本书通过具体的案例，循序渐进地讲解了计算机视觉和模型调优的相关内容。首先介绍基础知识，包括人工智能基础、计算机视觉基础、图像基础和编程基础相关知识。然后讲解传统计算机视觉和基于深度学习的计算机视觉，如卷积神经网络等。接着深入探讨算法原理，包括卷积、池化、批归一化、激活函数、残差结构、全连接、SoftMax等，并提供手写算法示例。最后介绍了模型在Python和C++中的实际应用以及性能优化技巧，如计算向量化、权值预加载和多线程等。 本书内容实用，由浅入深，案例典型，讲解通俗易懂，随书提供全部程序代码，且代码注释详细，方便读者理解，并上手实践。 本书非常适合人工智能、机器学习、深度学习、计算机视觉初学者学习使用，也可用作高等院校中相关专业的教材及参考书。

第一章 基础知识
1.1 人工智能基础
1.2 计算机视觉基础
1.2.1 算法
1.2.2 性能
1.3 编程基础
1.3.1 Python简介
1.3.2 C++简介
1.4 图像基础
1.4.1 像素
1.4.2 图像特征
1.4.3 RGB图
1.4.4 灰度图
1.5 本章小结
第二章 传统计算机视觉
2.1 概述
2.2 均值滤波
2.2.1 算法解析
2.2.2 代码实战
2.3 高斯滤波
2.3.1 算法解析
2.3.2 代码实战
2.4 边缘检测
2.5 图像分割
2.6 本章小结
第三章 基于深度学习的计算机视觉
3.1 基础概念
3.1.1 人工神经网络
3.1.2 训练和推理
3.1.3 正向传播和反向传播
3.2 卷积神经网络
3.2.1 ResNet50模型
3.2.2 ResNet50中的算法
3.3 训练一个卷积神经网络
第四章 算法详解与实战
4.1 卷积
4.1.1 初识卷积
4.1.2 特征图
4.1.3 感受野
4.1.4 乘累加运算
4.1.5 多维卷积公式
4.1.6 填充
4.1.7 步长
4.1.8 膨胀率
4.1.9 输出尺寸公式
4.1.10 手写卷积
4.1.11 卷积总结
4.2 池化
4.2.1 什么是池化
4.2.2 池化的作用
4.2.3 全局平均池化
4.2.4 手写池化算法
4.3 BatchNormalization
4.3.1 BN的作用
4.3.2 训练和推理中的BN
4.3.3 手写BN
4.3.4 卷积与BN的融合
4.4 激活函数
4.4.1 非线性
4.4.2 ReLU
4.4.3 Sigmoid
4.5 残差结构
4.5.1 残差结构的作用
4.5.2 手写残差结构
4.6 全连接
4.6.1 全连接的作用
4.6.2 手写全连接
4.7 SoftMax与交叉熵损失
4.7.1 SoftMax
4.7.2 交叉熵损失
4.8 本章小结
第五章 基于Python从零手写模型
5.1 Python环境配置
5.2 Python目录简介
5.3 图像加载
5.4 图像预处理
5.4.1 图像缩放和裁剪
5.4.2 图像标准化
5.4.3 实战代码
5.5 模型准备
5.5.1 模型下载
5.5.2 权值保存
5.5.3 权值加载
5.6 手写算法
5.7 搭建模型
5.8 模型预测
5.9 性能指标
5.10 卷积计算优化
第六章 基于C++优化模型
6.1 C++环境配置
6.2 C++目录简介
6.3 C++代码使用
6.4 计算向量化
6.4.1 什么是向量计算
6.4.2 AVX2指令集
6.4.3 向量寄存器
6.4.4 向量数据加载
6.4.5 利用AVX2优化卷积
6.4.6 性能评估
6.5 权值预加载优化
6.5.1 权值加载
6.5.2 预加载操作
6.5.3 性能评估
6.6 内存优化
6.6.1 内存申请机制
6.6.2 字符串优化
6.6.3 动态内存优化
6.6.4 性能评估
6.7 多线程优化
6.7.1 多线程简介
6.7.2 卷积的多线程拆分
6.7.3 性能评估
6.8 性能优化总结
后记
附录
1.1 One-hot编码
1.2 快速搭建Ubuntu环境
1.2.1 安装步骤
1.2.2 软件管理
1.3 OpenCV介绍
1.3.1 什么是OpenCV
1.3.2 OpenCV环境搭建
参考文献