PyTorch深度学习应用实战

封面

版权页

内容简介

作者简介

前言

第1篇 深度学习导论

第1章 深度学习介绍

1-1 人工智能历经的三波浪潮

1-2 AI的学习地图

1-3 TensorFlow对比PyTorch

1-4 机器学习开发流程

1-5 开发环境安装

1-6 免费云端环境开通

第2章 神经网络原理

2-1 必备的数学与统计知识

2-2 万般皆自“回归”起

2-3 神经网络

第2篇 PyTorch基础

第3章 PyTorch学习路径与主要功能

3-1 PyTorch学习路径

3-2 张量运算

3-3 自动微分

3-4 神经网络层

3-5 总结

第4章 神经网络实操

4-1 撰写第一个神经网络程序

4-2 模型种类

4-3 神经层

4-4 激励函数

4-5 损失函数

4-6 优化器

4-7 效能衡量指标

4-8 超参数调校

第5章 PyTorch进阶功能

5-1 数据集及数据加载器

5-2 TensorBoard

5-3 模型部署与TorchServe

第6章 卷积神经网络

6-1 卷积神经网络简介

6-2 卷积

6-3 各种卷积

6-4 池化层

6-5 CNN模型实操

6-6 影像数据增强

6-7 可解释的AI

第7章 预先训练的模型

7-1 预先训练模型的简介

7-2 采用完整的模型

7-3 采用部分模型

7-4 转移学习

7-5 Batch Normalization说明

第3篇 进阶的影像应用

第8章 对象侦测

8-1 图像辨识模型的发展

8-2 滑动窗口

8-3 方向梯度直方图

8-4 R-CNN对象侦测

8-5 R-CNN改良

8-6 YOLO算法简介

8-7 YOLO v5测试

8-8 YOLO v5模型训练

8-9 YOLO v7测试

8-10 YOLO模型训练

8-11 SSD算法

8-12 对象侦测的效能衡量指标

8-13 总结

第9章 进阶的影像应用

9-1 语义分割介绍

9-2 自动编码器

9-3 语义分割实操

9-4 实例分割

9-5 风格转换—人人都可以是毕加索

9-6 脸部辨识

9-7 光学文字辨识

9-8 车牌辨识

9-9 卷积神经网络的缺点

第10章 生成对抗网络

10-1 生成对抗网络介绍

10-2 生成对抗网络种类

10-3 DCGAN

10-4 Progressive GAN

10-5 Conditional GAN

10-6 Pix2Pix

10-7 CycleGAN

10-8 GAN挑战

10-9 深度伪造

第4篇 自然语言处理

第11章 自然语言处理的介绍

11-1 词袋与TF-IDF

11-2 词汇前置处理

11-3 词向量

11-4 GloVe模型

11-5 中文处理

11-6 spaCy套件

第12章 自然语言处理的算法

12-1 循环神经网络

12-2 PyTorch内建文本数据集

12-3 长短期记忆网络

12-4 自定义数据集

12-5 时间序列预测