人工智能技術(shù)基礎(chǔ)及應(yīng)用

前言
第1章Python編程基礎(chǔ)
1.1Python簡(jiǎn)介
1.2Python安裝與運(yùn)行
1.3Python基礎(chǔ)編程
1.3.1標(biāo)識(shí)符
1.3.2注釋
1.3.3行和縮進(jìn)
1.3.4變量和數(shù)據(jù)類(lèi)型
1.3.5基本計(jì)算
1.3.6數(shù)據(jù)結(jié)構(gòu)
1.3.7控制語(yǔ)句
1.3.8函數(shù)
1.3.9模塊
1.4Python面向?qū)ο缶幊?
1.4.1類(lèi)
1.4.2繼承機(jī)制
1.4.3類(lèi)變量與方法的屬性
1.5Python常用庫(kù)介紹
1.5.1NumPy庫(kù)
1.5.2Matplotlib庫(kù)
1.6小結(jié)
參考文獻(xiàn)
第2章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)
2.1感知機(jī)模型
2.2神經(jīng)網(wǎng)絡(luò)模型
2.2.1神經(jīng)網(wǎng)絡(luò)的架構(gòu)
2.2.2激活函數(shù)
2.3神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)原理
2.3.1數(shù)據(jù)集的準(zhǔn)備
2.3.2損失函數(shù)
2.3.3小批量學(xué)習(xí)
2.3.4梯度下降法
2.3.5誤差反向傳播算法
2.4神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實(shí)踐
2.4.1設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)類(lèi)
2.4.2小批量學(xué)習(xí)的實(shí)現(xiàn)
2.5神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)技巧
2.5.1優(yōu)化方法的選擇
2.5.2權(quán)重初始值的設(shè)定
2.5.3批量歸一化
2.5.4正則化方法
2.5.5數(shù)據(jù)增強(qiáng)
2.6小結(jié)
參考文獻(xiàn)
第3章深度學(xué)習(xí)計(jì)算框架
3.1常用深度學(xué)習(xí)計(jì)算框架簡(jiǎn)介
3.2GPU加速配置
3.3PyTorch安裝
3.4張量
3.4.1張量的概念
3.4.2張量的基本操作
3.5動(dòng)態(tài)計(jì)算圖
3.6神經(jīng)網(wǎng)絡(luò)層和模塊
3.7PyTorch神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)實(shí)踐
3.8小結(jié)
參考文獻(xiàn)
第4章卷積神經(jīng)網(wǎng)絡(luò)
4.1卷積神經(jīng)網(wǎng)絡(luò)的基本原理
4.1.1卷積神經(jīng)網(wǎng)絡(luò)的基本架構(gòu)
4.1.2卷積運(yùn)算
4.1.3卷積運(yùn)算實(shí)例：邊緣檢測(cè)
4.1.4卷積層及其代碼實(shí)現(xiàn)
4.1.5填充
4.1.6步幅
4.1.7池化
4.2經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型
4.2.1數(shù)據(jù)集的準(zhǔn)備
4.2.2Pipeline
4.2.3LeNet
4.2.4AlexNet
4.2.5VGG
4.2.6GoogLeNet
4.2.7ResNet
4.3小結(jié)
參考文獻(xiàn)
第5章序列到序列網(wǎng)絡(luò)
5.1循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）
5.1.1RNN的基本原理
5.1.2RNN的簡(jiǎn)單實(shí)現(xiàn)
5.2長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）
5.2.1LSTM的基本原理
5.2.2LSTM的簡(jiǎn)單實(shí)現(xiàn)
5.3Transformer網(wǎng)絡(luò)
5.3.1自注意力層
5.3.2Transformer網(wǎng)絡(luò)結(jié)構(gòu)
5.3.3Vision Transformer(ViT)網(wǎng)絡(luò)
5.4小結(jié)
參考文獻(xiàn)
第6章目標(biāo)檢測(cè)及其應(yīng)用
6.1目標(biāo)檢測(cè)的基本概念
6.1.1邊界框
6.1.2錨框
6.1.3交并比
6.1.4NMS操作
6.1.5評(píng)價(jià)指標(biāo)
6.2常用的目標(biāo)檢測(cè)算法
6.2.1區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（R-CNN）系列
6.2.2YOLO系列
6.3實(shí)踐案例：行人檢測(cè)
6.3.1基于Faster R-CNN的行人檢測(cè)
6.3.2基于YOLO v5的行人檢測(cè)
6.3.3YOLO v5與Faster R-CNN算法對(duì)比
6.4小結(jié)
參考文獻(xiàn)
第7章語(yǔ)義分割及其應(yīng)用
7.1語(yǔ)義分割的基本概念
7.1.1語(yǔ)義分割任務(wù)描述
7.1.2上采樣
7.1.3膨脹卷積
7.1.4定義損失函數(shù)
7.1.5評(píng)價(jià)指標(biāo)
7.2語(yǔ)義分割網(wǎng)絡(luò)
7.2.1FCN
7.2.2U-Net架構(gòu)
7.2.3DeepLab系列
7.3實(shí)踐案例：城市街景分割
7.3.1實(shí)踐Pipeline
7.3.2算法對(duì)比分析
7.4小結(jié)
參考文獻(xiàn)