深度学习之PyTorch实战计算机视觉

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。本书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。

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。

第1章浅谈人工智能、神经网络和计算机视觉1
1.1人工还是智能1
1.2人工智能的三起两落2
1.2.1两起两落2
1.2.2卷土重来3
1.3神经网络简史5
1.3.1生物神经网络和人工神经网络5
1.3.2M-P模型6
1.3.3感知机的诞生9
1.3.4你好，深度学习10
1.4计算机视觉11
1.5深度学习+12
1.5.1图片分类12
1.5.2图像的目标识别和语义分割13
1.5.3自动驾驶13
1.5.4图像风格迁移14
第2章相关的数学知识15
2.1矩阵运算入门15
2.1.1标量、向量、矩阵和张量15
2.1.2矩阵的转置17
2.1.3矩阵的基本运算18
2.2导数求解22
2.2.1一阶导数的几何意义23
2.2.2初等函数的求导公式24
2.2.3初等函数的和、差、积、商求导26
2.2.4复合函数的链式法则27
第3章深度神经网络基础29
3.1监督学习和无监督学习29
3.1.1监督学习30
3.1.2无监督学习32
3.1.3小结33
3.2欠拟合和过拟合34
3.2.1欠拟合34
3.2.2过拟合35
3.3后向传播36
3.4损失和优化38
3.4.1损失函数38
3.4.2优化函数39
3.5激活函数42
3.5.1Sigmoid44
3.5.2tanh45
3.5.3ReLU46
3.6本地深度学习工作站47
3.6.1GPU和CPU47
3.6.2配置建议49
第4章卷积神经网络51
4.1卷积神经网络基础51
4.1.1卷积层51
4.1.2池化层54
4.1.3全连接层56
4.2LeNet模型57
4.3AlexNet模型59
4.4VGGNet模型61
4.5GoogleNet65
4.6ResNet69
第5章Python基础72
5.1Python简介72
5.2JupyterNotebook73
5.2.1Anaconda的安装与使用73
5.2.2环境管理76
5.2.3环境包管理77
5.2.4JupyterNotebook的安装79
5.2.5JupyterNotebook的使用80
5.2.6JupyterNotebook常用的快捷键86
5.3Python入门88
5.3.1Python的基本语法88
5.3.2Python变量92
5.3.3常用的数据类型94
5.3.4Python运算99
5.3.5Python条件判断语句107
5.3.6Python循环语句109
5.3.7Python中的函数113
5.3.8Python中的类116
5.4Python中的NumPy119
5.4.1NumPy的安装119
5.4.2多维数组119
5.4.3多维数组的基本操作125
5.5Python中的Matplotlib133
5.5.1Matplotlib的安3
5.5.2创建图133
第6章PyTorch基础142
6.1PyTorch中的Tensor142
6.1.1Tensor的数据类型143
6.1.2Tensor的运算146
6.1.3搭建一个简易神经网络153
6.2自动梯度156
6.2.1torch.autograd和Variable156
6.2.2自定义传播函数159
6.3模型搭建和参数优化162
6.3.1PyTorch之torch.nn162
6.3.2PyTorch之torch.optim167
6.4实战手写数字识别169
6.4.1torch和torchvision170
6.4.2PyTorch之torch.transforms171
6.4.3数据预览和数据装载173
6.4.4模型搭建和参数优化174
第7章迁移学习180
7.1迁移学习入门180
7.2数据集处理181
7.2.1验证数据集和测试数据集182
7.2.2数据预览182
7.3模型搭建和参数优化185
7.3.1自定义VGGNet185
7.3.2迁移VGG16196
7.3.3迁移ResNet50203
7.4小结219
第8章图像风格迁移实战220
8.1风格迁移入门220
8.2PyTorch图像风格迁移实战222
8.2.1图像的内容损失222
8.2.2图像的风格损失223
8.2.3模型搭建和参数优化224
8.2.4训练新定义的卷积神经网络226
8.3小结232
第9章多模型融合233
9.1多模型融合入门233
9.1.1结果多数表决234
9.1.2结果直接平均236
9.1.3结果加权平均237
9.2PyTorch之多模型融合实战239
9.3小结246
第10章循环神经网络247
10.1循环神经网络入门247
10.2PyTorch之循环神经网络实战249
10.3小结257
第11章自动编码器258
11.1自动编码器入门258
11.2PyTorch之自动编码实战259
11.2.1通过线性变换实现自动编码器模型260
11.2.2通过卷积变换实现自动编码器模型267
11.3小结273