预购商品
书目分类
特别推荐
電腦視覺、自然語言處理和語音辨識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電腦視覺問題的水準。通過閱讀本書,讀者將學到人工智慧的基礎概念及Python程式設計技能,掌握PyTorch的使用方法,學到深度學習相關的理論知識,比如卷積神經網路、迴圈神經網路、自動編碼器,等等。 在掌握深度學習理論和程式設計技能之後,讀者還會學到如何基於PyTorch深度學習框架實戰電腦視覺。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。
第1章 淺談人工智慧、神經網路和電腦視覺 1 1.1 人工還是智慧 1 1.2 人工智慧的三起兩落 2 1.2.1 兩起兩落 2 1.2.2 捲土重來 3 1.3 神經網路簡史 5 1.3.1 生物神經網路和人工神經網路 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 電腦視覺 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 複合函數的鏈式法則 27 第3章 深度神經網路基礎 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 後向傳播 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 啟動函數 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 卷積神經網路 51 4.1 卷積神經網路基礎 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常用的快速鍵 86 5.3 Python入門 88 5.3.1 Python的基本語法 88 5.3.2 Python變數 92 5.3.3 常用的資料類型 94 5.3.4 Python運算 99 5.3.5 Python條件判斷語句 107 5.3.6 Python迴圈語句 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 多維陣列 119 5.4.3 多維陣列的基本操作 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的資料類型 143 6.1.2 Tensor的運算 146 6.1.3 搭建一個簡易神經網路 153 6.2 自動梯度 156 6.2.1 torch.autograd和Variable 156 6.2.2 自訂傳播函數 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 實戰手寫數位識別 169 6.4.1 torch和torchvision 170 6.4.2 PyTorch之torch.transforms 171 6.4.3 資料預覽和資料裝載 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 資料集處理 181 7.2.1 驗證資料集和測試資料集 182 7.2.2 數據預覽 182 7.3 模型搭建和參數優化 185 7.3.1 自訂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路 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 迴圈神經網路 247 10.1 迴圈神經網路入門 247 10.2 PyTorch之迴圈神經網路實戰 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
唐進民,深入理解深度學習與電腦視覺知識體系,有扎實的Python、PyTorch和數學功底,長期活躍於GitHub、知乎等平臺,並分享與深度學習相關的文章,具有一定的閱讀量和人氣。此前在某AI線上教育平臺兼職機器學習入門Mentor,輔導新學員入門機器學習和深度學習。
客服公告
热门活动
订阅电子报