前言
目前人工智慧領域越來越受到大家的關注，因此人工智慧演算法工程師也漸漸浮出水面，成為應徵網站上一個非常耀眼的職位，各種創業投資也緊緊圍繞著AI 主題旋轉。
我認為目前人工智慧演算法工程師主要分為兩種。
■ 科學家型：主要研究前端演算法，在各大大專院校和企業的研究單位居多。
■ 工程師型：主要將最新的演算法應用到實際的業務場景，在企業開發部門居多，為本書主要針對物件。
人工智慧演算法按特徵學習的深淺分為機器學習、深度學習，另外也有強化學習方向。按應用場景則可分為：電腦視覺、自然語言和語音處理等。
撰寫本書主要緣由如下，筆者在學習機器學習和深度學習的過程中，發現理論方面的書籍十分豐富，包含周志華老師的《機器學習》與Ian Goodfellow 的《深度學習》；教學視訊也十分豐富，包含史丹佛大學吳恩達教授的CS229 與李飛飛教授的CS231，以及台灣大學（National Taiwan University）林軒田老師和李宏毅老師的課程。但是很少有關於一個方向（例如電腦視覺）比較豐富的工程應用書籍，包含目前主流架構的綜合介紹，筆者當時從理論到實作走了不少冤枉路，也踩過不少雷，故希望本書能在這個方面做出一點小小的貢獻，成為理論與實作的橋樑，讓讀者相對容易地邁出由0 到1 的那一步。
本書主要重點在電腦視覺領域，以開放原始碼專案為基礎介紹最新的演算法，在此也感謝各位開放原始碼人士，借助他們的成果，我們學習到了很多知識，本書各章主要內容如下：
■ 第 1 章：對深度學習與電腦視覺進行簡介，也會簡單介紹開發環境的架設。
■ 第 2 章：主要介紹 OpenCV 的基本操作及部分進階操作，包含人臉和人眼的檢測與識別。
■ 第 3 章：注重介紹目前常用的幾種深度學習架構，包含 PyTorch、Chainer、TensorFlow-Keras 和MXNet-Gluon，另外本書中偶爾還會用到ChainerCV 和GluonCV。
■ 第 4 章：對影像分類進行了介紹，包含經典的網路類型（VGG、ResNet、Inception、Xception、DenseNet），並展示了部分實作操作。
■ 第 5 章：對目標檢測與識別進行了介紹，包含三種主流的網路結構：YOLO、SSD、Faster R-CNN，並展示了實作操作。
■ 第 6 章：介紹影像分割技術，主要從前背景分割（Grab Cut）、語義分割（DeepLab 與PSPNet） 和實例分割（FCIS、Mask R-CNN、MaskLab、PANet）三個說明。
■ 第 7 章：介紹影像搜索技術，主要指以圖搜圖方面（CBIR)，以及對應的實作展示。
■ 第 8 章：主要介紹影像產生技術，包含三個大方向：Auto-Encoder、GAN 和Neural Style Transfer。
電腦視覺是一個非常大的方向，有關的內容非常多，本書只介紹其中部分領域，未涵蓋OCR、目標追蹤、3D 重建和光場等方面的內容。
本書針對的主要是已經擁有機器學習和深度學習基礎，但在電腦視覺領域實作較少，對各個方向了解較少的讀者，其他有興趣的讀者也可作為科普讀物。希望本書能為電腦視覺有興趣的讀者開啟一扇窗戶，帶領大家邁出從理論到實作的關鍵一步。另外由於筆者學識、經驗和能力所限，書中難免有錯誤或誤解的地方，歡迎讀者們批評指正。
閱讀本書需要的基礎知識儲如下：
■ 線性代數
■ 機率論
■ 統計學
■ 高等數學，主要指函數方面
■ 機器學習
■ 深度學習
■ Python 程式設計技術（特別需要熟悉 Numpy 函數庫）
■ Linux 基礎知識（可選項）
如果在學習過程中遇到任何問題或不太了解的概念，最好的方式是透過網路尋找答案，請相信我們所遇到的問題，有很大一部分是大家都會遇到的問題，網上說不定已經有了詳細地討論，這時只需要去發現即可；如果沒有找到對應的解決方法，那麼在對應的社區提問也是很好的一種方式。
希望讀者在閱讀本書時，謹記電腦是負責資源排程的，永遠會有時間資源和空間資源的平衡問題。GPU 的使用就是平行利用空間換取時間，而IO 密集型與計算密集型則是另外兩個常常遇到的問題。在做深度學習方面的實作時，這些問題都應該要考慮，特別是面臨巨量資料的時候，例如上億等級的影像搜索業務。這些知識在電腦作業系統的書籍當中有非常詳細的論述，如果讀者希望在電腦領域有長足的發展，本書是最基本最重要的書籍，建議好好學習。
本書的完成，要特別感謝王金柱編輯給予的幫助和指導，感謝體貼的妻子體諒筆者分出部分時間來撰寫此書。
讀者聯繫電子郵件：booksaga@126.com。
繆鵬
