定 價：￥119.00
| 作 者： | 凌峰 編著 |
| 出版社： | 清華大學出版社 |
| 叢編項： | |
| 標 簽： | 暫缺 |
| ISBN： | 9787302628767 | 出版時間： | 2023-05-01 | 包裝： | 平裝 |
| 開本： | 頁數(shù)： | 字數(shù)： |
第1篇 基礎知識
第1章 人工智能和PyTorch2
1.1 人工智能和深度學習2
1.1.1 人工智能2
1.1.2 深度學習3
1.2 深度學習框架5
1.3 PyTorch7
1.3.1 PyTorch簡介7
1.3.2 PyTorch的應用領域9
1.3.3 PyTorch的應用前景10
1.4 小結(jié)12
第2章 開發(fā)環(huán)境13
2.1 PyTorch的安裝13
2.2 NumPy16
2.2.1 NumPy的安裝與查看17
2.2.2 NumPy對象17
2.2.3 數(shù)組21
2.2.4 數(shù)學計算26
2.3 Matplotlib32
2.3.1 Matplotlib的安裝和簡介33
2.3.2 Matplotlib Figure圖形對象35
2.4 Scikit-Learn47
2.5 小結(jié)48
第3章 PyTorch入門49
3.1 PyTorch的模塊49
3.1.1 主要模塊49
3.1.2 輔助模塊53
3.2 張量54
3.2.1 張量的數(shù)據(jù)類型55
3.2.2 創(chuàng)建張量56
3.2.3 張量存儲61
3.2.4 維度操作63
3.2.5 索引和切片65
3.2.6 張量運算67
3.3 torch.nn模塊76
3.3.1 卷積層76
3.3.2 池化層80
3.3.3 激活層87
3.3.4 全連接層91
3.4 自動求導92
3.5 小結(jié)95
第4章 卷積網(wǎng)絡96
4.1 卷積網(wǎng)絡的原理96
4.1.1 卷積運算96
4.1.2 卷積網(wǎng)絡與深度學習98
4.2 NumPy建立神經(jīng)網(wǎng)絡99
4.3 PyTorch建立神經(jīng)網(wǎng)絡101
4.3.1 建立兩層神經(jīng)網(wǎng)絡101
4.3.2 神經(jīng)網(wǎng)絡參數(shù)更新102
4.3.3 自定義PyTorch的nn模塊103
4.3.4 權重共享105
4.4 全連接網(wǎng)絡107
4.5 小結(jié)111
第5章 經(jīng)典神經(jīng)網(wǎng)絡112
5.1 VGGNet112
5.1.1 VGGNet的結(jié)構112
5.1.2 實現(xiàn)過程114
5.1.3 VGGNet的特點115
5.1.4 查看PyTorch網(wǎng)絡結(jié)構116
5.2 ResNet118
5.2.1 ResNet的結(jié)構118
5.2.2 殘差模塊的實現(xiàn)120
5.2.3 ResNet的實現(xiàn)122
5.2.4 ResNet要解決的問題126
5.3 XceptionNet128
5.3.1 XceptionNet的結(jié)構128
5.3.2 XceptionNet的實現(xiàn)131
5.4 小結(jié)135
第6章 模型的保存和調(diào)用136
6.1 字典狀態(tài)（state_dict）136
6.2 保存和加載模型138
6.2.1 使用ate_dict加載模型138
6.2.2 保存和加載完整模型139
6.2.3 保存和加載Checkpoint用于推理、繼續(xù)訓練139
6.3 一個文件保存多個模型140
6.4 通過設備保存和加載模型141
6.5 小結(jié)143
第7章 網(wǎng)絡可視化144
7.1 HiddenLayer可視化144
7.2 PyTorchViz可視化146
7.3 TensorboardX可視化149
7.3.1 簡介和安裝149
7.3.2 使用TensorboardX150
7.3.3 添加數(shù)字151
7.3.4 添加圖片152
7.3.5 添加直方圖153
7.3.6 添加嵌入向量154
7.4 小結(jié)156
第8章 數(shù)據(jù)加載和預處理157
8.1 加載PyTorch庫數(shù)據(jù)集157
8.2 加載自定義數(shù)據(jù)集159
8.2.1 下載并查看數(shù)據(jù)集159
8.2.2 定義數(shù)據(jù)集類161
8.3 預處理164
8.4 小結(jié)168
第9章 數(shù)據(jù)增強169
9.1 數(shù)據(jù)增強的概念169
9.1.1 常見的數(shù)據(jù)增強方法170
9.1.2 常用的數(shù)據(jù)增強庫171
9.2 數(shù)據(jù)增強的實現(xiàn)172
9.2.1 中心裁剪173
9.2.2 隨機裁剪174
9.2.3 縮放175
9.2.4 水平翻轉(zhuǎn)176
9.2.5 垂直翻轉(zhuǎn)177
9.2.6 隨機角度旋轉(zhuǎn)178
9.2.7 色度、亮度、飽和度、對比度的變化179
9.2.8 隨機灰度化180
9.2.9 將圖形加上padding181
9.2.10 指定區(qū)域擦除182
9.2.11 伽馬變換183
9.3 小結(jié)184
第2篇 高級應用
第10章 圖像分類186
10.1 CIFAR10數(shù)據(jù)分類186
10.1.1 定義網(wǎng)絡訓練數(shù)據(jù)187
10.1.2 驗證訓練結(jié)果192
10.2 數(shù)據(jù)集劃分193
10.3 貓狗分類實戰(zhàn)195
10.3.1 貓狗數(shù)據(jù)預處理195
10.3.2 建立網(wǎng)絡貓狗分類196
10.4 小結(jié)199
第11章 遷移學習200
11.1 定義和方法200
11.2 螞蟻和蜜蜂分類實戰(zhàn)202
11.2.1 加載數(shù)據(jù)202
11.2.2 定義訓練方法204
11.2.3 可視化預測結(jié)果205
11.2.4 遷移學習方法一：微調(diào)網(wǎng)絡206
11.2.5 遷移學習方法二：特征提取器208
11.3 小結(jié)209
第12章 人臉檢測和識別210
12.1 人臉檢測210
12.1.1 定義和研究現(xiàn)狀210
12.1.2 經(jīng)典算法213
12.1.3 應用領域216
12.2 人臉識別217
12.2.1 定義和研究現(xiàn)狀217
12.2.2 經(jīng)典算法220
12.2.3 應用領域221
12.3 人臉檢測與識別實戰(zhàn)222
12.3.1 Dlib人臉檢測222
12.3.2 基于MTCNN的人臉識別225
12.4 小結(jié)227
第13章 生成對抗網(wǎng)絡228
13.1 生成對抗網(wǎng)絡簡介228
13.2 數(shù)學模型230
13.3 生成手寫體數(shù)字圖片實戰(zhàn)233
13.3.1 基本網(wǎng)絡結(jié)構233
13.3.2 準備數(shù)據(jù)234
13.3.3 定義網(wǎng)絡和訓練235
13.3.4 生成結(jié)果分析237
13.4 生成人像圖片實戰(zhàn)238
13.4.1 DCGAN簡介239
13.4.2 數(shù)據(jù)準備239
13.4.3 生成對抗網(wǎng)絡的實現(xiàn)241
13.5 小結(jié)250
第14章 目標檢測251
14.1 目標檢測概述251
14.1.1 傳統(tǒng)目標檢測算法的研究現(xiàn)狀252
14.1.2 深度學習目標檢測算法的研究現(xiàn)狀252
14.1.3 應用領域253
14.2 檢測算法模型253
14.2.1 傳統(tǒng)的目標檢測模型253
14.2.2 基于深度學習的目標檢測模型255
14.3 目標檢測的基本概念259
14.3.1 IoU259
14.3.2 NMS261
14.4 Faster R-CNN目標檢測264
14.4.1 網(wǎng)絡原理265
14.4.2 實戰(zhàn)269
14.5 小結(jié)273
第15章 圖像風格遷移274
15.1 風格遷移概述274
15.2 固定風格固定內(nèi)容的遷移277
15.2.1 固定風格固定內(nèi)容遷移的原理277
15.2.2 PyTorch實現(xiàn)固定風格遷移280
15.3 快速風格遷移288
15.3.1 快速遷移模型的原理288
15.3.2 PyTorch實現(xiàn)快速風格遷移290
15.4 小結(jié)297
第16章 ViT298
16.1 ViT詳解298
16.1.1 Transformer模型中的Attention注意力機制298
16.1.2 視覺Transformer模型詳解302
16.2 ViT圖像分類實戰(zhàn)305
16.2.1 數(shù)據(jù)準備305
16.2.2 定義ViT模型306
16.2.3 定義工具函數(shù)311
16.2.4 定義訓練過程314
16.2.5 運行結(jié)果317
16.3 小結(jié)318
參考文獻319
鄂公網(wǎng)安備 42010302001612號 