"如果你只是看了这个项目的在线文档，那么你并没有利用好这个项目。太可惜！"
✨ 以用促学，先会后懂 ✨
L0CV 🔊 一种结合了代码、图示和HTML的在线学习媒介
全面 前沿 免费
计算机视觉实战演练：算法与应用 📌
Computer Vision in Action
[](https://circleci.com/gh/Charmve/computer-vision-in-action)
[](https://charmve.github.io/computer-vision-in-action)
[](https://www.apache.org/licenses/LICENSE-2.0)
跨平台，只需一个浏览器即可！
👉 在线阅读（优先更新实战篇和进阶篇）
最新版PDF下载
分享 
到
Index
-
:label: sec_code 图1 L0CV 结构图
💠 全书组织
:label: fig_book_org
本书详细介绍，请移步 序言。
-
第一部分包括基础知识和预备知识。提供深度学习的入门课程，然后在理论篇中，将快速向你介绍实践计算机视觉所需的前提条件，例如如何存储和处理数据，以及如何应用基于线性代数、微积分和概率基本概念的各种数值运算，涵盖了深度学习的最基本概念和技术，例如线性回归、多层感知机和正则化。
-
第二部分是本书涉及的计算机视觉基础理论，核心部分为神经网络模型，包括神经网络、卷积神经网络、循环神经网络理论讲解，以图像分类、模型拟合与优化作为其代码的实战项目。在模型拟合和优化章节中，着重分享梯度下降、随机梯度下降、动量法、AdaBoost等方法。
-
接下来的七章集中讨论现代计算机视觉技术实战，也是本书的核心部分。围绕这样的组织逻辑：什么是计算机视觉？计算机视觉解决什么问题，都是怎么解决的？传统方法——以卷积神经网络为中心的神经网络；现代方法——Transformer、强化学习、迁移学习、生成对抗等。各种方法是如何实现的，用到了什么框架？在第7章中，描述了计算机视觉的经典卷积神经网络PyTorch实现，并为我们随后实现更复杂的模型奠定了基础。在随后的几个章节中，我们主要解决图像分类、目标检测、语义分割、3D重建等实际问题，并给出实战项目。
-
该部分以项目为实战指导，给出详细的项目指导书和代码实现，更为特别的是，给出了notebook可以直接在线运行，跑通结果，免去了本地运行环境的搭建复杂性。于此同时，为了方便读者在本地调试，作者建立了一个名为
L0CV的第三方包，可以直接在代码中import L0CV后使用。 -
第三部分讨论最近几年出现的“网红”模型，诸如：Transformer、Attention、知识蒸馏、迁移学习、生成对抗模型等。这部分也是此份资料的力挺之作。最后，在
chap_optimization中，我们讨论了用于训练深度学习模型的几种常用优化算法，如：模型压缩、模型剪枝、微调、蒸馏等。
🌈 愿景
本开源项目代表了我们的一种尝试：我们将教给读者概念、背景知识和代码；我们将在同一个地方阐述剖析问题所需的批判性思维、解决问题所需的数学知识，以及实现解决方案所需的工程技能。
我们的目标是创建一个为实现以下目标的统一资源：
- 所有人均可在网上免费获取；
- 提供足够的技术深度，从而帮助读者实际成为计算机视觉应用科学家：既理解数学原理，又能够实现并不断改进方法；
- 包含可运行的代码，为读者展示如何在实际中解决问题。这样不仅直接将数学公式对应成实际代码，而且可以修改代码、观察结果并及时获取经验；
- 允许我们和整个社区不断快速迭代内容，从而紧跟仍在高速发展的计算机视觉领域；
- 由包含有关技术细节问答的论坛作为补充，使大家可以相互答疑并交换经验。
📘 本书目录
👉 在线阅读（优先更新实战篇和进阶篇）
📘 详细目录(点击展开)
主要符号表
绪论篇
- 第 0 章 计算机视觉概述
- 0.1 概述
- 0.1.1 什么是计算机视觉
- 0.1.2 计算机视觉解决什么问题
- 0.1.3 行业应用
- 0.2 计算机视觉基本概念
- 0.3 发展历史回顾
- 0.4 典型的计算机视觉任务
- 图像分类
- 目标识别与目标检测
- 实例分割与语义分割
- 3D 建模
- 0.5 国内外优秀的计算机视觉团队汇总
- 小练习
- 小结
- 参考文献
- 0.1 概述
理论篇
- 第 1 章 神经网络
- 1.1 线性回归
- 1.1.1 基本原理
- 1.1.2 从零实现线性回归
- 1.1.3 线性回归的简洁实现
- 1.2 Softmax 回归
- 1.2.1 softmax回归模型
- 1.2.2 从零开始实现softmax回归
- 1.2.3 softmax回归的简洁实现
- 1.3 多层感知器
- 1.3.1 基本原理
- 1.3.2 从零开始实现多层感知器
- 1.3.3 多层感知器的简洁实现
- 1.4 反向传播算法
- 1.5 神经网络
- 1.5.1 神经学观点
- 1.5.2 神经网络1-建立神经网络架构
- 1.5.3 神经网络2-设置数据和损失
- 1.5.4 神经网络3-学习和评估
- 1.5.5 案例分析-最小神经网络案例研究
- 1.6 实战项目 1 - 手写字分类
- 小结
- 参考文献
- 1.1 线性回归
- 第 2 章 卷积神经网络
- 2.1 从神经网络到卷积神经网络
- 2.2 卷积网络的层级结构
- 2.2.1 数据输入层
- 2.2.2 卷积计算层
- 2.2.3 非线性层（或激活层）
- 2.2.4 池化层
- 2.2.5 全连接层
- 2.3 卷积神经网络的几点说明
- 2.4 实战项目 2 - 动手搭建一个卷积神经网络
- 小结
- 参考文献
- 第 3 章 图像分类
- 3.1 数据驱动方法
- 3.1.1 语义上的差别
- 3.1.2 图像分类任务面临着许多挑战
- 3.1.3 数据驱动的方法
- 3.2 k 最近邻算法
- 3.2.1 k 近邻模型
- 3.2.2 k 近邻模型三个基本要素
- 3.2.3 KNN算法的决策过程
- 3.2.4 k 近邻算法Python实现
- 小结
- 参考文献
- 3.3 支持向量机
- 3.3.1 概述
- 3.3.2 线性支持向量机
- 3.3.3 从零开始实现支持向量机
- 3.3.4 支持向量机的简洁实现
- 3.4 逻辑回归 LR
- 3.4.1 逻辑回归模型
- 3.4.2 从零开始实现逻辑回归
- 3.4.3 逻辑回归的简洁实现
- 3.5 实战项目 3 - 表情识别
- 3.6 实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类
- 小结
- 参考文献
- 3.1 数据驱动方法
- 第 4 章 循环神经网络
- 第 5 章 图神经网络
- 5.1 历史脉络
- 5.2 图神经网络(Graph Neural Network)
- 5.3 门控图神经网络(Gated Graph Neural Network)
- 5.3.1 状态更新
- 5.3.2 实例1:到达判断
- 5.3.3 实例2:语义解析
- 5.3.4 GNN与GGNN
- 5.4 图卷积神经网络(GCNN)
- 5.4.1 图卷积缘起
- 5.4.2 图卷积框架(Framework)
- 5.4.3 再谈卷积
- 5.4.4 空域卷积(Spatial Convolution)
- 5.4.5 消息传递网络(Message Passing Neural Network)
- 5.4.6 图采样与聚合(Graph Sample and Aggregate)
- 5.4.7 图结构序列化(PATCHY-SAN)
- 5.4.8 频域卷积(Spectral Convolution)
- 5.5 生成图表示
- 5.5.1 图读出操作(ReadOut)
- 5.5.2 基于统计的方法(Statistics Category)
- 5.5.3 基于学习的方法(Learning Category)
- 5.5.4 其他方法
- 5.6 图神经网络在计算机视觉上的应用
- 小结
- 参考文献
- 第 5 章 模型选择、欠拟合和过拟合
- 5.1 训练误差和泛化误差
- 5.2 模型选择
- 5.3 欠拟合和过拟合
- 5.4 多项式函数拟合实验
- 5.5 数值稳定性和模型初始化
- 小结
- 参考文献
- 第 6 章 模型拟合与优化算法
- 6.1 优化与深度学习
- 6.2 梯度下降和随机梯度下降
- 6.3 小批量随机梯度下降
- 6.4 动量法
- 6.5 AdaGrad算法
- 6.6 RMSProp算法
- 6.7 AdaDelta算法
- 6.8 Adam算法
- 小结
- 参考文献
实战篇
- 第 6 章 软件环境搭建与工具使用
- 6.1 深度学习环境搭建指南
- 6.2 Pytorch 基础使用介绍
- 6.2.1 Tensors
- 6.2.2 Operations
- 6.2.3 Numpy桥梁
- 6.2.4 CUDA Tensors
- 6.3 Python
- 6.4 Numpy 基础使用
- 6.5 Pandas 基础使用
- 6.6 OpenCV 安装及基础使用
- 6.7 Jupyter Notebook 配置及基础使用
- 6.8 基本的图像操作和处理
- 6.8.1 PIL：Python图像处理类库
- 6.8.2 Matplotlib
- 6.8.3 NumPy
- 6.8.4 SciPy
- 6.8.5 高级示例：图像去噪
- 6.9 实战项目 5 - 使用OpenCV进行图像全景拼接
- 小结
- 参考文献
- 第 7 章 经典卷积神经网络架构：原理与PyTorch实现
- 7.1 卷积神经网络（LeNet）
- 7.2 深度卷积神经网络（AlexNet）
- 7.3 使用重复元素的网络（VGG）
- 7.4 含并行连结的网络（GoogLeNet）
- 7.5 残差网络（ResNet）
- 7.6 二阶网络编码解码（U-Net）
- 7.7 稠密连接网络（DenseNet）
- 7.8 语义分割网络（SegNet）
- 7.9 实例分割网络（Mask-RCNN）
- 7.10 区域卷积神经网络（R-CNN）
- 7.11 全卷积网络（FCN）
- 7.12 YOLO: 实时目标检测
- 小结
- 参考文献
- 第 8 章 著名数据集及基准
- 8.1 数据集
- 8.2 基准测试
- 8.3 评价指标
- 8.4 实战项目 6 - Kaggle比赛：图像分类（CIFAR-10）
- 8.5 实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs）
- 小结
- 参考文献
- 第 9 章 检测与分割实战项目
- 9.1 语义分割
- 9.1.1 语义分割 PyTorch 版
- 9.1.2 实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战
- 9.2 目标检测
- 9.2.1 常用网络
- 9.2.2 实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战
- 9.3 实例分割
- 9.3.1 常用网络
- 9.3.2 实战项目 10 - 实时高分辨率背景抠图
- 9.3.3 新方法：滑动窗口, PointRend, PolarMask
- 小结
- 参考文献
- 9.1 语义分割
- 第 10 章 计算机视觉课题研究初探
- 10.1 手写字识别
- 10.2 文本检测
- 10.3 车道线检测
- 10.3.1 常用网络
- 10.3.2 实战项目 11 - 车道线检测项目实战
- 10.4 镜面检测
- 10.5 图像抠图 Matting
- 10.6 图像超分辨率
- 10.7 3D 重建
- 小结
- 参考文献
进阶篇
- 第 11 章 可视化和理解卷积神经网络
- 11.1 特征可视化
- 11.2 倒置
- 11.3 可视化数据梯度
- 11.4 Embeddings
- 11.5 对抗样本
- 11.6 DeepDream 和风格迁移
- 11.7 实战项目 12: PyTorch 如何使用TensorBoard
- 11.4.1 创建 TensorBoard
- 11.4.2 写入 TensorBoard
- 11.4.3 使用 TensorBoard 检查模型
- 11.4.4 向 TensorBoard 添加 "Projector"
- 11.4.5 使用 TensorBoard 跟踪模型训练
- 11.4.6 使用 TensorBoard 评估训练好的模型
- 11.4.7 案例总结
- 小结
- 参考文献
- 第 12 章 生成对抗模型
- 12.1 Pixel RNN/CNN
- 12.2 自编码器 Auto-encoder
- 12.3 生成对抗网络 GAN
- 12.4 变分自编码器 Variational Auto-encoder, VAE
- 12.4.1 概述
- 12.4.2 基本原理
- 12.4.3 VAE v.s. AE 区别与联系
- 12.4.4 变分自编码器的代码实现
- 12.4.5 卷积变分自编码器的实现与简单应用
- 12.4.6 实战项目 13 - 旧照片修复
- 小结
- 参考文献
- 参考文献
- 第 13 章 深度增强学习
- 13.1 引言-如何解决通用人工智能的难点
- 13.2 什么是深度增强学习
- 13.3 怎么利用深度增强学习解决问题
- 13.3.1 Policy-based DRL
- 13.3.2 Value-based DRL
- 13.3.3 Model-based DRL
- 13.4 深度增强学习在计算机视觉中的应用
- 小结
- 参考文献
- 第 14 章 视频理解
- 14.1 概述
- 14.2 视频理解场景中的主要问题
- 14.3 常用数据集
- 14.4 主流方法与模型架构
- 14.5 指标 METRICS
- 14.6 可能的未来方向
- 小结
- 参考文献
- 第 15 章 迁移学习
- 15.1 概述
- 15.2 基于实例的迁移
- 15.3 基于特征的迁移
- 15.4 基于共享参数的迁移
- 15.5 深度学习和迁移学习结合
- 15.7 实战项目 14 - 蚂蚁和蜜蜂的分类问题
- 15.7.1 迁移学习在计算机视觉领域的应用
- 15.7.2 实战项目: 蚂蚁和蜜蜂的分类问题
- 小结
- 参考文献
- 第 16 章 计算机视觉中的注意力机制 Attention is All You Need
- 16.1 概述
- 16.2 Attention with RNNs
- 16.3 Self-attention 自注意力
- 16.4 软注意力（soft-attention）
- 16.4.1 空间域注意力
- 16.4.2 通道注意力
- 16.4.3 Positional encoding
- 16.4.4 混合域模型
- 16.4.5 Masked attention
- 16.4.6 Multi-head attention
- 16.5 强注意力（hard attention）
- 16.6 Attention九层塔 - 注意力机制的九重理解
- 小结
- 参考文献
- 第 17 章 跨界模型 Transformer
- 第 18 章 知识蒸馏
- 18.1 概要
- 18.2 KD主要方法
- 18.2.1 Logits(Response)-based Knowledge
- 18.2.2 Feature-based Knowledge
- 18.2.3 Relation-based Knowledge
- 18.3 知识蒸馏的应用 NLP-BERT
- 18.4 常见疑问解答
- 实战项目 16 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读
- 小结
- 参考文献
- 第 19 章 Normalization 模型
- 19.1 从Mini-Batch SGD说起
- 19.2 Normalization到底是在做什么
- 19.3 Batch Normalization如何做
- 19.3.1 前向神经网络中的BN
- 19.3.2 CNN网络中的BN
- 19.3.3 Batch Norm的四大罪状
- 19.4 Layer Normalization、Instance Normalization及Group Normalization
- 19.4.1 Layer Normalization
- 19.4.2 Instance Normalization
- 19.4.3 Group Normalization
- 19.4.4 用一个故事来总结
- 19.5 Normalization操作的Re-Scaling不变性
- 19.6 Batch Normalization为何有效
- 小结
- 参考文献
- 第 20 章 模型压缩与裁剪
- 20.1 概述
- 20.2 模型压缩
- 20.2.1 线性或非线性量化（1990~2014 - 至今）
- 20.2.2 结构或非结构剪枝（1989~2014 - 至今
- 20.2.3 网络结构搜索（2016 - 至今）
- 20.2.4 权重矩阵的低秩分解（）
- 20.2.5 知识蒸馏（2014-至今）
- 20.3 模型优化加速
- 20.3.1 Op-Level 的快速算法
- 20.3.2 Layer0-level 的快速算法
- 20.3.3 硬件计算单元优化算法
- CPU、GPU和NPU
- ASIC 和 FPGA
- PIM（NDP）
- 20.4 优化工具与库
- 20.4.1 TensorRT Nvidia)
- 20.4.2 TVM (Tensor Virtual Machine)
- 20.4.3 Tensor Comprehension (Facebook)
- 20.4.4 Distiller (Intel)
- 小结
- 参考文献
附录
- A 矩阵
- B [常用激活函数总结](https://mp.weixin.qq.com/s?__biz=MzIxMjg1Njc3Mw==&mid=2247484495&idx=1&sn=0bbb2094d93169baf20eedb284bc668f)
- C [梯度下降法](https://blog.csdn.net/Charmve/article/details/106089198)
- D [深度学习调参技巧总结](https://blog.csdn.net/Charmve/article/details/107650479)
- 更新中 ...
🔍 文件浏览
按书中内容先后顺序逐章阅读，或者选取特定章节祥读 📁 docs/ 1，动手实践章节代码，在代码文件 📁 code/ 2 下找到对应代码，本地测试或者Colab 📁 notebooks/ 3 在线测试。
- 📁 L0CV/ - 专为本项目建立的
💮 L0CV包- 📁 code/ - 书中完整代码
- 📁 datasets/ - 本书所用数据集
- 📁 images/ - 经典图像处理图片
- 📁 docs/ - 全书按照一下几个篇目进行编写
- 📁 0_绪论/ - 全书绪论
- 📁 1_理论篇/ - 基本理论和算法基础
- 📁 2_实战篇/ - 项目实战教程
- 📁 3_进阶篇/ - 最新CV模型和算法
- 📁 附件/ - 所需数学和统计学知识
- 📁 img/ - 各章节所使用的插图
- 📁 models/ - 封装可用的预训练模型
- 📁 notebooks/ - 🚩 全书 Colab notebook，可在线测试
- 📁 chapter01_neural-networks/ - 第 1 章 - 神经网络 Jupyter Notebook 实现
- 📁 chapter02_CNN/ - 第 2 章 - 卷积神经网络 Jupyter Notebook 实现
- 📁 chapter03_Image-Classification - 第 3 章 - 图像分类 Jupyter Notebook 实现
- 📁 chapter04_recurrent-neural-networks/ - 第 4 章 - 递归神经网络 Jupyter Notebook 实现
- 📁 chapter05_graph-neural-network/ - 第 5 章 - 图神经网络 Jupyter Notebook 实现
- 📁 chapter07_optimization/ - 第 6 章 - 模型拟合与优化算法 Jupyter Notebook 实现
- 📁 chapter08_environment-setup-and-tool-use/ - 第 7 章 - 软件环境搭建与工具使用 Jupyter Notebook 实现
- 📁 chapter09_convolutional-neural-networks/ - 第 8 章 - 经典神经网络架构：原理与PyTorch实现 Jupyter Notebook 实现
- 📁 chapter12_practice-projects - 第 12 章 - 计算机视觉课题研究初探 Jupyter Notebook 实现
- 📁 chapter13_Understanding-and-Visualizing/ - 第 13 章 - 可视化与理解卷积神经网络 Jupyter Notebook 实现
- 📁 chapter14_GAN/ - 第 14 章 - 生成对抗模型 Jupyter Notebook 实现
- 📁 chapter15_Transfer-Learning/ - 第 15 章 - 迁移学习 Jupyter Notebook 实现
- 📁 chapter16_Attention/ - 第 16 章 - 注意力机制 Jupyter Notebook 实现
- 📁 chapter17_Transformers/ - 第 17 章 - Transformers Jupyter Notebook 实现
- ...
- 📁 imgs/ - Jupyter Notebook 中用到的图片
- 📁 docker/ - 为降低读者的学习成本，目前未进行搭建
- 📁 res/ - ui 图片及全书思维导图PDF
- 📄 README.md - 全书介绍及目录
L0CV DemoDay
如果你也是从这里出发，在开源的项目中应用进去，并在标题下给出引用 ，您的项目将会在这里展现！
以用促学，先会后懂。理解深度学习的最佳方法是学以致用。
[](https://nbviewer.jupyter.org/format/slides/github/Charmve/computer-vision-in-action/blob/main/notebooks/chapter02_CNN/Pytorch_MNIST.ipynb)
[](https://github.com/Charmve/computer-vision-in-action/blob/main/docs/2__实战篇/chapter7_经典卷积神经网络架构-原理与PyTorch实现/7.12%20实战Kaggle比赛：图像分类（CIFAR-10）.md)
[](https://github.com/Charmve/computer-vision-in-action/blob/main/docs/2_实战篇/chapter7_经典卷积神经网络架构-原理与PyTorch实现/7.13%20实战Kaggle比赛：狗的品种识别（ImageNet%20Dogs）.md)
[](https://nbviewer.jupyter.org/format/slides/github/Charmve/computer-vision-in-action/blob/main/notebooks/chapter12_practice-projects/Bringing-Old-Photo-Back-to-Life.ipynb)
[](https://github.com/Charmve/Awesome-Lane-Detection/tree/main/lane-detector)
[](https://github.com/Charmve/computer-vision-in-action/blob/main/docs/3_进阶篇/chapter12-生成对抗模型/chapter12.3.3_neural-style.md)
*《计算机视觉实战演练：算法与应用》V1.2 部分项目还在更新中
| 实战项目 | 章节 | Binder | Google Colab |
|---|---|---|---|
| 实战项目 1 - 手写字分类 | 第 1 章 - 神经网络 | ||
| 实战项目 2 - 动手搭建一个卷积神经网络 | 第 2 章 - 卷积神经网络 | ||
| 实战项目 3 - 基于卷积神经网络的人脸表情识别 | 第 3 章 - 图像分类 | ||
| 实战项目 4 - 使用卷积神经网络对CIFAR10图片进行分类 | 第 3 章 - 图像分类 | ||
| 实战项目 5 - 使用OpenCV进行图像全景拼接 | 第 6 章 - 软件环境搭建与工具使用 | |
 |
| 实战项目 6 - Kaggle比赛：图像分类（CIFAR-10） | 第 8 章 - 著名数据集及基准 | |
|
| 实战项目 7 - Kaggle比赛：狗的品种识别（ImageNet Dogs） | 第 8 章 - 著名数据集及基准 | |
|
| 实战项目 8 - 基于PolarNet的点云端到端语义分割项目实战 | 第 9 章 - 检测与分割实战项目 | ||
| 实战项目 9 - 基于PyTorch的YOLO5目标检测项目实战 | 第 9 章 - 检测与分割实战项目 | ||
| 实战项目 10 - 实时高分辨率背景抠图 | 第 9 章 - 检测与分割实战项目 | ||
| 实战项目 11 - 车道线检测项目实战 | 第 10 章 - 计算机视觉课题研究初探 | ||
| 实战项目 12 - PyTorch 如何使用TensorBoard | 第 13 章 - 可视化和理解 | ||
| 实战项目 13 - 图像样式迁移 | 第 14 章 生成对抗模型 | |
|
| 实战项目 14 - 旧照片修复 | 第 14 章 - 生成对抗模型 | |
|
| 实战项目 15 - 动漫头像生成 | 第 14 章 - 生成对抗模型 | |
|
| 项目实战 16 - 视频理解项目实战 SlowFast + Multi-Moments in Time | 第 16 章 - 视频理解 | |
|
| 实战项目 17 - 蚂蚁和蜜蜂的分类问题 | 第 17 章 - 迁移学习 | |
|
| 实战项目 18 - 基于Transformer的视频实例分割网络VisTR (CVPR2021) | 第 19 章 - 跨界模型 Transformer | ||
| 实战项目 19 - 支付宝CVPR细粒度视觉分类挑战赛夺冠方案解读 | 第 20 章 - 知识蒸馏 | ||
| ... | ... | ... |
🔑 如何食用
🔎 详细攻略展开
方式一 Jupyter Notebook (推荐方式 ✨)
1. 本地运行
- 依赖包安装
pip3 install -r requirements.txt
- 安装 Jupyter
python3 -m pip install --upgrade pip
python3 -m pip install jupyter
- 查看并运行jupyter
请在终端（Mac / Linux）或命令提示符（Windows）上运行以下命令：
cd notebooks
jupyter notesbook
2. 远程运行
-
打开每章节首页，点击
可直接打开 Google Colab ，点击 
[Copy to Drive] 即可在线运行测试。 -
点击
也可在 mybinder查看和在线运行。
图2 例子：12.3.3 样式迁移
图3 例子：12.3.3 样式迁移 Colab 点击 [Copy to Drive]
方式二 使用 /code
1. 运行环境 + L0CV 加载
- 依赖包安装
sudo apt-get update
pip3 install -r requirements.txt
- 创建 L0CV
python3 setup.py
- 测试环境
cd code
python3 L0CV_test.py
2. 直接调用每个章节的代码测试
import L0CV
每一小节都是可以运行的 Jupyter 记事本
你可以自由修改代码和超参数来获取及时反馈，从而积累深度学习的实战经验。
[
Run
locally
](https://charmve.github.io/computer-vision-in-action/#/README?id=🔎-如何食用)
[
Google
Colab
](https://charmve.github.io/computer-vision-in-action/#/README?id=🔎-如何食用)
公式 + 图示 + 代码
我们不仅结合文字、公式和图示来阐明深度学习里常用的模型和算法，还提供代码来演示如何从零开始实现它们，并使用真实数据来提供一个交互式的学习体验。
❓ 常见问题
-
在线教程页面无法打开：
测试中存在部分人打不开在线教程的情况。
部分小伙伴反馈尝试切换浏览器后可以正常打开了，如果仍然不行，最有效的解决办法是科学上网。
-
无法加载图片的解决办法：
根本解决办法还是科学上网，也可以尝试修改host文件看下是否能解决。
-
公式无法正常显示解决办法：
GitHub中的Markdown原生是不支持LATEX公式显示的，如果你喜欢在本项目中直接浏览教程，可以安装Chrome的
MathJax Plugin for Github插件让大部分公式正常显示。而docs文件夹已经利用docsify被部署到了GitHub Pages上，包含公式的章节强力建议使用 《计算机视觉实战演练：算法与应用》 在线阅读 进行学习。当然如果你还想跑一下运行相关代码的话还是得把本项目clone下来，然后运行code文件夹下相关代码。
-
Jupyter Notebook 无法在 GitHub 上呈现？ 使用 nbviewer。
Mac
Windows致谢
参考文献
感谢前人的杰出工作，我才得以写出此书。感谢 参考文献 中列出及未列出的，所有对此开源工作有帮助的前辈！
LICENSE
-
L0CV代码部分采用 Apache 2.0协议 进行许可，包括名为 L0CV 的原创第三方库、/code和/notebook下的源代码。遵循许可的前提下，你可以自由地对代码进行修改，再发布，可以将代码用作商业用途。但要求你：- 署名：在原有代码和衍生代码中，保留原作者署名及代码来源信息。
- 保留许可证：在原有代码和衍生代码中，保留
Apache 2.0协议文件。
-
L0CV文档部分采用 知识共享署名 4.0 国际许可协议 进行许可。 遵循许可的前提下，你可以自由地共享，包括在任何媒介上以任何形式复制、发行本作品，亦可以自由地演绎、修改、转换或以本作品为基础进行二次创作。但要求你：- 署名：应在使用本文档的全部或部分内容时候，注明原作者及来源信息。
- 非商业性使用：不得用于商业出版或其他任何带有商业性质的行为。如需商业使用，请联系作者。
- 相同方式共享的条件：在本文档基础上演绎、修改的作品，应当继续以知识共享署名 4.0国际许可协议进行许可。
👥 社区互助
如果您在使用的过程中碰到问题，可以通过下面几个途径寻求帮助，同时我们也鼓励资深用户通过下面的途径给新人提供帮助。
-
通过
提问时，建议使用
Q&A标签。 -
通过
或者
提问时，建议加上
L0CV标签。 -
微信、知乎、微博开话题可以生成tag，如微信聊天、朋友圈加
#L0CV可话题交流。 -
L0CV 读者微信交流群 (加我微信Yida_Zhang2，备注：L0CV-高校/企业-称呼)
💖 Support this project
Donating to help me continue working on this project. I'm appreciate all you in backer list. 
CONTRIBUTION
作者会尽最大努力来确保书中内容的准确性，但难免会存在疏漏与不妥之处。欢迎您将发现的问题反馈给我们，帮助提升本开放资源的质量。
Help us make these docs great!
All VC-action docs are open source. See something that's wrong or unclear? Submit a pull request.
[Make a contribution](https://github.com/Charmve/computer-vision-in-action/edit/main/README.md)
Still need help?
[Ask our community](https://github.com/Charmve/computer-vision-in-action/discussions)
[Contact support](https://github.com/Charmve)
Citation
Use this bibtex to cite this repository:
@misc{computer-vision-in-action,
title={计算机视觉实战演练：算法与应用（Computer Vision in Action）},
author={Charmve},
year={2021.06},
publisher={Github},
journal={GitHub repository},
howpublished={\url{https://github.com/Charmve/computer-vision-in-action}},
}
Stargazers Over Time
Awesome!
[Charmve/computer-vision-in-action](https://github.com/Charmve/computer-vision-in-action)
was created 2 months ago
and now has 1546 stars.
Feel free to ask any questions, open a PR if you feel something can be done differently!
🌟 Star this repository 🌟
Created by Charmve & maiwei.ai Community | Deployed on GitHub Page