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

本书图文并茂、通俗易懂，详细讲解常用的算法知识，又融入大量的竞赛实例和解题技巧，可帮助读者熟练应用各种算法解决实际问题。本书总计8章。第1章讲解STL，涉及双端队列、优先队列、位图、集合、映射和STL中的常用函数；第2章讲解实用的数据结构，涉及并查集、倍增、稀疏表、区间最值查询、最近公共祖先、树状数组和线段树；第3章讲解查找算法，涉及散列表、字符串模式匹配和字典树；第4章讲解平衡树，涉及树高与性能、平衡二叉搜索树、树堆和伸展树；第5章讲解图论提高方面的知识，涉及连通图与强连通图、桥与割点、双连通

本书深入浅出地介绍后摩尔时代的并行计算核心技术，读者能较轻松地在短时间内学懂主要内容。全书理论与实践并重，兼顾数学模型、结构模型、编程模型，与通常的并行计算图书相比具有以下特色：①从概念上明确算势与算力的联系与区别，强调在后摩尔时代背景下从潜在能力(算势)到实际能力(算力)的充分转化的重要性；②注重量化分析和理论推导，单列一章对计算性能模型和存储性能模型进行了介绍；③注重并行应用程序的设计，单列一章介绍并对比分析了共享存储编程和非共享存储编程的基本原理；④注重融会贯通，培养整体观念，分别介绍了共

本书图文并茂、通俗易懂，详细讲解常用的算法知识，又融入了大量的竞赛实例和解题技巧，可帮助读者熟练应用各种算法解决实际问题。本书总计9章。第1章讲解C++基础知识，涉及语法、数组、字符串、结构体和指针；第2章带读者感受算法之美，涉及算法复杂度、函数和递归；第3章讲解线性表的应用，涉及顺序表、链表、栈和队列，以及STL中的常用函数和容器；第4章讲解树的应用，涉及树、二叉树、二叉树遍历、哈夫曼树和二叉搜索树；第5章讲解图论基础，涉及图的存储和图的遍历；第6章带读者进行算法入门，涉及贪心算法和分治算法；

"本书介绍了机器视觉的基本理论，内容涵盖视觉系统的构成、标定和视觉测量、检测。本书将理论与实践密切结合，不仅以简明方式提供了理论综述和数学背景，还基于作者多年项目经验，提供了面向问题的算法设计过程，同时穿插了数值优化的编程技术。本书通过具体案例的应用实践，加深读者对相关方法的理解，提高灵活运用和解决实际问题的能力。本书适合计算机科学与技术、人工智能、自动化等相关领域专业技术人员作为参考书。"

本书主要涉及智能供应链优化领域的算法理论知识与行业实践案例，涵盖了供应链管理的基础内容，通过实际案例具象化介绍如何运用运筹优化算法解决企业遇到的供应链管理问题，并详细阐述了各个案例的问题产生背景、建模过程、算法设计、求解代码。其中，案例按照供应链规划、计划和执行三个维度组织，规划篇从点到线再到面，逐步讲述了供应链网络的设计过程；计划篇以商品为对象，按照其从入库、在库到出库的不同存在形式，分别描述了入库前的品类规划、在库时的库存管理、出库后的包裹计划；执行篇则聚焦于供应链组成要素的日常运营过程，讲

全书共8章，分为三个部分。第一部分偏体系结构，主要讨论冯诺依曼体系架构下的CPU计算过程。第二部分偏操作系统，主要介绍同时运行多道程序的抽象。第三部分偏数据结构与计算理论，主要介绍红黑树与lambda表达式。本书提供了不少代码供读者参考，代码量比较大的部分有：一个支持部分RISC-V指令的解释器，一个高速缓存模拟器，一个红黑树管理器，以及一个无类型的lambda表达式解释器。感兴趣的读者请尽情改造这些代码，让它们更加健壮，可以畅快地在计算机中运行。

本书以Altera公司全新推出的QuartusPrime18.1为设计平台，结合大量的实例来介绍基于VerilogHDL的FPGA/CPLD数字系统的设计方法。本书由浅入深地介绍了采用QuartusPrime18.1进行数字系统开发的设计流程、设计思想和设计技巧。书中实例丰富，既有简单的数字逻辑电路实例、数字系统设计实例，也有复杂的数字控制系统设计实例。

《机器视觉检测与识别技术及应用：基于深度学习》致力于深入剖析机器视觉检测与识别技术的内在机理、实用策略及其多元化应用，旨在为读者搭建起一个坚实而全面的理论知识与实践经验的桥梁。内容涉猎广泛，既涵盖图像处理、特征提取、目标检测，又深入探索图像分割、人脸识别、物体识别等，从基础概念到高级算法，全面又深入。在深度解读各个主题的同时，本书注重理论与实践的紧密结合，相关章节均配以典型的案例分析，展示这些技术在现实场景中的具体应用。通过阅读本书，读者将深入理解机器视觉技术的运作原理，并学会如何将这些技术灵活

本书基于PyTorch深度学习框架，结合计算机视觉中的主流任务，介绍了深度学习相关算法的计算机视觉上的应用。本书主要内容分为两部分。第一部分为PyTorch框架使用的相关知识，以及计算机视觉和深度学习的入门知识。第二部分重点介绍深度学习在计算机视觉上的应用，包括：经典的深度卷积网络、深度注意力网络，以及基于自注意力的Transformer系列网络在图像分类中的应用；R-CNN系列、YOLO系列、SSD系列目标检测网络的算法思想及在目标检测中的应用；FCN、U-Net等全卷积网络在图像语义分割领域