深度學習之PyTorch實戰(zhàn)計算機視覺

第1章 淺談人工智能、神經(jīng)網(wǎng)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(jīng)網(wǎng)絡簡史 5
1.3.1 生物神經(jīng)網(wǎng)絡和人工神經(jīng)網(wǎng)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(shù)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(zhuǎn)置 17
2.1.3 矩陣的基本運算 18
2.2 導數(shù)求解 22
2.2.1 一階導數(shù)的幾何意義 23
2.2.2 初等函數(shù)的求導公式 24
2.2.3 初等函數(shù)的和、差、積、商求導 26
2.2.4 復合函數(shù)的鏈式法則 27

第3章 深度神經(jīng)網(wǎng)絡基礎 29
3.1 監(jiān)督學習和無監(jiān)督學習 29
3.1.1 監(jiān)督學習 30
3.1.2 無監(jiān)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(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(jīng)網(wǎng)絡 51
4.1 卷積神經(jīng)網(wǎng)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(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 142
6.1 PyTorch中的Tensor 142
6.1.1 Tensor的數(shù)據(jù)類型 143
6.1.2 Tensor的運算 146
6.1.3 搭建一個簡易神經(jīng)網(wǎng)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(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 遷移學習 180
7.1 遷移學習入門 180
7.2 數(shù)據(jù)集處理 181
7.2.1 驗證數(shù)據(jù)集和測試數(shù)據(jù)集 182
7.2.2 數(shù)據(jù)預覽 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 219

第8章 圖像風格遷移實戰(zhàn) 220
8.1 風格遷移入門 220
8.2 PyTorch圖像風格遷移實戰(zhàn) 222
8.2.1 圖像的內(nèi)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(shù)優(yōu)化 224
8.2.4 訓練新定義的卷積神經(jīng)網(wǎng)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(shù)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(zhàn) 239
9.3 小結 246

第10章 循環(huán)神經(jīng)網(wǎng)絡 247
10.1 循環(huán)神經(jīng)網(wǎng)絡入門 247
10.2 PyTorch之循環(huán)神經(jīng)網(wǎng)絡實戰(zhàn) 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(zhàn) 259
11.2.1 通過線性變換實現(xiàn)自動編碼器模型 260
11.2.2 通過卷積變換實現(xiàn)自動編碼器模型 267
11.3 小結 273