计算机视觉的PyTorch项目实战(基于深度学习框架的端到端的产品级模型设计与开发)

本书使用PyTorch框架来 讨论计算机视觉算法及其应 用。首先介绍计算机视觉基 础，主题涉及卷积神经网络 、ResNet、YOLO、数据增 强和业内使用的其他常规技 术。随后简要概述PyTorch 库。接下来探究图像分类问 题、对象检测技术以及如何 在训练和运行推理的同时实 现迁移学习。最后通过一个 完整的建模过程来阐述深度 学习框架PyTorch是如何运 用优化技巧和模型AI可解释 性的。 本书适合具有一定基础 的中高级读者阅读和参考， 可以帮助他们使用迁移学习 和PyTorch来搭建产品级的 计算机视觉模型。

\"著译者和技术审阅者简介 阿克谢·库尔卡尼(Akshay Kulkarni)，AI与机器学习(ML)布道师和思想领袖，为财富500强提供咨询服务，帮助客户推动AI和数字化战略转型。作为谷歌开发者，他经常受邀在机器学习和数据科学大会(包括Strata、O'Reilly的Conf和GIDS)发表演讲。他还是印度多个顶级研究生院的客座教授。2019年，他入选“印度40位40岁以下数据科学家”名单。业余时间，他喜欢阅读、写作、写代码以及为有抱负的数据科学工程师提供帮助。目前，他和自己的家人居住在印度班加罗尔。 阿达沙·希瓦南达(Adarsha Shivananda)，数据科学和MLOps先行者，致力于创建世界级的MLOps能力以确保人工智能可以持续交付价值。他的使命是在组织内部和外部建立一个数据科学家人才库，通过培训来解决问题，他在这方面一直保持领先地位。他先后就职于制药、保健、包装消费、零售和营销领域。目前，他居住在印度班加罗尔，喜欢阅读和数据科学培训。 尼廷·奈杰·夏尔马(Nitin Ranjan Sharma)，诺华制药产品经理，主要带领团队使用多模型技术来开发产品，此外也为财富500强公司提供咨询服务，使用机器学习和深度学习框架来帮助他们解决复杂的业务问题。他主要关注的领域和核心专长是计算机视觉，比如解决图像和视频数据的业务难题。在加入诺华制药之前，他的身份是Publicis Sapient、EY和TekSystems Global Services数据科学团队成员。他经常受邀在数据科学大会上发表演讲并喜欢培训和指导数据科学爱好者开展工作。此外，他还是一名非常活跃的开源贡献者。 欧拉，奉行知行合一，擅长于问题的引导和拆解。目前感兴趣的方向有机器学习、人工智能和商业分析。 贾莱姆·拉吉·罗希特(Jalem Raj Rohit)，Episource公司的高级数据科学家，全面领导计算机视觉工作。他参与创办了Pydata德里和Pydata孟买等机器学习社群并以组织者和嘉宾的身份举办和参加了很多小型聚会与大型会议大会。 他写了两本书，录制了视频课程(Julia语言和无服务器项目)。他的兴趣领域包括计算机视觉、MLOps和分布式系统。 \"

第1章 计算机视觉的基本构成 1.1 什么是计算机视觉 1.1.1 应用 1.1.2 通道 1.1.3 卷积神经网络 1.1.4 了解CNN架构类型 1.1.5 掌握深度学习模型 1.1.6 PyTorch简介 1.2 小结 第2章 图像分类 2.1 本章所涵盖的主题 2.2 方法概述 2.3 创建图像分类流程 2.3.1 第一个基本模型 2.3.2 数据 2.3.3 数据探索 2.3.4 数据加载器 2.3.5 定义模型 2.3.6 训练过程 2.3.7 基本模型的第二种变体 2.3.8 基本模型的第三种变体 2.3.9 基本模型的第四种变体 2.7 小结 第3章 构建目标检测模型 3.1 使用 Boosted Cascade进行目标检测 3.2 R-CNN 3.2.1 区域候选网络 3.2.2 快速区域卷积神经网络 3.2.3 候选区域网络的工作原理 3.2.4 锚框生成层 3.2.5 候选区域层 3.3 Mask R-CNN 3.4 YOLO 3.5 YOLO V2/V3 3.6 项目代码片段 3.7 小结 第4章 构建图像分割模型 4.1 图像分割 4.2 PyTorch预训练支持 4.2.1 语义分割 4.2.2 实例分割 4.3 模型优化 4.4 小结 第5章 基于图的搜索和推荐系统 5.1 问题陈述 5.2 方法和方法论 5.3 实现 5.3.1 数据集 5.3.2 安装和导入库 5.3.3 导入和理解数据