深度學(xué)習之PyTorch實(shí)戰計算機視覺(jué)簡(jiǎn)介，目錄書(shū)摘

作者的文筆很好，對深度學(xué)習、Python、PyTorch、神經(jīng)網(wǎng)絡(luò )、遷移學(xué)習及相關(guān)數學(xué)知識講解透徹，使書(shū)中的內容很好理解。

全書(shū)的架構也很好，學(xué)習下來(lái)，對深度學(xué)習的整個(gè)脈絡(luò )都掌握得很清晰，可以說(shuō)一本書(shū)通俗易懂地講到了PyTorch實(shí)戰計算機視覺(jué)所涉及的方方面面。

這是一本零基礎入門(mén)書(shū)，希望能幫助您更好地入門(mén)并進(jìn)階深度學(xué)習。

計算機視覺(jué)、自然語(yǔ)言處理和語(yǔ)音識別是目前深度學(xué)習領(lǐng)域很熱門(mén)的三大應用方向，《深度學(xué)習之PyTorch實(shí)戰計算機視覺(jué)》旨在幫助零基礎或基礎較為薄弱的讀者入門(mén)深度學(xué)習，達到能夠獨立使用深度學(xué)習知識處理計算機視覺(jué)問(wèn)題的水平。通過(guò)閱讀本書(shū)，讀者將學(xué)到人工智能的基礎概念及Python 編程技能，掌握PyTorch 的使用方法，學(xué)到深度學(xué)習相關(guān)的理論知識，比如卷積神經(jīng)網(wǎng)絡(luò )、循環(huán)神經(jīng)網(wǎng)絡(luò )、自動(dòng)編碼器，等等。在掌握深度學(xué)習理論和編程技能之后，讀者還會(huì )學(xué)到如何基于PyTorch 深度學(xué)習框架實(shí)戰計算機視覺(jué)?！渡疃葘W(xué)習之PyTorch實(shí)戰計算機視覺(jué)》中的大量實(shí)例可讓讀者在循序漸進(jìn)地學(xué)習的同時(shí)，不斷地獲得成就感。

《深度學(xué)習之PyTorch實(shí)戰計算機視覺(jué)》面向對深度學(xué)習技術(shù)感興趣、但是相關(guān)基礎知識較為薄弱或者零基礎的讀者。

唐進(jìn)民，深入理解深度學(xué)習與計算機視覺(jué)知識體系，有扎實(shí)的Python、PyTorch和數學(xué)功底，長(cháng)期活躍于GitHub、知乎等平臺，并分享與深度學(xué)習相關(guān)的文章，具有一定的閱讀量和人氣。此前在某AI在線(xiàn)教育平臺兼職機器學(xué)習入門(mén)Mentor，輔導新學(xué)員入門(mén)機器學(xué)習和深度學(xué)習。

第1章  淺談人工智能、神經(jīng)網(wǎng)絡(luò )和計算機視覺(jué)  1

1.1  人工還是智能  1

1.2  人工智能的三起兩落  2

1.2.1  兩起兩落  2

1.2.2  卷土重來(lái)  3

1.3  神經(jīng)網(wǎng)絡(luò )簡(jiǎn)史  5

1.3.1  生物神經(jīng)網(wǎng)絡(luò )和人工神經(jīng)網(wǎng)絡(luò )  5

1.3.2  M-P模型  6

1.3.3  感知機的誕生  9

1.3.4  你好，深度學(xué)習  10

1.4  計算機視覺(jué)  11

1.5  深度學(xué)習+  12

1.5.1  圖片分類(lèi)  12

1.5.2  圖像的目標識別和語(yǔ)義分割  13

1.5.3  自動(dòng)駕駛  13

1.5.4  圖像風(fēng)格遷移  14

第2章  相關(guān)的數學(xué)知識  15

2.1  矩陣運算入門(mén)  15

2.1.1  標量、向量、矩陣和張量  15

2.1.2  矩陣的轉置  17

2.1.3  矩陣的基本運算  18

2.2  導數求解  22

2.2.1  一階導數的幾何意義  23

2.2.2  初等函數的求導公式  24

2.2.3  初等函數的和、差、積、商求導  26

2.2.4  復合函數的鏈式法則  27

第3章  深度神經(jīng)網(wǎng)絡(luò )基礎  29

3.1  監督學(xué)習和無(wú)監督學(xué)習  29

3.1.1  監督學(xué)習  30

3.1.2  無(wú)監督學(xué)習  32

3.1.3  小結  33

3.2  欠擬合和過(guò)擬合  34

3.2.1  欠擬合  34

3.2.2  過(guò)擬合  35

3.3  后向傳播  36

3.4  損失和優(yōu)化  38

3.4.1  損失函數  38

3.4.2  優(yōu)化函數  39

3.5  激活函數  42

3.5.1  Sigmoid  44

3.5.2  tanh  45

3.5.3  ReLU  46

3.6  本地深度學(xué)習工作站  47

3.6.1  GPU和CPU  47

3.6.2  配置建議  49

第4章  卷積神經(jīng)網(wǎng)絡(luò )  51

4.1  卷積神經(jīng)網(wǎng)絡(luò )基礎  51

4.1.1  卷積層  51

4.1.2  池化層  54

4.1.3  全連接層  56

4.2  LeNet模型  57

4.3  AlexNet模型  59

4.4  VGGNet模型  61

4.5  GoogleNet  65

4.6  ResNet  69

第5章  Python基礎  72

5.1  Python簡(jiǎn)介  72

5.2  Jupyter Notebook  73

5.2.1  Anaconda的安裝與使用  73

5.2.2  環(huán)境管理  76

5.2.3  環(huán)境包管理  77

5.2.4  Jupyter Notebook的安裝  79

5.2.5  Jupyter Notebook的使用  80

5.2.6  Jupyter Notebook常用的快捷鍵  86

5.3  Python入門(mén)  88

5.3.1  Python的基本語(yǔ)法  88

5.3.2  Python變量  92

5.3.3  常用的數據類(lèi)型  94

5.3.4  Python運算  99

5.3.5  Python條件判斷語(yǔ)句  107

5.3.6  Python循環(huán)語(yǔ)句  109

5.3.7  Python中的函數  113

5.3.8  Python中的類(lèi)  116

5.4  Python中的NumPy  119

5.4.1  NumPy的安裝  119

5.4.2  多維數組  119

5.4.3  多維數組的基本操作  125

5.5  Python中的Matplotlib  133

5.5.1  Matplotlib的安裝  133

5.5.2  創(chuàng )建圖  133

第6章  PyTorch基礎  142

6.1  PyTorch中的Tensor  142

6.1.1  Tensor的數據類(lèi)型  143

6.1.2  Tensor的運算  146

6.1.3  搭建一個(gè)簡(jiǎn)易神經(jīng)網(wǎng)絡(luò )  153

6.2  自動(dòng)梯度  156

6.2.1  torch.autograd和Variable  156

6.2.2  自定義傳播函數  159

6.3  模型搭建和參數優(yōu)化  162

6.3.1  PyTorch之torch.nn  162

6.3.2  PyTorch之torch.optim  167

6.4  實(shí)戰手寫(xiě)數字識別  169

6.4.1  torch和torchvision  170

6.4.2  PyTorch之torch.transforms  171

6.4.3  數據預覽和數據裝載  173

6.4.4  模型搭建和參數優(yōu)化  174

第7章  遷移學(xué)習  180

7.1  遷移學(xué)習入門(mén)  180

7.2  數據集處理  181

7.2.1  驗證數據集和測試數據集  182

7.2.2  數據預覽  182

7.3  模型搭建和參數優(yōu)化  185

7.3.1  自定義VGGNet  185

7.3.2  遷移VGG16  196

7.3.3  遷移ResNet50  203

7.4  小結  219

第8章  圖像風(fēng)格遷移實(shí)戰  220

8.1  風(fēng)格遷移入門(mén)  220

8.2  PyTorch圖像風(fēng)格遷移實(shí)戰  222

8.2.1  圖像的內容損失  222

8.2.2  圖像的風(fēng)格損失  223

8.2.3  模型搭建和參數優(yōu)化  224

8.2.4  訓練新定義的卷積神經(jīng)網(wǎng)絡(luò )  226

8.3  小結  232

第9章  多模型融合  233

9.1  多模型融合入門(mén)  233

9.1.1  結果多數表決  234

9.1.2  結果直接平均  236

9.1.3  結果加權平均  237

9.2  PyTorch之多模型融合實(shí)戰  239

9.3  小結  246

第10章  循環(huán)神經(jīng)網(wǎng)絡(luò )  247

10.1  循環(huán)神經(jīng)網(wǎng)絡(luò )入門(mén)  247

10.2  PyTorch之循環(huán)神經(jīng)網(wǎng)絡(luò )實(shí)戰  249

10.3  小結  257

第11章  自動(dòng)編碼器  258

11.1  自動(dòng)編碼器入門(mén)  258

11.2  PyTorch之自動(dòng)編碼實(shí)戰  259

11.2.1  通過(guò)線(xiàn)性變換實(shí)現自動(dòng)編碼器模型  260

11.2.2  通過(guò)卷積變換實(shí)現自動(dòng)編碼器模型  267

11.3  小結  273