2021年3月11日15:35:581 422
摘要
适读人群 :本书面向对深度学习技术感兴趣,但是相关基础知识较为薄弱或者零基础的读者。
作者的文笔很好,对深度学习、Python、PyTorch、神经网络、迁移学习及相关数学知识讲解透彻,使书中的内容很好理解。
全书的架构也很好,学习下来,对深度学习的整个脉络都掌握得很清晰,可以说一本书通俗易懂地讲到了PyTorch实战计算机视觉所涉及的方方面面。
这是一本零基础入门书,希望能帮助您更好地入门并进阶深度学习。
深度学习之PyTorch实战计算机视觉 作者:唐进民
深度学习之PyTorch实战计算机视觉 出版社:电子工业出版社
深度学习之PyTorch实战计算机视觉 内容简介
计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向,《深度学习之PyTorch实战计算机视觉》旨在帮助零基础或基础较为薄弱的读者入门深度学习,达到能够独立使用深度学习知识处理计算机视觉问题的水平。通过阅读本书,读者将学到人工智能的基础概念及Python 编程技能,掌握PyTorch 的使用方法,学到深度学习相关的理论知识,比如卷积神经网络、循环神经网络、自动编码器,等等。在掌握深度学习理论和编程技能之后,读者还会学到如何基于PyTorch 深度学习框架实战计算机视觉。《深度学习之PyTorch实战计算机视觉》中的大量实例可让读者在循序渐进地学习的同时,不断地获得成就感。
《深度学习之PyTorch实战计算机视觉》面向对深度学习技术感兴趣、但是相关基础知识较为薄弱或者零基础的读者。
深度学习之PyTorch实战计算机视觉 目录
前 言
第1章 浅谈人工智能、神经网络和计算机视觉
1.1 人工还是智能
1.2 人工智能的三起两落
1.2.1 两起两落
1.2.2 卷土重来
1.3 神经网络简史
1.3.1 生物神经网络和人工神经网络
1.3.2 M-P模型
1.3.3 感知机的诞生
1.3.4 你好,深度学习
1.4 计算机视觉
1.5 深度学习+
1.5.1 图片分类
1.5.2 图像的目标识别和语义分割
1.5.3 自动驾驶
1.5.4 图像风格迁移
第2章 相关的数学知识
2.1 矩阵运算入门
2.1.1 标量、向量、矩阵和张量
2.1.2 矩阵的转置
2.1.3 矩阵的基本运算
2.2 导数求解
2.2.1 一阶导数的几何意义
2.2.2 初等函数的求导公式
2.2.3 初等函数的和、差、积、商求导
2.2.4 复合函数的链式法则
第3章 深度神经网络基础
3.1 监督学习和无监督学习
3.1.1 监督学习
3.1.2 无监督学习
3.1.3 小结
3.2 欠拟合和过拟合
3.2.1 欠拟合
3.2.2 过拟合
3.3 后向传播
3.4 损失和优化
3.4.1 损失函数
3.4.2 优化函数
3.5 激活函数
3.5.1 Sigmoid
3.5.2 tanh
3.5.3 ReLU
3.6 本地深度学习工作站
3.6.1 GPU和CPU
3.6.2 配置建议
第4章 卷积神经网络
4.1 卷积神经网络基础
4.1.1 卷积层
4.1.2 池化层
4.1.3 全连接层
4.2 LeNet模型
4.3 AlexNet模型
4.4 VGGNet模型
4.5 GoogleNet
4.6 ResNet
第5章 Python基础
5.1 Python简介
5.2 Jupyter Notebook
5.2.1 Anaconda的安装与使用
5.2.2 环境管理
5.2.3 环境包管理
5.2.4 Jupyter Notebook的安装
5.2.5 Jupyter Notebook的使用
5.2.6 Jupyter Notebook常用的快捷键
5.3 Python入门
5.3.1 Python的基本语法
5.3.2 Python变量
5.3.3 常用的数据类型
5.3.4 Python运算
5.3.5 Python条件判断语句
5.3.6 Python循环语句
5.3.7 Python中的函数
5.3.8 Python中的类
5.4 Python中的NumPy
5.4.1 NumPy的安装
5.4.2 多维数组
5.4.3 多维数组的基本操作
5.5 Python中的Matplotlib
5.5.1 Matplotlib的安装
5.5.2 创建图
第6章 PyTorch基础
6.1 PyTorch中的Tensor
6.1.1 Tensor的数据类型
6.1.2 Tensor的运算
6.1.3 搭建一个简易神经网络
6.2 自动梯度
6.2.1 torch.autograd和Variable
6.2.2 自定义传播函数
6.3 模型搭建和参数优化
6.3.1 PyTorch之torch.nn
6.3.2 PyTorch之torch.optim
6.4 实战手写数字识别
6.4.1 torch和torchvision
6.4.2 PyTorch之torch.transforms
6.4.3 数据预览和数据装载
6.4.4 模型搭建和参数优化
第7章 迁移学习
7.1 迁移学习入门
7.2 数据集处理
7.2.1 验证数据集和测试数据集
7.2.2 数据预览
7.3 模型搭建和参数优化
7.3.1 自定义VGGNet
7.3.2 迁移VGG16
7.3.3 迁移ResNet50
7.4 小结
第8章 图像风格迁移实战
8.1 风格迁移入门
8.2 PyTorch图像风格迁移实战
8.2.1 图像的内容损失
8.2.2 图像的风格损失
8.2.3 模型搭建和参数优化
8.2.4 训练新定义的卷积神经网络
8.3 小结
第9章 多模型融合
9.1 多模型融合入门
9.1.1 结果多数表决
9.1.2 结果直接平均
9.1.3 结果加权平均
9.2 PyTorch之多模型融合实战
9.3 小结
第10章 循环神经网络
10.1 循环神经网络入门
10.2 PyTorch之循环神经网络实战
10.3 小结
第11章 自动编码器
11.1 自动编码器入门
11.2 PyTorch之自动编码实战
11.2.1 通过线性变换实现自动编码器模型
11.2.2 通过卷积变换实现自动编码器模型
11.3 小结
深度学习之PyTorch实战计算机视觉 精彩文摘
目前,关于人工智能,有不少值得我们期待的新技术涌现,比如自动驾驶、智能图像识别、智能医疗、智能金融等,这些技术正不断被应用到真实的场景中,而且真实的场景还在不断丰富,这势必在无形之中改变各行各业的现状。本章将对人工智能及其相关知识进行简单介绍,带领读者对人工智能及其相关知识进行初步了解。
人工智能可以细分为强人工智能和弱人工智能,弱人工智能更注重“人工”的重要性,强人工智能更注重“智能”的重要性。
通俗地讲,在弱人工智能机器对某个问题进行决策时,人仍然需要积极参与其中,所以弱人工智能也被称作限制领域的人工智能或应用型人工智能。弱人工智能只能在特定的领域解决特定的问题,而且其中的一些问题已经有了明确的答案,比如作为人的智能助手,在某方面代替人的日常重复劳动。弱人工智能技术已经在某些特定领域落地,并对互联网、金融、制造业、医疗等各个领域产生了不小的冲击,而且会持续下去。
而我们在使用强人工智能机器对问题进行决策时,就不再需要人参与其中,因为强人工智能机器能够“思考”,进而不断优化和拓展自己解决问题的能力,甚至能够创造出全新的技能,所以强人工智能也被称作通用人工智能或完全人工智能,即已经具备了能够完全替代人在各领域工作的能力。
人工智能的舞台是巨大的,改变世界的机会无处不在,相信通过我们的不断努力,人工智能技术会发展得更好,应用场景会更丰富,人们的生活、工作方式也将因此发生翻天覆地的变化。
人工智能技术发展至今,已经是第3次受到公众的高度关注了,这得益于计算机和大数据的发展,更重要的是人们看到了能够真正落地应用的产品。下面让我们回顾一下人工智能三起两落的历史。
1956年夏季,John McCarthy、Marvin Minsky、Claude Shannon等人在美国举办的达特茅斯会议(Dartmouth Conference)上首次提出了“人工智能”的概念。这是人类历史上第1个有真正意义的关于人工智能的研讨会,也是人工智能学科诞生的标志,具有十分重要的意义。人工智能概念一经提出,便收获了空前的反响,人工智能历史上的第1股浪潮就这样顺理成章地形成了,该浪潮随即席卷全球。当时,普通大众和研究人工智能的科学家都极为乐观,相信人工智能技术在几年内必将取得重大突破和快速进展,甚至预言在20年内智能机器能完全取代人在各个领域的工作。这种乐观情绪持续高涨,直到1973年《莱特希尔报告》的出现将其终结,该报告用翔实的数据明确指出人工智能的任何部分都没有达到科学家一开始承诺达到的影响力水平,至此人工智能泡沫被无情地戳破,在人们幡然醒悟的同时,人工智能历史上的第1个寒冬到来,人们对人工智能的热情逐渐消退,社会各界的关注度和资金投入也逐年减少。
本文来自清杉投稿,不代表电子书资源网立场,如若转载,请联系原作者获取。