深度學習之PyTorch實戰計算機視覺 ( 簡體 字) |
| 作者：唐進民 | 類別：1. -> 程式設計 -> 深度學習
2. -> 程式設計 -> Python |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 49079
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：5/1/2018 |
| 頁數：284 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121341441 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：“人工智能”（Artificial Intelligence，簡稱AI）一詞在很久以前就有了，被大眾津津樂道卻是近幾年的事情，這和機器學習（Machine Learning）、深度學習（Deep Learning）等技術的崛起有著千絲萬縷的聯系，而這一切又得益于大數據的發展和計算機處理性能的不斷提升。
本書將帶領讀者了解人工智能的相關技術和發展近況，通過一些實例來掌握必備的技能，并能夠獨立使用相關技術完成對計算機視覺問題的分析和處理。本書各個章節的知識要點如下。
第1章主要介紹人工智能、神經網絡和計算機視覺的發展歷史，讓讀者對這一領域有一個全面的認識。
第2章主要介紹在理解和掌握后面章節的內容時需要用到的數學知識，以及在實戰操作的過程中進行環境搭建及安裝相關軟件的方法。本書中數學相關的大部分知識都集中在本章中，其主要目的是讓讀者先對這個領域的知識產生興趣，這樣才能更好地深入學習和研究。在本章中不會插入大量的數學公式，這樣做會讓初學者望而卻步，在不斷消化公式的過程中喪失學習興趣和動力。通過不斷實戰來學習，可以累積成就感，這種自頂向下的方式不失為一種更好的學習方法。
第3章主要介紹在學習神經網絡的過程中會經常遇到的一些概念和定義。比如后向傳播（Back Propagation）、激活函數（Activation Function）、監督學習（Supervised Learning）、無監督學習（Unsupervised Learning），等等，這也是為之后學習深度神經網絡做準備。在搭建一個完整的深度神經網絡模型時，就需要不斷地用到本章的內容了。
第4章主要介紹深度神經網絡中的卷積神經網絡（Convolutional Neural Network，簡稱CNN）。首先介紹卷積層、全連接層、池化層等相關內容，之后又列舉了目前主流的一些卷積神經網絡架構，并對比它們之間的相同點和不同點，以便于掌握不同的卷積神經網絡的結構和技術細節。
第5章主要介紹Python編程語言的相關知識，目的是讓讀者掌握Python語言的語法定義和使用方式，并使用Python語言進行功能代碼的編寫；還會介紹在處理計算機視覺問題時需要用到的兩個重要的Python包：NumPy和Matplotlib。本章內容豐富，而且Python語言自身就很簡單且易上手，讀者很快就能掌握Python這門編程語言。
第6章主要介紹如何使用PyTorch深度學習框架。PyTorch非常簡單易用，能夠根據我們的需求快速搭建出我們想要的深度神經網絡模型，這在很大程度上歸功于PyTorch基于動態圖計算的特性，它與基于靜態圖計算的深度學習框架相比，有更多的優勢，比如PyTorch不僅速度快，還有許多功能強大的包可供調用。本章先介紹PyTorch中常用的包和類的使用方法；然后介紹如何使用PyTorch中的一些自動化方法來提升代碼的執行效率和簡潔度；最后會通過一個綜合實例，使用本章的內容解決一個實際的計算機視覺問題。
第7章一開始就是一個關于計算機視覺問題的實戰，介紹了一種非常實用的深度神經網絡復用方法，即遷移學習（Transfer Learning）。在掌握遷移學習的原理之后，會基于PyTorch對遷移學習進行實戰，并解決比之前更復雜的計算機視覺問題。對實戰代碼的解析會貫穿本章，讓讀者更深刻地理解代碼。
第8章講解如何基于PyTorch實戰圖像風格遷移（Neural Style）。通過對本章的學習，讀者會發現，利用卷積神經網絡不僅能處理圖片分類問題，只要有想法和創意，還能做更多、更有趣的事情。
第9章介紹一種多模型融合方法，在現有的模型遭遇性能提升瓶頸時，可通過搭建一種經過科學融合的新模型達到超過預期的泛化能力。本章依然會基于PyTorch對多模型融合方法進行實戰。
第10章介紹一種區別于卷積神經網絡的新神經網絡結構，即循環神經網絡（Recurrent Neural Network，簡稱RNN）。不同于卷積神經網絡強大的圖像特征提取能力，循環神經網絡主要用于處理有序輸入的數據。為了方便讀者理解模型如何對有序數據進行處理，本章會基于PyTorch使用循環神經網絡來處理一個計算機視覺問題。
第11章講解自動編碼器，它是一種使用非監督學習方法的神經網絡。自編碼器能夠實現很多功能，本章會選取一個圖像去噪問題來進行自動編碼器實戰。
本書前6章的內容可作為后5章的鋪墊，前6章的知識偏向基礎和理論，不過，只有掌握了這些內容，才能從容應對后5章的實戰。這個循序漸進的過程會讓讀者對知識的理解更深刻，技能提升更迅速。
人工智能在近幾年大熱，網絡上的相關資料良莠不齊且沒有體系，即使有優秀的干貨，對于基礎薄弱的初學者來說起點也太高。本書也是出于對這一現狀的考慮，通過從基礎到實戰、由淺入深的過程，讓讀者基于PyTorch來使用深度學習方法實際解決一些計算機視覺相關的問題，這樣，讀者在獲取知識的過程中會更有成就感，學起來也會更積極、主動。
感謝家人的鼓勵和支持，也感謝張國霞編輯的幫助和付出，筆者才能以更好的方式將這部作品呈現在讀者的面前。希望讀者能遵從敏捷學習的思路，多實戰、多思考并不斷進步。在本書中會有很多實例，讀者可以舉一反三、不斷實踐，在發現問題時要多思考，畢竟本書涉及的內容有限，若想讓自己的能力得到更高層次的提升，則需要獲取更多的資料來充實自己。
唐進民
2018年5月
輕松注冊成為博文視點社區用戶，掃碼直達本書頁面。
提交勘誤：您對書中內容的修改意見可在 提交勘誤 處提交，若被采納，將獲贈博文視點社區積分（在您購買電子書時，積分可用來抵扣相應金額）。
交流互動：在頁面下方 讀者評論 處留下您的疑問或觀點，與我們和其他讀者一同學習交流。 |
內容簡介：計算機視覺、自然語言處理和語音識別是目前深度學習領域很熱門的三大應用方向，本書旨在幫助零基礎或基礎較為薄弱的讀者入門深度學習，達到能夠獨立使用深度學習知識處理計算機視覺問題的水平。通過閱讀本書，讀者將學到人工智能的基礎概念及Python編程技能，掌握PyTorch的使用方法，學到深度學習相關的理論知識，比如卷積神經網絡、循環神經網絡、自動編碼器，等等。在掌握深度學習理論和編程技能之后，讀者還會學到如何基于PyTorch深度學習框架實戰計算機視覺。本書中的大量實例可讓讀者在循序漸進地學習的同時，不斷地獲得成就感。本書面向對深度學習技術感興趣、但是相關基礎知識較為薄弱或者零基礎的讀者。 |
目錄：第1章 淺談人工智能、神經網絡和計算機視覺 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 3
1.3 神經網絡簡史 5
1.3.1 生物神經網絡和人工神經網絡 5
1.3.2 M-P模型 6
1.3.3 感知機的誕生 9
1.3.4 你好，深度學習 10
1.4 計算機視覺 11
1.5 深度學習+ 12
1.5.1 圖片分類 12
1.5.2 圖像的目標識別和語義分割 13
1.5.3 自動駕駛 13
1.5.4 圖像風格遷移 14
第2章 相關的數學知識 15
2.1 矩陣運算入門 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 深度神經網絡基礎 29
3.1 監督學習和無監督學習 29
3.1.1 監督學習 30
3.1.2 無監督學習 32
3.1.3 小結 33
3.2 欠擬合和過擬合 34
3.2.1 欠擬合 34
3.2.2 過擬合 35
3.3 后向傳播 36
3.4 損失和優化 38
3.4.1 損失函數 38
3.4.2 優化函數 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 卷積神經網絡 51
4.1 卷積神經網絡基礎 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簡介 72
5.2 Jupyter Notebook 73
5.2.1 Anaconda的安裝與使用 73
5.2.2 環境管理 76
5.2.3 環境包管理 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 88
5.3.1 Python的基本語法 88
5.3.2 Python變量 92
5.3.3 常用的數據類型 94
5.3.4 Python運算 99
5.3.5 Python條件判斷語句 107
5.3.6 Python循環語句 109
5.3.7 Python中的函數 113
5.3.8 Python中的類 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的數據類型 143
6.1.2 Tensor的運算 146
6.1.3 搭建一個簡易神經網絡 153
6.2 自動梯度 156
6.2.1 torch.autograd和Variable 156
6.2.2 自定義傳播函數 159
6.3 模型搭建和參數優化 162
6.3.1 PyTorch之torch.nn 162
6.3.2 PyTorch之torch.optim 167
6.4 實戰手寫數字識別 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 模型搭建和參數優化 174
第7章 遷移學習 180
7.1 遷移學習入門 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 圖像風格遷移實戰 220
8.1 風格遷移入門 220
8.2 PyTorch圖像風格遷移實戰 222
8.2.1 圖像的內容損失 222
8.2.2 圖像的風格損失 223
8.2.3 模型搭建和參數優化 224
8.2.4 訓練新定義的卷積神經網絡 226
8.3 小結 232
第9章 多模型融合 233
9.1 多模型融合入門 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之多模型融合實戰 239
9.3 小結 246
第10章 循環神經網絡 247
10.1 循環神經網絡入門 247
10.2 PyTorch之循環神經網絡實戰 249
10.3 小結 257
第11章 自動編碼器 258
11.1 自動編碼器入門 258
11.2 PyTorch之自動編碼實戰 259
11.2.1 通過線性變換實現自動編碼器模型 260
11.2.2 通過卷積變換實現自動編碼器模型 267
11.3 小結 273 |
| 序： |
