PyTorch计算机视觉与深度学习/大数据与人工智能技术丛书

本书将基础理论和算法 实现相结合，循序渐进地介 绍了人工智能领域中的常见 算法，全面、系统地介绍了 使用Python实现人工智能算 法，并通过PyTorch框架实 现人工智能算法中的深度学 习内容。全书分为两篇，共 12章，分别介绍了人工智能 基础、深度学习基础、卷积 神经网络的基本构建、 PyTorch的基本应用、分类 识别技术与应用、目标检测 技术与应用、基于视觉大数 据检索的图搜图应用、验证 码AI识别、基于生成式对抗 网络的图像生成应用、肺炎 感染影像智能识别、基于深 度学习的人脸二维码识别、 污损遮挡号牌识别与违法行 为检测等内容，并对所涉及 的每个知识点都配有相应的 实现代码和实例。 本书主要面向广大从事 数据分析、机器学习、数据 挖掘或深度学习的专业人员 ，从事高等教育的专任教师 ，全国高等学校的在读学生 及相关领域的广大科研人员 。

第1部分 基础篇 第1章 人工智能基础 1.1 人工智能概述 1.1.1 什么是人工智能 1.1.2 人工智能的发展历程 1.2 计算机视觉基础 1.2.1 机器对图像的感知 1.2.2 传统图像处理方法的探索 1.2.3 特征表达与提取技术 1.2.4 深度学习图像识别原理 1.3 深度学习在实际中的应用 1.3.1 图像分类与识别 1.3.2 图像目标检测 1.3.3 图像分割与轮廓提取 1.3.4 图像描述生成 1.3.5 图像问答系统 1.3.6 图像生成与创作 1.4 本章小结 第2章 深度学习的基本原理 2.1 神经网络的实现方法 2.1.1 前向传播 2.1.2 反向传播 2.2 梯度与自动微分 2.2.1 梯度下降与优化 2.2.2 局部最优与鞍点 2.2.3 梯度消失与爆炸问题 2.3 参数优化与更新策略 2.3.1 损失函数与优化目标 2.3.2 优化器与激活函数 2.3.3 学习率的自适应调整 2.4 本章小结 第3章 卷积神经网络的基本构建 3.1 卷积层的多种操作 3.1.1 卷积运算的基本原理 3.1.2 常规卷积操作 3.1.3 深度可分离卷积 3.1.4 分组卷积与扩展卷积 3.2 可变形卷积技术 3.2.1 可变形卷积的数学基础 3.2.2 可变形卷积的网络结构 3.2.3 可变形卷积的应用 3.3 反卷积与目标分割 3.3.1 反卷积的数学原理 3.3.2 全卷积网络 3.3.3 反卷积在全卷积网络中的应用 3.4 池化层的多重特性 3.4.1 下采样与池化操作 3.4.2 上采样与特征扩充 3.5 全连接层的作用与影响 3.5.1 全连接层的基本原理 3.5.2 全连接层之间的关联性 3.6 数据标准化和正则化 3.6.1 数据标准化的重要性 3.6.2 批标准化与层标准化 3.6.3 正则化方法 3.7 本章小结 第4章 PyTorch的基本应用 4.1 PyTorch简介与环境搭建 4.1.1 了解PyTorch框架 4.1.2 搭建PyTorch开发环境 4.2 PyTorch基本语法与操作 4.2.1 张量（Tensor）的基础概念 4.2.2 张量的运算与操作 4.3 PyTorch中的自动微分 4.3.1 自动微分原理与应用 4.3.2 构建可微分变量 4.3.3 自动微分的演示示例 4.4 模型的保存与加载 4.4.1 保存与加载可训练参数 4.4.2 完整模型的保存与加载 4.4.3 多模型的管理与加载 4.5 跨设备模型加载 4.5.1 在CPU和GPU之间切换加载 4.5.2 多GPU环境下的模型加载 4.6 权重的修改与调整 4.6.1 权重可视化与分析 4.6.2 在多GPU环境中修改权重 4.7 本章小结 第2部分 应用篇 第5章 分类识别技术与应用 5.1 应用背景 5.2 卷积神经网络的设计与构建 5.2.1 CRNN的神经网络架构 5.2.2 卷积核的作用与选择 5.2.3 特征图提取与表示 5.2.4 池化操作的降维效果 5.2.5 网络结构的定义与构建 5.3 卷积神经网络的训练与评测 5.3.1 数据集准备与预处理 5.3.2 数据集解析与样本分析 5.3.3 网络模型的训练过程 5.3.4 网络模型的性能测试与评估 5.4 应用集成开发与界面设计 5.5 本章小结 第6章 目标检测技术与应用 6.1 应用背景 6.2 目标检测的候选框生成策略 6.2.1 背景和应用知识 6.2.2 滑窗技术 6.2.3 区域候选框 6.2.4 基于选择性搜索的检测框架 6.3 神经网络在目标检测中的应用 6.3.1 残差连接 6.3.2 锚框 6.3.3 空间金字塔池化 6.3.4 区域生成网络 6.3.5 边框回归技术 6.4 主干神经网络的选择与应用 6.4.1 AlexNet 6.4.2 VGGNet 6.4.3 ResNet 6.5 单阶段目标检测模型 6.5.1 SSD模型 6.5.2 YOLO模型 6.6 双阶段目标检测模型 6.6.1 R-CNN模型 6.6.2 Faster R-CNN模型 6.6.3 R-FCN模型 6.7 本章小结 第7章 基于视觉大数据检索的图搜图应用 7.1 应用背景 7.2 视觉特征提取 7.2.1 CNN模型选择 7.2.2 CNN深度特征 7.3 视觉特征索引 7.4 视觉搜索引擎 7.5 集成应用开发 7.6 本章小结 第8章 验证码AI识别 8.1 应用背景 8.2 验证码图像生成 8.2.1 基础字符模板 8.2.2 验证码模拟 8.2.3 验证码数据库 8.3 验证码识别模型 8.3.1 CNN模型训练 8.3.2 CNN模型测试 8.4 集成应用开发 8.4.1 数据集标注 8.4.2 数据集分割