YOLO这三大经典框架的相关知识，并进一步介绍了物体检测的细节与难点问题，让读者可以全面、深入、透彻地理解物体检测的种种细节，并能真正提升实战能力，从而将这些技术灵活地应用到实际开发中，享受深度学习带来的快乐。

《深度学习之PyTorch物体检测实战》特色

1.系统介绍了PyTorch物体检测技术

《深度学习之PyTorch物体检测实战》深入物体检测这一基础又核心的技术，从其诞生背景、主流算法、难点问题、发展趋势等多个角度详细介绍了物体检测知识，并结合代码给出了多个算法的实现。

  1. 从代码角度详细介绍了物体检测的三大算法

《深度学习之PyTorch物体检测实战》介绍了Faster RCNN、SSD及YOLO这三个影响深远的检测算法，从代码层面详细介绍了它们所实现的每一个细节与难点，并进行了优缺点分析，而且给出了多种优化算法。

  1. 涵盖所有主流的物体检测算法

《深度学习之PyTorch物体检测实战》几乎涵盖所有主流的物体检测算法，包括VGGNet、ResNet、FPN、DenseNet和DetNet等卷积基础网络，以及从Faster RCNN、HyperNet、Mask RCNN、SSD、RefineDet、YOLO v1到YOLO v3、RetinaNet、CornerNet和CenterNet等物体检测算法，呈现给读者一个完整的知识体系。

  1. 给出了多个实际的物体检测实例，有很强的实用性

《深度学习之PyTorch物体检测实战》对PyTorch的知识体系进行了较为精炼的介绍，还结合物体检测算法重点介绍了PyTorch实现的多个物体检测实例。因此《深度学习之PyTorch物体检测实战》不仅是一本很好的PyTorch框架学习书籍，更是一本PyTorch物体检测实战宝典。

  1. 对物体检测技术常见的细节、难点及发展做了详细分析

《深度学习之PyTorch物体检测实战》不仅对物体检测技术的热门话题做了详细分析，例如非极大值抑制、样本不均衡、模型过拟合、多尺度检测、物体拥挤与遮挡等，而且对各种细节与常见问题做了详细分析，并给出了多种解决方法。

《深度学习之PyTorch物体检测实战》内容

第1篇  物体检测基础知识

本篇涵盖第1~3章，介绍了物体检测技术与PyTorch框架的背景知识与必备的基础知识。主要内容包括物体检测技术的背景与发展；物体检测的多种有效工具；PyTorch背景知识与基础知识；多种基础卷积神经网络的相关知识与具体实现等。掌握本篇内容，可以为读者进一步学习物体检测技术奠定基础。

第2篇  物体检测经典框架

本篇涵盖第4~6章，介绍了Faster RCNN、SSD与YOLO三大经典算法的思想与实现。主要内容包括Faster RCNN两阶算法的思想；锚框Anchor的意义与实现；Faster RCNN的多种改进算法；SSD单阶算法的思想与实现；SSD的数据增强方法及多种改进算法；YOLO单阶算法的三个版本演变过程及具体实现等。掌握本篇内容，可以让读者从代码角度学习物体检测的种种细节。

第3篇  物体检测的难点与发展

本篇涵盖第7~10章，介绍了物体检测技术的细节、难点及未来发展。主要内容包括针对模型加速的多种轻量化网络思想与实现；非极大值抑制；样本不均衡及模型过拟合等物体检测细节问题的背景知识与解决方法；多尺度、拥挤与遮挡等物体检测难点问题的背景知识与解决方法；多种摆脱锚框的检测算法；物体检测的未来发展趋势等。掌握本篇内容，可以让读者更加深入地学习物体检测的相关技术。

《深度学习之PyTorch物体检测实战》读者对象

?    需要全面学习物体检测技术的人员；

?    PyTorch框架爱好者和研究者；

?    计算机视觉从业人员与研究者；

?    深度学习从业人员与爱好者；

?    自动驾驶、智能安防等领域的开发人员；

?    人工智能相关产业的从业人员；

?    计算机、机器人等专业的高校学生。

阅读建议

?    没有物体检测与PyTorch基础的读者，建议从第1章顺次阅读并演练每一个实例。

?    有一定PyTorch与物体检测基础的读者，可以根据实际情况有重点地选择阅读各个算法的细节。

?    对于每一个检测算法，建议读者先阅读一下原论文，多思考算法设计的动机与目的，并重点思考如何用代码实现，这会加深读者对检测算法的理解。原论文的下载地址和《深度学习之PyTorch物体检测实战》源代码文件一起提供。

?    多思考各种物体检测算法的优缺点、相互之间的联系与区别，以及可以优化和改进的细节等，形成完整的知识体系树，这样会进一步加深读者对知识的理解。

配书资源获取方式

《深度学习之PyTorch物体检测实战》涉及的全部源代码都放在了GitHub上，需要读者自行下载。下载地址见图书。

有些章节的代码较多，但在书中仅给出了重要的片段代码，完整代码以GitHub上的代码为准。

另外，读者也可以登录华章公司的网站www.hzbook.com，搜索到《深度学习之PyTorch物体检测实战》，然后单击“资料下载”按钮，即可在本书页面上找到相关的下载链接。

致谢

《深度学习之PyTorch物体检测实战》的编写得到了许多人的帮助。可以说，《深度学习之PyTorch物体检测实战》是多人共同努力的结晶。感谢北京源智天下科技有限公司的王蕾，她在稿件整理方面帮我做了大量的工作！感谢王田苗教授、陶吉博士、夏添博士、侯涛刚博士、严德培、单增光、王策、鄂俊光、李成、丁宁、付航、高鹏、朱本金、彭强、王粟瑶、张腾、王兆玮、黄彬效和拓万琛等人，他们对《深度学习之PyTorch物体检测实战》提出了许多宝贵的意见和建议！感谢我的女朋友及家人，他们一直以来都对我鼓励有加，给我写作《深度学习之PyTorch物体检测实战》以最大的动力！感谢为《深度学习之PyTorch物体检测实战》付出辛勤工作的每一位编辑，他们认真、细致的工作让《深度学习之PyTorch物体检测实战》质量提高不少！

……

媒体评论

董洪义同学的这本《深度学习之PyTorch物体检测实战》，深入浅出地讲解了物体检测的核心技术与难点问题，同时注重理论与实践的结合，知行合一，强烈推荐相关领域的初学者与研究者阅读。

——北航机器人研究所教授/博导，教育部长江学者特聘教授  王田苗 

作者作为奋战在自动驾驶领域前沿的从业者，选择了物体检测这个在自动驾驶、智慧交通、智能安防等领域都至关重要的技术作为切入点，相信能带领读者利用PyTorch这件趁手的“兵器”，在计算机视觉的前沿应用领域披荆斩棘，获得过硬的实战能力。

——百度自动驾驶技术总监  陶吉 

看董洪义的这《深度学习之PyTorch物体检测实战》好像是推开了一扇窗，可以领略近些年来深度学习在物体检测领域的逐步发展过程，同时也会让有志于从事深度学习应用领域的读者收获更多的研发经验，从而迈向更高的阶段。

——百度自动驾驶前事业部主任架构师/视觉感知方向技术负责人  夏添

 

《深度学习之PyTorch物体检测实战》作者从“自包含”角度，不仅梳理了物体检测的算法发展脉络，而且还介绍了如何利用PyTorch来实现算法，是一本优秀的计算机视觉工程师入门书籍。

——商汤科技研发总监  武伟 

我个人认为技术书籍的优秀作者必须满足三点：共情能力强且能洞察读者需求；逻辑能力强且具备批判性思维；肚子里有“货”且能倾囊相授。洪义完美地满足了这三点。《深度学习之PyTorch物体检测实战》是他的用心之作，值得相关技术爱好者细读。当然，我也很期待他的下一本书。

——义柏资本技术专家/SIGAI特聘讲师  丁宁 

洪义的这本书同时兼顾了方法论和实践，对于想入门物体检测或者温习相关理论，乃至学习如何使用 PyTorch的读者来说，是一本很好的参考书。

——旷视研究院研究员  朱本金 

董洪义用丰富的专业知识和经验，填补了国内物体检测领域原创图书的空白，为相关教学和开发实战提供了一本有价值的参考图书。从一线工程师的眼光来看，这是一本能够帮助读者快速构建相关知识体系，并掌握实践经验的书，值得细读。

——阿里巴巴达摩院视觉技术一线工程师  唐家声

免费在线读
第1章  浅谈物体检测与PyTorch
在2012年的ImageNet图像识别竞赛中，Hinton率领的团队利用卷积神经网络构建的AlexNet一举夺得了冠军，从此点燃了学术界、工业界等对于深度学习、卷积网络的热情。短短六七年的时间，在图像分类、物体检测、图像分割、人体姿态估计等一系列计算机视觉领域，深度学习都收获了极大的成功。
作为本书的开篇，为了使读者有一个全面的认知，本章将专注于介绍物体检测的基础知识、发展历史，以及为什么选择PyTorch作为深度学习的框架。
1.1  深度学习与计算机视觉
近年来，人工智能、机器学习、深度学习、物体检测这样的名词经常会出现在大家的眼前，但大家对这些技术之间的区别与联系却经常混淆。基于此，本节将会介绍每一个技术的基本概念与发展历史。
1.1.1  发展历史
当前的计算机无论是处理多复杂的计算任务，其基本逻辑始终是0与1的位运算，凭借其每秒亿万的计算次数，计算机可以快速完成复杂的数学运算，这是人类无法比拟的。然而，涉及高语义的理解、判断，甚至是情感、意识（如判断一张图像中有几个儿童）这种对于人类轻而易举的任务，对计算机而言却很难处理，因为这种问题无法建立明确的数学规则。
为了赋予计算机以人类的理解能力与逻辑思维，诞生了人工智能（Artificial Intelligence，AI）这一学科。在实现人工智能的众多算法中，机器学习是发展较为快速的一支。机器学习的思想是让机器自动地从大量的数据中学习出规律，并利用该规律对未知的数据做出预测。在机器学习的算法中，深度学习是特指利用深度神经网络的结构完成训练和预测的算法。
人工智能、机器学习、深度学习这三者的关系如图1.1所示。可以看出，机器学习是实现人工智能的途径之一，而深度学习则是机器学习的算法之一。如果把人工智能比喻成人类的大脑，机器学习则是人类通过大量数据来认知学习的过程，而深度学习则是学习过程中非常高效的一种算法。
（无法传图）
图1.1  人工智能、机器学习与深度学习三者间的关系
下面详细介绍这三者的发展历程。
1．人工智能
人工智能的概念最早来自于1956年的计算机达特茅斯会议，其本质是希望机器能够像人类的大脑一样思考，并作出反应。由于极具难度与吸引力，人工智能从诞生至今，吸引了无数的科学家与爱好者投入研究。搭载人工智能的载体可以是近年来火热的机器人、自动驾驶车辆，甚至是一个部署在云端的智能大脑。
根据人工智能实现的水平，我们可以进一步分为3种人工智能，如图1.2所示。
（无法传图）
图1.2  人工智能分类
弱人工智能（Artificial Narrow Intelligence，ANI）：擅长某个特定任务的智能。例如语言处理领域的谷歌翻译，让该系统去判断一张图片中是猫还是狗，就无能无力了。再比如垃圾邮件的自动分类、自动驾驶车辆、手机上的人脸识别等，当前的人工智能大多是弱人工智能。
强人工智能：在人工智能概念诞生之初，人们期望能够通过打造复杂的计算机，实现与人一样的复杂智能，这被称做强人工智能，也可以称之为通用人工智能（Artificial General Intelligence，AGI）。这种智能要求机器像人一样，听、说、读、写样样精通。目前的发展技术尚未达到通用人工智能的水平，但已经有众多研究机构展开了研究。
超人工智能（Artificial Super Intelligence，ASI）：在强人工智能之上，是超人工智能，其定义是在几乎所有领域都比人类大脑聪明的智能，包括创新、社交、思维等。人工智能科学家Aaron Saenz曾有一个有趣的比喻，现在的弱人工智能就好比地球早期的氨基酸，可能突然之间就会产生生命。超人工智能不会永远停留在想象之中。
人类追求人工智能的脚步永不会停止，例如鼎鼎有名的智能围棋学习系统AlphaGo，由谷歌大脑团队开发，在2016年3月15日以4∶1的总比分战胜了韩国围棋选手李世石，引发了全世界巨大的反响。谷歌在时隔一年后推出了AlphaGo Zero，可以在不使用人类棋谱经验的前提下成为一个围棋高手，具有划时代的意义。我们也有理由相信，实现更高级的人工智能指日可待。
2．机器学习
机器学习是实现人工智能的重要途径，也是最早发展起来的人工智能算法。与传统的基于规则设计的算法不同，机器学习的关键在于从大量的数据中找出规律，自动地学习出算法所需的参数。
机器学习最早可见于1783年的贝叶斯定理中。贝叶斯定理是机器学习的一种，根据类似事件的历史数据得出发生的可能性。在1997年，IBM开发的深蓝（Deep Blue）象棋电脑程序击败了世界冠军。当然，最令人振奋的成就还当属2016年打败李世石的AlphaGo。
机器学习算法中最重要的就是数据，根据使用的数据形式，可以分为三大类：监督学习（Supervised Learning）、无监督学习（Unsupervised Learning）与强化学习（Reinforcement Learning），如图1.3所示。
? 监督学习：通常包括训练与预测阶段。在训练时利用带有人工标注标签的数据对模型进行训练，在预测时则根据训练好的模型对输入进行预测。监督学习是相对成熟的机器学习算法。监督学习通常分为分类与回归两个问题，常见算法有决策树（Decision Tree，DT）、支持向量机（Support Vector Machine，SVM）和神经网络等。
? 无监督学习：输入的数据没有标签信息，也就无法对模型进行明确的惩罚。无监督学习常见的思路是采用某种形式的回报来激励模型做出一定的决策，常见的算法有K-Means聚类与主成分分析（Principal Component Analysis，PCA）。
? 强化学习：让模型在一定的环境中学习，每次行动会有对应的奖励，目标是使奖励最大化，被认为是走向通用人工智能的学习方法。常见的强化学习有基于价值、策略与模型3种方法。
机器学习涉及概率、统计、凸优化等多个学科，目前已在数据挖掘、计算机视觉、自然语言处理、医学诊断等多个领域有了相当成熟的应用。
（无法传图）
图1.3  机器学习算法总览
3．深度学习
深度学习是机器学习的技术分支之一，主要是通过搭建深层的人工神经网络（Artificial Neural Network）来进行知识的学习，输入数据通常较为复杂、规模大、维度高。深度学习可以说是机器学习问世以来最大的突破之一。
深度学习的发展经历了一番波折，具体历程如图1.4所示。
最早的神经网络可以追溯到1943年的MCP（McCulloch and Pitts）人工神经元网络，希望使用简单的加权求和与激活函数来模拟人类的神经元过程。在此基础上，1958年的感知器（Perception）模型使用了梯度下降算法来学习多维的训练数据，成功地实现了二分类问题，也掀起了深度学习的第一次热潮。图1.5代表了一个最简单的单层感知器，输入有3个量，通过简单的权重相加，再作用于一个激活函数，最后得到了输出y。
（无法传图）
图1.4  深度学习发展历程
（无法传图）
图1.5  单层感知器
然而，1969年，Minsky证明了感知器仅仅是一种线性模型，对简单的亦或判断都无能为力，而生活中的大部分问题都是非线性的，这直接让学者研究神经网络的热情难以持续，造成了深度学习长达20年的停滞不前。
1986年，深度学习领域“三驾马车”之一的Geoffrey Hinton创造性地将非线性的Sigmoid函数应用到了多层感知器中，并利用反向传播（Backpropagation）算法进行模型学习，使得模型能够有效地处理非线性问题。1998年，“三驾马车”中的卷积神经网络之父Yann LeCun发明了卷积神经网络LeNet模型，可有效解决图像数字识别问题，被认为是卷积神经网络的鼻祖。
然而在此之后的多年时间里，深度学习并没有代表性的算法问世，并且神经网络存在两个致命问题：一是Sigmoid在函数两端具有饱和效应，会带来梯度消失问题；另一个是随着神经网络的加深，训练时参数容易陷入局部最优解。这两个弊端导致深度学习陷入了第二次低谷。在这段时间内，反倒是传统的机器学习算法，如支持向量机、随机森林等算法获得了快速的发展。
2006年，Hinton提出了利用无监督的初始化与有监督的微调缓解了局部最优解问题，再次挽救了深度学习，这一年也被称为深度学习元年。2011年诞生的ReLU激活函数有效地缓解了梯度消失现象。
真正让深度学习迎来爆发式发展的当属2012年的AlexNet网络，其在ImageNet图像分类任务中以“碾压”第二名算法的姿态取得了冠军。深度学习从此一发不可收拾，VGGNet、ResNet等优秀的网络接连问世，并且在分类、物体检测、图像分割等领域渐渐地展现出深度学习的实力，大大超过了传统算法的水平。
当然，深度学习的发展离不开大数据、GPU及模型这3个因素，如图1.6所示。
（无法传图）
图1.6  深度学习中的核心因素
? 大数据：当前大部分的深度学习模型是有监督学习，依赖于数据的有效标注。例如，要做一个高性能的物体检测模型，通常需要使用上万甚至是几十万的标注数据。数据的积累也是一个公司深度学习能力雄厚的标志之一，没有数据，再优秀的模型也会面对无米之炊的尴尬。
? GPU：当前深度学习如此“火热”的一个很重要的原因就是硬件的发展，尤其是GPU为深度学习模型的快速训练提供了可能。深度学习模型通常有数以千万计的参数，存在大规模的并行计算，传统的以逻辑运算能力著称的CPU面对这种并行计算会异常缓慢，GPU以及CUDA计算库专注于数据的并行计算，为模型训练提供了强有力的工具。
? 模型：在大数据与GPU的强有力支撑下，无数研究学者的奇思妙想，催生出了VGGNet、ResNet和FPN等一系列优秀的深度学习模型，并且在学习任务的精度、速度等指标上取得了显著的进步。
根据网络结构的不同，深度学习模型可以分为卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）及生成式对抗网络（Generative Adviserial Network，GAN）。
1.1.2  计算机视觉
视觉是人类最为重要的感知系统，大脑皮层中近一半的神经元与视觉有关系。计算机视觉则是研究如何使机器学会“看”的学科，最早起源于20世纪50年代，当时主要专注于光学字符识别、航空图片的分析等特定任务。在20世纪90年代，计算机视觉在多视几何、三维重建、相机标定等多个领域取得了众多成果，也走向了繁荣发展的阶段。
然而在很长的一段时间里，计算机视觉的发展都是基于规则与人工设定的模板，很难有鲁棒的高语义理解。真正将计算机视觉的发展推向高峰的，当属深度学习的爆发。由于视觉图像丰富的语义性与图像的结构性，计算机视觉也是当前人工智能发展最为迅速的领域之一。
进入深度学习发展阶段后，计算机视觉在多个领域都取得了令人瞩目的成就，如图1.7所示。
? 图像成像：成像是计算机视觉较为底层的技术，深度学习在此发挥的空间更多的是成像后的应用，如修复图像的DCGAN网络，图像风格迁移的CycleGAN，这些任务中GAN有着广阔的发挥空间。此外，在医学成像、卫星成像等领域中，超分辨率也至关重要，例如SRCNN（Super-Resolution CNN）。
? 2.5D空间：我们通常将涉及2D运动或者视差的任务定义为2.5D空间问题，因为其任务跳出了单纯的2D图像，但又缺乏3D空间的信息。这里包含的任务有光流的估计、单目的深度估计及双目的深度估计。
? 3D空间：3D空间的任务通常应用于机器人或者自动驾驶领域，将2D图像检测与3D空间进行结合。这其中，主要任务有相机标定（Camera Calibration）、视觉里程计（Visual Odometry，VO）及SLAM（Simultaneous Localization and Mapping）等。
? 环境理解：环境的高语义理解是深度学习在计算机视觉中的主战场，相比传统算法其优势更为明显。主要任务有图像分类（Classification）、物体检测（Object Detection）、图像分割（Segmentation）、物体跟踪（Tracking）及关键点检测。其中，图像分割又可以细分为语义分割（Semantic Segmentation）与实例分割（Instance Segmentation）。
（无法传图）
图1.7  深度学习在计算机视觉中的应用
1.2  物体检测技术
在计算机视觉众多的技术领域中，物体检测是一项非常基础的任务，图像分割、物体追踪、关键点检测等通常都要依赖于物体检测。此外，由于每张图像中物体的数量、大小及姿态各不相同，也就是非结构化的输出，这是与图像分类非常不同的一点，并且物体时常会有遮挡截断，物体检测技术也极富挑战性，从诞生以来始终是研究学者最为关注的焦点领域之一。
物体检测技术，通常是指在一张图像中检测出物体出现的位置及对应的类别。对于图1.8中的人，我们要求检测器输出5个量：物体类别、xmin、ymin、xmax与ymax。当然，对于一个边框，检测器也可以输出中心点与宽高的形式，这两者是等价的。
（无法传图）
图1.8  物体检测示例
在计算机视觉中，图像分类、物体检测与图像分割是最基础、也是目前发展最为迅速的3个领域。图1.9列出了这3个任务之间的区别。
（无法传图）
图1.9  图像分类、物体检测与图像分割的区别
? 图像分类：输入图像往往仅包含一个物体，目的是判断每张图像是什么物体，是图像级别的任务，相对简单，发展也最快。
? 物体检测：输入图像中往往有很多物体，目的是判断出物体出现的位置与类别，是计算机视觉中非常核心的一个任务。
? 图像分割：输入与物体检测类似，但是要判断出每一个像素属于哪一个类别，属于像素级的分类。图像分割与物体检测任务之间有很多联系，模型也可以相互借鉴。
1.2.1  发展历程
在利用深度学习做物体检测之前，传统算法对于物体的检测通常分为区域选取、特征提取与特征分类这3个阶段，如图1.10所示。
（无法传图）
图1.10  传统物体检测算法思路
? 区域选取：首先选取图像中可能出现物体的位置，由于物体位置、大小都不固定，因此传统算法通常使用滑动窗口（Sliding Windows）算法，但这种算法会存在大量的冗余框，并且计算复杂度高。
? 特征提取：在得到物体位置后，通常使用人工精心设计的提取器进行特征提取，如SIFT和HOG等。由于提取器包含的参数较少，并且人工设计的鲁棒性较低，因此特征提取的质量并不高。
? 特征分类：最后，对上一步得到的特征进行分类，通常使用如SVM、AdaBoost的分类器。
深度学习时代的物体检测发展过程如图1.11所示。深度神经网络大量的参数可以提取出鲁棒性和语义性更好的特征，并且分类器性能也更优越。2014年的RCNN（Regions with CNN features）算是使用深度学习实现物体检测的经典之作，从此拉开了深度学习做物体检测的序幕。
（无法传图）
图1.11  深度学习检测器的发展历程
在RCNN基础上，2015年的Fast RCNN实现了端到端的检测与卷积共享，Faster RCNN提出了锚框（Anchor）这一划时代的思想，将物体检测推向了第一个高峰。在2016年，YOLO v1实现了无锚框（Anchor-Free）的一阶检测，SSD实现了多特征图的一阶检测，这两种算法对随后的物体检测也产生了深远的影响，在本书中将分别用一章的篇幅详细介绍。
在2017年，FPN利用特征金字塔实现了更优秀的特征提取网络，Mask RCNN则在实现了实例分割的同时，也提升了物体检测的性能。进入2018年后，物体检测的算法更为多样，如使用角点做检测的CornerNet、使用多个感受野分支的TridentNet、使用中心点做检测的CenterNet等。
在物体检测算法中，物体边框从无到有，边框变化的过程在一定程度上体现了检测是一阶的还是两阶的。
? 两阶：两阶的算法通常在第一阶段专注于找出物体出现的位置，得到建议框，保证足够的准召率，然后在第二个阶段专注于对建议框进行分类，寻找更精确的位置，典型算法如Faster RCNN。两阶的算法通常精度准更高，但速度较慢。当然，还存在例如Cascade RCNN这样更多阶的算法。
? 一阶：一阶的算法将二阶算法的两个阶段合二为一，在一个阶段里完成寻找物体出现位置与类别的预测，方法通常更为简单，依赖于特征融合、Focal Loss等优秀的网络经验，速度一般比两阶网络更快，但精度会有所损失，典型算法如SSD、YOLO系列等。
Anchor是一个划时代的思想，最早出现在Faster RCNN中，其本质上是一系列大小宽高不等的先验框，均匀地分布在特征图上，利用特征去预测这些Anchors的类别，以及与真实物体边框存在的偏移。Anchor相当于给物体检测提供了一个梯子，使得检测器不至于直接从无到有地预测物体，精度往往较高，常见算法有Faster RCNN和SSD等。
当然，还有一部分无锚框的算法，思路更为多样，有直接通过特征预测边框位置的方法，如YOLO v1等。最近也出现了众多依靠关键点来检测物体的算法，如CornerNet和CenterNet等。
1.2.2  技术应用领域
由于检测性能的迅速提升，物体检测也是深度学习在工业界取得大规模应用的领域之一。以下列举了5个广泛应用的领域。
? 安防：受深度学习的影响，安防领域近年来取得了快速的发展与落地。例如广为人知的人脸识别技术，在交通卡口、车站等已有了成熟的应用。此外，在智慧城市的安防中，行人与车辆的检测也是尤为重要的一环。在安防领域中，有很大的趋势是将检测技术融入到摄像头中，形成智能摄像头，以海康威视、地平线等多家公司最为知名。
? 自动驾驶：自动驾驶的感知任务中，行人、车辆等障碍物的检测尤为重要。由于涉及驾驶的安全性，自动驾驶对于检测器的性能要求极高，尤其是召回率这个指标，自动驾驶也堪称人工智能应用的“珠穆朗玛峰”。此外，由于车辆需要获取障碍物相对于其自身的三维位置，因此通常在检测器后还需要增加很多的后处理感知模块。
? 机器人：工业机器人自动分拣中，系统需要识别出要分拣的各种部件，这是极为典型的机器人应用领域。此外，移动智能机器人需要时刻检测出环境中的各种障碍物，以实现安全的避障与导航。从广泛意义来看，自动驾驶车辆也可以看做是机器人的一种形式。
? 搜索推荐：在互联网公司的各大应用平台中，物体检测无处不在。例如，对于包含特定物体的图像过滤、筛选、推荐和水印处理等，在人脸、行人检测的基础上增加更加丰富的应用，如抖音等产品。
? 医疗诊断：基于人工智能与大数据，医疗诊断也迎来了新的春天，利用物体检测技术，我们可以更准确、迅速地对CT、MR等医疗图像中特定的关节和病症进行诊断。
1.2.3  评价指标
对于一个检测器，我们需要制定一定的规则来评价其好坏，从而选择需要的检测器。对于图像分类任务来讲，由于其输出是很简单的图像类别，因此很容易通过判断分类正确的图像数量来进行衡量。
物体检测模型的输出是非结构化的，事先并无法得知输出物体的数量、位置、大小等，因此物体检测的评价算法就稍微复杂一些。对于具体的某个物体来讲，我们可以从预测框与真实框的贴合程度来判断检测的质量，通常使用IoU（Intersection of Union）来量化贴合程度。
IoU的计算方式如图1.12所示，使用两个边框的交集与并集的比值，就可以得到IoU，公式如式（1-1）所示。显而易见，IoU的取值区间是[0,1]，IoU值越大，表明两个框重合越好。
（无法传图）
图1.12  IoU的计算过程
（1-1）
利用Python可以很方便地实现IoU的计算，代码如下：
 
def iou(boxA, boxB):
    # 计算重合部分的上、下、左、右4个边的值，注意最大最小函数的使用
    left_max = max(boxA[0], boxB[0])
    top_max = max(boxA[1], boxB[1])
    right_min = min(boxA[2], boxB[2])
    bottom_min = min(boxA[3], boxB[3])
    # 计算重合部分的面积
    inter =max(0，(right_min-left_max))* max(0，(bottom_min-top_max)
    Sa = (boxA[2]-boxA[0])*(boxA[3]-boxA[1])
    Sb = (boxB[2]-boxB[0])*(boxB[3]-boxB[1])
    # 计算所有区域的面积并计算iou，如果是Python 2，则要增加浮点化操作
    union = Sa Sb-inter
    iou = inter/union
    return iou
 
对于IoU而言，我们通常会选取一个阈值，如0.5，来确定预测框是正确的还是错误的。当两个框的IoU大于0.5时，我们认为是一个有效的检测，否则属于无效的匹配。如图1.13中有两个杯子的标签，模型产生了两个预测框。
（无法传图）
图1.13  正、负样本判别示例
由于图像中存在背景与物体两种标签，预测框也分为正确与错误，因此在评测时会产生以下4种样本。
? 正确检测框TP（True Positive）：预测框正确地与标签框匹配了，两者间的IoU大于0.5，如图1.13中右下方的检测框。
? 误检框FP（False Positive）：将背景预测成了物体，如图1.13中左下方的检测框，通常这种框与图中所有标签的IoU都不会超过0.5。
? 漏检框FN（False Negative）：本来需要模型检测出的物体，模型没有检测出，如图1.13中左上方的杯子。
? 正确背景（True Negative）：本身是背景，模型也没有检测出来，这种情况在物体检测中通常不需要考虑。
有了上述基础知识，我们就可以开始进行检测模型的评测。对于一个检测器，通常使用mAP（mean Average Precision）这一指标来评价一个模型的好坏，这里的AP指的是一个类别的检测精度，mAP则是多个类别的平均精度。评测需要每张图片的预测值与标签值，对于某一个实例，二者包含的内容分别如下：
? 预测值（Dets）：物体类别、边框位置的4个预测值、该物体的得分。
? 标签值（GTs）：物体类别、边框位置的4个真值。
在预测值与标签值的基础上，AP的具体计算过程如图1.14所示。我们首先将所有的预测框按照得分从高到低进行排序（因为得分越高的边框其对于真实物体的概率往往越大），然后从高到低遍历预测框。
（无法传图）
图1.14  AP的计算过程
对于遍历中的某一个预测框，计算其与该图中同一类别的所有标签框GTs的IoU，并选取拥有最大IoU的GT作为当前预测框的匹配对象。如果该IoU小于阈值，则将当前的预测框标记为误检框FP。
如果该IoU大于阈值，还要看对应的标签框GT是否被访问过。如果前面已经有得分更高的预测框与该标签框对应了，即使现在的IoU大于阈值，也会被标记为FP。如果没有被访问过，则将当前预测框Det标记为正确检测框TP，并将该GT标记为访问过，以防止后面还有预测框与其对应。
在遍历完所有的预测框后，我们会得到每一个预测框的属性，即TP或FP。在遍历的过程中，我们可以通过当前TP的数量来计算模型的召回率（Recall，R），即当前一共检测出的标签框与所有标签框的比值，如式（1-2）所示。
（1-2）
除了召回率，还有一个重要指标是准确率（Precision，P），即当前遍历过的预测框中，属于正确预测边框的比值，如式（1-3）所示。
（1-3）
遍历到每一个预测框时，都可以生成一个对应的P与R，这两个值可以组成一个点(R, P)，将所有的点绘制成曲线，即形成了P-R曲线，如图1.15所示。
（无法传图）
图1.15  物体检测的P-R曲线
然而，即使有了P-R曲线，评价模型仍然不直观，如果直接取曲线上的点，在哪里选取都不合适，因为召回率高的时候准确率会很低，准确率高的时候往往召回率很低。这时，AP就派上用场了，计算公式如式（1-4）所示。
（1-4）
从公式中可以看出，AP代表了曲线的面积，综合考量了不同召回率下的准确率，不会对P与R有任何偏好。每个类别的AP是相互独立的，将每个类别的AP进行平均，即可得到mAP。严格意义上讲，还需要对曲线进行一定的修正，再进行AP计算。除了求面积的方式，还可以使用11个不同召回率对应的准确率求平均的方式求AP。
下面从代码层面详细讲述AP求解过程。假设当前经过标签数据与预测数据的加载，我们得到了下面两个变量：
? det_boxes：包含全部图像中所有类别的预测框，其中一个边框包含了[left, top, right, bottom, score, NameofImage]。
? gt_boxes：包含了全部图像中所有类别的标签，其中一个标签的内容为[left, top, right, bottom, 0]。需要注意的是，最后一位0代表该标签有没有被匹配过，如果匹配过则会置为1，其他预测框再去匹配则为误检框。
下面是所有类别的评测过程。
 
for c in classes:
    # 通过类别作为关键字，得到每个类别的预测、标签及总标签数
    dects = det_boxes[c]
    gt_class = gt_boxes[c]
    npos = num_pos[c]
    # 利用得分作为关键字，对预测框按照得分从高到低排序
    dects = sorted(dects, key=lambda conf: conf[5], reverse=True)
    # 设置两个与预测边框长度相同的列表，标记是True Positive还是False Positive
    TP = np.zeros(len(dects))
    FP = np.zeros(len(dects))
    # 对某一个类别的预测框进行遍历
    for d in range(len(dects)):
        # 将IoU默认置为最低
        iouMax = sys.float_info.min
        # 遍历与预测框同一图像中的同一类别的标签，计算IoU
        if dects[d][-1] in gt_class:
              for j in range(len(gt_class[dects[d][-1]])):
                     iou = Evaluator.iou(dects[d][:4], gt_class[dects[d][-1]][j][:4])
                       if iou > iouMax:
                            iouMax = iou
                            jmax = j # 记录与预测有最大IoU的标签
             # 如果最大IoU大于阈值，并且没有被匹配过，则赋予TP
             if iouMax >= cfg[‘iouThreshold’]:
                    if gt_class[dects[d][-1]][jmax][4] == 0:
                          TP[d] = 1
                          gt_class[dects[d][-1]][jmax][4] = 1 # 标记为匹配过
                 # 如果被匹配过，赋予FP
                 else:
                     FP[d] = 1
             # 如果最大IoU没有超过阈值，赋予FP
             else:
                   FP[d] = 1
          # 如果对应图像中没有该类别的标签，赋予FP
          else:
                FP[d] = 1
    # 利用NumPy的cumsum()函数，计算累计的FP与TP
    acc_FP = np.cumsum(FP)
    acc_TP = np.cumsum(TP)
    rec = acc_TP / npos                   # 得到每个点的Recall
    prec = np.divide(acc_TP, (acc_FP acc_TP)) # 得到每个点的Precision
    # 利用Recall与Precision进一步计算得到AP
    [ap, mpre, mrec, ii] = Evaluator.CalculateAveragePrecision(rec, prec) 

抢先评论了 “深度学习之PyTorch物体检测实战” 取消回复

评论

还没有评论。

相关产品

加入购物车

分布式机器学习：算法、理论与实践

EUR €53.99
加入购物车

人工智能的未来（揭示人类思维的奥秘）

EUR €48.99
加入购物车

视觉SLAM十四讲：从理论到实践

EUR €46.99
评分 5.00 / 5
加入购物车

Python神经网络编程

EUR €43.99

东东购的宗旨是服务喜爱阅读中文书籍的海外人民，提供一个完善的购书平台，让国人不论何时何地都能沉浸在书香之中，读着熟悉的中文字，回忆着家乡的味道。

安全加密结账 安心网络购物 支持Paypal付款

常见问题

  • 货物配送
  • 退换货政策
  • 隐私政策
  • 联盟营销

客户服务

  • 联系东东
  • 关于东东
  • 帮我找书
  • 货物追踪
  • 会员登入

订阅最新的优惠讯息和书籍资讯

选择币别

EUR
USD
CAD
AUD
NZD
NOK
GBP
CHF
SEK
CNY
UAH
ILS
SAR
MXN
KRW
MYR
SGD
HUF
TRY
JPY
HKD
TWD
facebookinstagram
©2020 东东购 EasternEast.com

限时特卖：用“SALE15”优惠券全场书籍85折！可与三本88折，六本78折的优惠叠加计算。 忽略