本书内容

第1章介绍计算机视觉和深度学习，提供一些理论背景，并教你如何从零开始实现和训练视觉识别神经网络。

第2章介绍与计算机视觉相关的TensorFlow 2概念，以及一些更高级的理念。此外，介绍TensorFlow的子模块Keras，并讲述基于该框架实现的简单识别方法的训练过程。

第3章介绍CNN，并解释它如何改变计算机视觉。本章还介绍正则化工具和现代优化算法，可用于训练更健壮的识别系统。

第4章提供理论细节和实践代码，以便将最先进的解决方案（如Inception和ResNet）应用于图像分类。本章还解释什么使得迁移学习成为机器学习中的一个关键概念，以及如何使用TensorFlow 2来实现它。

第5章讨论两种检测图像中特定对象的方法的架构，其中YOLO（You Only Look Once）模型以其速度闻名，而Faster R-CNN则以其准确性闻名。

第6章介绍自动编码器以及像U-Net和FCN这样的网络如何用于图像去噪、语义分割等。

第7章聚焦于为深度学习应用高效收集和预处理数据集的解决方案，介绍构建优化数据流水线的TensorFlow工具，以及弥补数据不足的各种解决方案（图像绘制、域适应和生成式网络，如VAE和GAN）。

第8章讨论循环神经网络，并介绍更高级的长短期记忆架构。本章提供将LSTM应用于视频动作识别的实用代码。

第9章详细介绍在速度、磁盘空间和计算性能方面的模型优化。本章通过一个实际的示例，介绍如何在移动设备和浏览器上部署TensorFlow解决方案。

附录提供关于TensorFlow 1的一些信息，重点介绍TensorFlow 2中引入的关键变化。此外，还包括从旧项目迁移到最新版本的指南。最后，列出了每章的参考书目，供想要深入了解相关领域的读者参考。