掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
細說PYTORCH深度學習:理論、算法、模型與編程實現 版權信息
- ISBN：9787302631941
- 條形碼：9787302631941 ; 978-7-302-63194-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
細說PYTORCH深度學習:理論、算法、模型與編程實現 本書特色
《細說PyTorch深度學習：理論、算法、模型與編程實現》由業界人工智能專家執筆，圖文并茂，娓娓道來。
兼備理論與實踐，理論講解細致，實踐案例豐富。
近百個教學示例及代碼實現，6大深度學習熱點應用。
以Python為編程語言，兼顧前沿技術，適合對PyTorch感興趣的各層次讀者閱讀。
細說PYTORCH深度學習:理論、算法、模型與編程實現 內容簡介
《細說PyTorch深度學習：理論、算法、模型與編程實現》由業界專家編撰，采用理論描述加代碼實踐的思路，詳細介紹PyTorch的理論知識及其在深度學習中的應用。全書分為兩篇，共16章。**篇為基礎知識，主要介紹PyTorch的基本知識、構建開發環境、卷積網絡、經典網絡、模型保存和調用、網絡可視化、數據加載和預處理、數據增強等內容；第二篇為高級應用，主要介紹數據分類、遷移學習、人臉檢測和識別、生成對抗網絡、目標檢測、ViT等內容。本書內容涵蓋PyTorch從入門到深度學習的各個方面，是一本基礎應用與案例實操相結合的參考書。 《細說PyTorch深度學習：理論、算法、模型與編程實現》理論兼備實例，深入淺出，適合PyTorch初學者使用，也可以作為理工科高等院校本科生、研究生的教學用書，還可作為相關科研工程技術人員的參考書。
細說PYTORCH深度學習:理論、算法、模型與編程實現 目錄
第1篇 基礎知識
第1章 人工智能和PyTorch2
1.1 人工智能和深度學習2
1.1.1 人工智能2
1.1.2 深度學習3
1.2 深度學習框架5
1.3 PyTorch7
1.3.1 PyTorch簡介7
1.3.2 PyTorch的應用領域9
1.3.3 PyTorch的應用前景10
1.4 小結12
第2章 開發環境13
2.1 PyTorch的安裝13
2.2 NumPy16
2.2.1 NumPy的安裝與查看17
2.2.2 NumPy對象17
2.2.3 數組21
2.2.4 數學計算26
2.3 Matplotlib32
2.3.1 Matplotlib的安裝和簡介33
2.3.2 Matplotlib Figure圖形對象35
2.4 Scikit-Learn47
2.5 小結48
第3章 PyTorch入門49
3.1 PyTorch的模塊49
3.1.1 主要模塊49
3.1.2 輔助模塊53
3.2 張量54
3.2.1 張量的數據類型55
3.2.2 創建張量56
3.2.3 張量存儲61
3.2.4 維度操作63
3.2.5 索引和切片65
3.2.6 張量運算67
3.3 torch.nn模塊76
3.3.1 卷積層76
3.3.2 池化層80
3.3.3 激活層87
3.3.4 全連接層91
3.4 自動求導92
3.5 小結95
第4章 卷積網絡96
4.1 卷積網絡的原理96
4.1.1 卷積運算96
4.1.2 卷積網絡與深度學習98
4.2 NumPy建立神經網絡99
4.3 PyTorch建立神經網絡101
4.3.1 建立兩層神經網絡101
4.3.2 神經網絡參數更新102
4.3.3 自定義PyTorch的nn模塊103
4.3.4 權重共享105
4.4 全連接網絡107
4.5 小結111
第5章 經典神經網絡112
5.1 VGGNet112
5.1.1 VGGNet的結構112
5.1.2 實現過程114
5.1.3 VGGNet的特點115
5.1.4 查看PyTorch網絡結構116
5.2 ResNet118
5.2.1 ResNet的結構118
5.2.2 殘差模塊的實現120
5.2.3 ResNet的實現122
5.2.4 ResNet要解決的問題126
5.3 XceptionNet128
5.3.1 XceptionNet的結構128
5.3.2 XceptionNet的實現131
5.4 小結135
第6章 模型的保存和調用136
6.1 字典狀態（state_dict）136
6.2 保存和加載模型138
6.2.1 使用ate_dict加載模型138
6.2.2 保存和加載完整模型139
6.2.3 保存和加載Checkpoint用于推理、繼續訓練139
6.3 一個文件保存多個模型140
6.4 通過設備保存和加載模型141
6.5 小結143
第7章 網絡可視化144
7.1 HiddenLayer可視化144
7.2 PyTorchViz可視化146
7.3 TensorboardX可視化149
7.3.1 簡介和安裝149
7.3.2 使用TensorboardX150
7.3.3 添加數字151
7.3.4 添加圖片152
7.3.5 添加直方圖153
7.3.6 添加嵌入向量154
7.4 小結156
第8章 數據加載和預處理157
8.1 加載PyTorch庫數據集157
8.2 加載自定義數據集159
8.2.1 下載并查看數據集159
8.2.2 定義數據集類161
8.3 預處理164
8.4 小結168
第9章 數據增強169
9.1 數據增強的概念169
9.1.1 常見的數據增強方法170
9.1.2 常用的數據增強庫171
9.2 數據增強的實現172
9.2.1 中心裁剪173
9.2.2 隨機裁剪174
9.2.3 縮放175
9.2.4 水平翻轉176
9.2.5 垂直翻轉177
9.2.6 隨機角度旋轉178
9.2.7 色度、亮度、飽和度、對比度的變化179
9.2.8 隨機灰度化180
9.2.9 將圖形加上padding181
9.2.10 指定區域擦除182
9.2.11 伽馬變換183
9.3 小結184
第2篇 高級應用
第10章 圖像分類186
10.1 CIFAR10數據分類186
10.1.1 定義網絡訓練數據187
10.1.2 驗證訓練結果192
10.2 數據集劃分193
10.3 貓狗分類實戰195
10.3.1 貓狗數據預處理195
10.3.2 建立網絡貓狗分類196
10.4 小結199
第11章 遷移學習200
11.1 定義和方法200
11.2 螞蟻和蜜蜂分類實戰202
11.2.1 加載數據202
11.2.2 定義訓練方法204
11.2.3 可視化預測結果205
11.2.4 遷移學習方法一：微調網絡206
11.2.5 遷移學習方法二：特征提取器208
11.3 小結209
第12章 人臉檢測和識別210
12.1 人臉檢測210
12.1.1 定義和研究現狀210
12.1.2 經典算法213
12.1.3 應用領域216
12.2 人臉識別217
12.2.1 定義和研究現狀217
12.2.2 經典算法220
12.2.3 應用領域221
12.3 人臉檢測與識別實戰222
12.3.1 Dlib人臉檢測222
12.3.2 基于MTCNN的人臉識別225
12.4 小結227
第13章 生成對抗網絡228
13.1 生成對抗網絡簡介228
13.2 數學模型230
13.3 生成手寫體數字圖片實戰233
13.3.1 基本網絡結構233
13.3.2 準備數據234
13.3.3 定義網絡和訓練235
13.3.4 生成結果分析237
13.4 生成人像圖片實戰238
13.4.1 DCGAN簡介239
13.4.2 數據準備239
13.4.3 生成對抗網絡的實現241
13.5 小結250
第14章 目標檢測251
14.1 目標檢測概述251
14.1.1 傳統目標檢測算法的研究現狀252
14.1.2 深度學習目標檢測算法的研究現狀252
14.1.3 應用領域253
14.2 檢測算法模型253
14.2.1 傳統的目標檢測模型253
14.2.2 基于深度學習的目標檢測模型255
14.3 目標檢測的基本概念259
14.3.1 IoU259
14.3.2 NMS261
14.4 Faster R-CNN目標檢測264
14.4.1 網絡原理265
14.4.2 實戰269
14.5 小結273
第15章 圖像風格遷移274
15.1 風格遷移概述274
15.2 固定風格固定內容的遷移277
15.2.1 固定風格固定內容遷移的原理277
15.2.2 PyTorch實現固定風格遷移280
15.3 快速風格遷移288
15.3.1 快速遷移模型的原理288
15.3.2 PyTorch實現快速風格遷移290
15.4 小結297
第16章 ViT298
16.1 ViT詳解298
16.1.1 Transformer模型中的Attention注意力機制298
16.1.2 視覺Transformer模型詳解302
16.2 ViT圖像分類實戰305
16.2.1 數據準備305
16.2.2 定義ViT模型306
16.2.3 定義工具函數311
16.2.4 定義訓練過程314
16.2.5 運行結果317
16.3 小結318
參考文獻319
第1章 人工智能和PyTorch2
1.1 人工智能和深度學習2
1.1.1 人工智能2
1.1.2 深度學習3
1.2 深度學習框架5
1.3 PyTorch7
1.3.1 PyTorch簡介7
1.3.2 PyTorch的應用領域9
1.3.3 PyTorch的應用前景10
1.4 小結12
第2章 開發環境13
2.1 PyTorch的安裝13
2.2 NumPy16
2.2.1 NumPy的安裝與查看17
2.2.2 NumPy對象17
2.2.3 數組21
2.2.4 數學計算26
2.3 Matplotlib32
2.3.1 Matplotlib的安裝和簡介33
2.3.2 Matplotlib Figure圖形對象35
2.4 Scikit-Learn47
2.5 小結48
第3章 PyTorch入門49
3.1 PyTorch的模塊49
3.1.1 主要模塊49
3.1.2 輔助模塊53
3.2 張量54
3.2.1 張量的數據類型55
3.2.2 創建張量56
3.2.3 張量存儲61
3.2.4 維度操作63
3.2.5 索引和切片65
3.2.6 張量運算67
3.3 torch.nn模塊76
3.3.1 卷積層76
3.3.2 池化層80
3.3.3 激活層87
3.3.4 全連接層91
3.4 自動求導92
3.5 小結95
第4章 卷積網絡96
4.1 卷積網絡的原理96
4.1.1 卷積運算96
4.1.2 卷積網絡與深度學習98
4.2 NumPy建立神經網絡99
4.3 PyTorch建立神經網絡101
4.3.1 建立兩層神經網絡101
4.3.2 神經網絡參數更新102
4.3.3 自定義PyTorch的nn模塊103
4.3.4 權重共享105
4.4 全連接網絡107
4.5 小結111
第5章 經典神經網絡112
5.1 VGGNet112
5.1.1 VGGNet的結構112
5.1.2 實現過程114
5.1.3 VGGNet的特點115
5.1.4 查看PyTorch網絡結構116
5.2 ResNet118
5.2.1 ResNet的結構118
5.2.2 殘差模塊的實現120
5.2.3 ResNet的實現122
5.2.4 ResNet要解決的問題126
5.3 XceptionNet128
5.3.1 XceptionNet的結構128
5.3.2 XceptionNet的實現131
5.4 小結135
第6章 模型的保存和調用136
6.1 字典狀態（state_dict）136
6.2 保存和加載模型138
6.2.1 使用ate_dict加載模型138
6.2.2 保存和加載完整模型139
6.2.3 保存和加載Checkpoint用于推理、繼續訓練139
6.3 一個文件保存多個模型140
6.4 通過設備保存和加載模型141
6.5 小結143
第7章 網絡可視化144
7.1 HiddenLayer可視化144
7.2 PyTorchViz可視化146
7.3 TensorboardX可視化149
7.3.1 簡介和安裝149
7.3.2 使用TensorboardX150
7.3.3 添加數字151
7.3.4 添加圖片152
7.3.5 添加直方圖153
7.3.6 添加嵌入向量154
7.4 小結156
第8章 數據加載和預處理157
8.1 加載PyTorch庫數據集157
8.2 加載自定義數據集159
8.2.1 下載并查看數據集159
8.2.2 定義數據集類161
8.3 預處理164
8.4 小結168
第9章 數據增強169
9.1 數據增強的概念169
9.1.1 常見的數據增強方法170
9.1.2 常用的數據增強庫171
9.2 數據增強的實現172
9.2.1 中心裁剪173
9.2.2 隨機裁剪174
9.2.3 縮放175
9.2.4 水平翻轉176
9.2.5 垂直翻轉177
9.2.6 隨機角度旋轉178
9.2.7 色度、亮度、飽和度、對比度的變化179
9.2.8 隨機灰度化180
9.2.9 將圖形加上padding181
9.2.10 指定區域擦除182
9.2.11 伽馬變換183
9.3 小結184
第2篇 高級應用
第10章 圖像分類186
10.1 CIFAR10數據分類186
10.1.1 定義網絡訓練數據187
10.1.2 驗證訓練結果192
10.2 數據集劃分193
10.3 貓狗分類實戰195
10.3.1 貓狗數據預處理195
10.3.2 建立網絡貓狗分類196
10.4 小結199
第11章 遷移學習200
11.1 定義和方法200
11.2 螞蟻和蜜蜂分類實戰202
11.2.1 加載數據202
11.2.2 定義訓練方法204
11.2.3 可視化預測結果205
11.2.4 遷移學習方法一：微調網絡206
11.2.5 遷移學習方法二：特征提取器208
11.3 小結209
第12章 人臉檢測和識別210
12.1 人臉檢測210
12.1.1 定義和研究現狀210
12.1.2 經典算法213
12.1.3 應用領域216
12.2 人臉識別217
12.2.1 定義和研究現狀217
12.2.2 經典算法220
12.2.3 應用領域221
12.3 人臉檢測與識別實戰222
12.3.1 Dlib人臉檢測222
12.3.2 基于MTCNN的人臉識別225
12.4 小結227
第13章 生成對抗網絡228
13.1 生成對抗網絡簡介228
13.2 數學模型230
13.3 生成手寫體數字圖片實戰233
13.3.1 基本網絡結構233
13.3.2 準備數據234
13.3.3 定義網絡和訓練235
13.3.4 生成結果分析237
13.4 生成人像圖片實戰238
13.4.1 DCGAN簡介239
13.4.2 數據準備239
13.4.3 生成對抗網絡的實現241
13.5 小結250
第14章 目標檢測251
14.1 目標檢測概述251
14.1.1 傳統目標檢測算法的研究現狀252
14.1.2 深度學習目標檢測算法的研究現狀252
14.1.3 應用領域253
14.2 檢測算法模型253
14.2.1 傳統的目標檢測模型253
14.2.2 基于深度學習的目標檢測模型255
14.3 目標檢測的基本概念259
14.3.1 IoU259
14.3.2 NMS261
14.4 Faster R-CNN目標檢測264
14.4.1 網絡原理265
14.4.2 實戰269
14.5 小結273
第15章 圖像風格遷移274
15.1 風格遷移概述274
15.2 固定風格固定內容的遷移277
15.2.1 固定風格固定內容遷移的原理277
15.2.2 PyTorch實現固定風格遷移280
15.3 快速風格遷移288
15.3.1 快速遷移模型的原理288
15.3.2 PyTorch實現快速風格遷移290
15.4 小結297
第16章 ViT298
16.1 ViT詳解298
16.1.1 Transformer模型中的Attention注意力機制298
16.1.2 視覺Transformer模型詳解302
16.2 ViT圖像分類實戰305
16.2.1 數據準備305
16.2.2 定義ViT模型306
16.2.3 定義工具函數311
16.2.4 定義訓練過程314
16.2.5 運行結果317
16.3 小結318
參考文獻319
展開全部
細說PYTORCH深度學習:理論、算法、模型與編程實現 作者簡介
凌峰，畢業于中國科學院大學，博士，從事機器學習、人工智能、圖像處理和計算視覺的研究 與開發工作多年，發表多篇論文，擁有豐富的機器學習算法實現經驗。 丁麒文，研究生畢業，主要從事圖像處理、機器學習、人工智能和機器視覺領域的研究工作， 熟練運用基于Pytorch、TensorFlow等深度學習框架實現相關圖像處理算法，并發表了多篇論文 。
書友推薦
- >
姑媽的寶刀
- >
我與地壇
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
月亮虎
- >
【精裝繪本】畫給孩子的中國神話
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
- >
回憶愛瑪儂
本類暢銷
