- 深度学习之PyTorch实战计算机视觉/博文视点AI系列
- - 作者：编者:唐进民
  - 出版社：电子工业
  - ISBN：9787121341441
  - 出版日期：2018/06/01
  - 页数：273
- 售价：31.6

内容大纲
计算机视觉、自然语言处理和语音识别是目前深度学习领域很热门的三大应用方向，本书旨在帮助零基础或基础较为薄弱的读者入门深度学习，达到能够独立使用深度学习知识处理计算机视觉问题的水平。通过阅读本书，读者将学到人工智能的基础概念及Python编程技能，掌握PyTorch的使用方法，学到深度学习相关的理论知识，比如卷积神经网络、循环神经网络、自动编码器，等等。在掌握深度学习理论和编程技能之后，读者还会学到如何基于PyTorch深度学习框架实战计算机视觉。本书中的大量实例可让读者在循序渐进地学习的同时，不断地获得成就感。
唐进民编著的《深度学习之PyTorch实战计算机视觉》面向对深度学习技术感兴趣、但是相关基础知识较为薄弱或者零基础的读者。
作者介绍
唐进民，深入理解深度学习与计算机视觉知识体系，有扎实的PyTorch、Python和数学功底。长期活跃于Github、知乎等平台并分享与深度学习相关的文章，具有一定的阅读量和人气。此前还在某AI网络教育平台兼职Mentor，辅导新学员入门机器学习和深度学习。
目录
第1章  浅谈人工智能、神经网络和计算机视觉
  1.1  人工还是智能
  1.2  人工智能的三起两落
    1.2.1  两起两落
    1.2.2  卷土重来
  1.3  神经网络简史
    1.3.1  生物神经网络和人工神经网络
    1.3.2  M-P模型
    1.3.3  感知机的诞生
    1.3.4  你好，深度学习
  1.4  计算机视觉
  1.5  深度学习  12
    1.5.1  图片分类
    1.5.2  图像的目标识别和语义分割
    1.5.3  自动驾驶
    1.5.4  图像风格迁移
第2章  相关的数学知识
  2.1  矩阵运算入门
    2.1.1  标量、向量、矩阵和张量
    2.1.2  矩阵的转置
    2.1.3  矩阵的基本运算
  2.2  导数求解
    2.2.1  一阶导数的几何意义
    2.2.2  初等函数的求导公式
    2.2.3  初等函数的和、差、积、商求导
    2.2.4  复合函数的链式法则
第3章  深度神经网络基础
  3.1  监督学习和无监督学习
    3.1.1  监督学习
    3.1.2  无监督学习
    3.1.3  小结
  3.2  欠拟合和过拟合
    3.2.1  欠拟合
    3.2.2  过拟合
  3.3  后向传播
  3.4  损失和优化
    3.4.1  损失函数
    3.4.2  优化函数
  3.5  激活函数
    3.5.1  Sigmoid
    3.5.2  tanh
    3.5.3  ReLU
  3.6  本地深度学习工作站
    3.6.1  GPU和CPU
    3.6.2  配置建议
第4章  卷积神经网络
  4.1  卷积神经网络基础
    4.1.1  卷积层
    4.1.2  池化层
    4.1.3  全连接层

  4.2  LeNet模型
  4.3  AlexNet模型
  4.4  VGGNet模型
  4.5  GoogleNet
  4.6  ResNet
第5章  Python基础
  5.1  Python简介
  5.2  Jupyter  Notebook
    5.2.1  Anaconda的安装与使用
    5.2.2  环境管理
    5.2.3  环境包管理
    5.2.4  Jupyter  Notebook的安装
    5.2.5  Jupyter  Notebook的使用
    5.2.6  Jupyter  Notebook常用的快捷键
  5.3  Python入门
    5.3.1  Python的基本语法
    5.3.2  Python变量
    5.3.3  常用的数据类型
    5.3.4  Python运算
    5.3.5  Python条件判断语句
    5.3.6  Python循环语句
    5.3.7  Python中的函数
    5.3.8  Python中的类
  5.4  Python中的NumPy
    5.4.1  NumPy的安装
    5.4.2  多维数组
    5.4.3  多维数组的基本操作
  5.5  Python中的Matplotlib
    5.5.1  Matplotlib的安装
    5.5.2  创建图
第6章  PyTorch基础
  6.1  PyTorch中的Tensor
    6.1.1  Tensor的数据类型
    6.1.2  Tensor的运算
    6.1.3  搭建一个简易神经网络
  6.2  自动梯度
    6.2.1  torch.autograd和Variable
    6.2.2  自定义传播函数
  6.3  模型搭建和参数优化
    6.3.1  PyTorch之torch.nn
    6.3.2  PyTorch之torch.optim
  6.4  实战手写数字识别
    6.4.1  torch和torchvision
    6.4.2  PyTorch之torch.transforms
    6.4.3  数据预览和数据装载
    6.4.4  模型搭建和参数优化
第7章  迁移学习
  7.1  迁移学习入门
  7.2  数据集处理
    7.2.1  验证数据集和测试数据集

    7.2.2  数据预览
  7.3  模型搭建和参数优化
    7.3.1  自定义VGGNet
    7.3.2  迁移VGG16
    7.3.3  迁移ResNet50
  7.4  小结
第8章  图像风格迁移实战
  8.1  风格迁移入门
  8.2  PyTorch图像风格迁移实战
    8.2.1  图像的内容损失
    8.2.2  图像的风格损失
    8.2.3  模型搭建和参数优化
    8.2.4  训练新定义的卷积神经网络
  8.3  小结
第9章  多模型融合
  9.1  多模型融合入门
    9.1.1  结果多数表决
    9.1.2  结果直接平均
    9.1.3  结果加权平均
  9.2  PyTorch之多模型融合实战
  9.3  小结
第10章  循环神经网络
    10.1  循环神经网络入门
    10.2  PyTorch之循环神经网络实战
    10.3  小结
第11章  自动编码器
  11.1  自动编码器入门
  11.2  PyTorch之自动编码实战
    11.2.1  通过线性变换实现自动编码器模型
    11.2.2  通过卷积变换实现自动编码器模型
  11.3  小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目