|
|
●用PyTorch實作電腦視覺
●零基礎掌握深度學習、Python、PyTorch、神經網路、移轉學習及相關數學知識
電腦視覺、自然語言處理和語音辨識是目前深度學習領域熱門的三大應用方向，本書希望幫助零基礎或基礎較為薄弱的讀者入門深度學習，獨立使用深度學習知識處理電腦視覺問題。
讀者透過本書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，如旋積神經網路、循環神經網路、自動編碼器等。
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。
書中大量實例可讓讀者在循序漸進學習的同時，不斷地獲得成就感。
適用：對深度學習技術感興趣、或相關基礎知識較為薄弱或零基礎的讀者。
作者簡介
唐進民
深入理解深度學習與電腦視覺知識體系，有紮實的PyTorch、Python和數學功底。長期活躍於Github、知乎等平台並分享與深度學習相關的文章，還在AI網路教育平台兼職Mentor，輔導新學員入門機器學習和深度學習。
前言
01 | 淺談人工智慧、神經網路和電腦視覺
1.1 人工還是智慧
1.2 人工智慧的三起兩落
1.3 神經網路簡史
1.4 電腦視覺
1.5 深度學習+
02 | 相關的數學知識
2.1 矩陣運算入門
2.2 導數求解
03 | 深度神經網路基礎
3.1 監督學習和無監督學習
3.2 欠擬合和過擬合
3.3 反向傳播
3.4 損失和最佳化
3.5 啟動函數
3.6 本機深度學習工作站
04 | 旋積神經網路
4.1 旋積神經網路基礎
4.2 LeNet 模型
4.3 AlexNet 模型
4.4 VGGNet 模型
4.5 GoogleNet
4.6 ResNet
05 | Python
5.1 Python 簡介
5.2 Jupyter Notebook
5.3 Python 入門
5.4 Python 中的NumPy
5.5 Python 中的Matplotlib
06 | PyTorch 基礎
6.1 PyTorch 中的Tensor
6.2 自動梯度
6.3 模型架設和參數最佳化
6.4 實戰手寫數字識別
07 | 遷移學習
7.1 遷移學習入門
7.2 資料集處理
7.3 模型架設和參數最佳化
7.4 小結
08 | 影像風格遷移實戰
8.1 風格遷移入門
8.2 PyTorch 影像風格遷移實戰
8.3 小結
09 | 多模型融合
9.1 多模型融合入門
9.2 PyTorch 之多模型融合實戰
9.3 小結
10 | 循環神經網路
10.1 循環神經網路入門
10.2 PyTorch 之循環神經網路實戰
10.3 小結
11 | 自動編碼器
11.1 自動編碼器入門
11.2 PyTorch 之自動編碼實戰
11.3 小結
