深度學(xué)習(xí)之PyTorch實(shí)戰(zhàn)計(jì)算機(jī)視覺

第1章 淺談人工智能、神經(jīng)網(wǎng)絡(luò)和計(jì)算機(jī)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(jīng)網(wǎng)絡(luò)簡史 5
1.3.1 生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò) 5
1.3.2 M-P模型 6
1.3.3 感知機(jī)的誕生 9
1.3.4 你好，深度學(xué)習(xí) 10
1.4 計(jì)算機(jī)視覺 11
1.5 深度學(xué)習(xí)+ 12
1.5.1 圖片分類 12
1.5.2 圖像的目標(biāo)識別和語義分割 13
1.5.3 自動駕駛 13
1.5.4 圖像風(fēng)格遷移 14

第2章 相關(guān)的數(shù)學(xué)知識 15
2.1 矩陣運(yùn)算入門 15
2.1.1 標(biāo)量、向量、矩陣和張量 15
2.1.2 矩陣的轉(zhuǎn)置 17
2.1.3 矩陣的基本運(yùn)算 18
2.2 導(dǎo)數(shù)求解 22
2.2.1 一階導(dǎo)數(shù)的幾何意義 23
2.2.2 初等函數(shù)的求導(dǎo)公式 24
2.2.3 初等函數(shù)的和、差、積、商求導(dǎo) 26
2.2.4 復(fù)合函數(shù)的鏈?zhǔn)椒▌t 27

第3章 深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 29
3.1 監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí) 29
3.1.1 監(jiān)督學(xué)習(xí) 30
3.1.2 無監(jiān)督學(xué)習(xí) 32
3.1.3 小結(jié) 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(yōu)化 38
3.4.1 損失函數(shù) 38
3.4.2 優(yōu)化函數(shù) 39
3.5 激活函數(shù) 42
3.5.1 Sigmoid 44
3.5.2 tanh 45
3.5.3 ReLU 46
3.6 本地深度學(xué)習(xí)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(jīng)網(wǎng)絡(luò) 51
4.1 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 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(chǔ) 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(huán)境管理 76
5.2.3 環(huán)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(shù)據(jù)類型 94
5.3.4 Python運(yùn)算 99
5.3.5 Python條件判斷語句 107
5.3.6 Python循環(huán)語句 109
5.3.7 Python中的函數(shù) 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(shù)組 119
5.4.3 多維數(shù)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(chuàng)建圖 133

第6章 PyTorch基礎(chǔ) 142
6.1 PyTorch中的Tensor 142
6.1.1 Tensor的數(shù)據(jù)類型 143
6.1.2 Tensor的運(yùn)算 146
6.1.3 搭建一個(gè)簡易神經(jīng)網(wǎng)絡(luò) 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(shù) 159
6.3 模型搭建和參數(shù)優(yōu)化 162
6.3.1 PyTorch之torch.nn 162
6.3.2 PyTorch之torch.optim 167
6.4 實(shí)戰(zhàn)手寫數(shù)字識別 169
6.4.1 torch和torchvision 170
6.4.2 PyTorch之torch.transforms 171
6.4.3 數(shù)據(jù)預(yù)覽和數(shù)據(jù)裝載 173
6.4.4 模型搭建和參數(shù)優(yōu)化 174

第7章 遷移學(xué)習(xí) 180
7.1 遷移學(xué)習(xí)入門 180
7.2 數(shù)據(jù)集處理 181
7.2.1 驗(yàn)證數(shù)據(jù)集和測試數(shù)據(jù)集 182
7.2.2 數(shù)據(jù)預(yù)覽 182
7.3 模型搭建和參數(shù)優(yōu)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(jié) 219

第8章 圖像風(fēng)格遷移實(shí)戰(zhàn) 220
8.1 風(fēng)格遷移入門 220
8.2 PyTorch圖像風(fēng)格遷移實(shí)戰(zhàn) 222
8.2.1 圖像的內(nèi)容損失 222
8.2.2 圖像的風(fēng)格損失 223
8.2.3 模型搭建和參數(shù)優(yōu)化 224
8.2.4 訓(xùn)練新定義的卷積神經(jīng)網(wǎng)絡(luò) 226
8.3 小結(jié) 232

第9章 多模型融合 233
9.1 多模型融合入門 233
9.1.1 結(jié)果多數(shù)表決 234
9.1.2 結(jié)果直接平均 236
9.1.3 結(jié)果加權(quán)平均 237
9.2 PyTorch之多模型融合實(shí)戰(zhàn) 239
9.3 小結(jié) 246

第10章 循環(huán)神經(jīng)網(wǎng)絡(luò) 247
10.1 循環(huán)神經(jīng)網(wǎng)絡(luò)入門 247
10.2 PyTorch之循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn) 249
10.3 小結(jié) 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(shí)戰(zhàn) 259
11.2.1 通過線性變換實(shí)現(xiàn)自動編碼器模型 260
11.2.2 通過卷積變換實(shí)現(xiàn)自動編碼器模型 267
11.3 小結(jié) 273