更新时间：2024-06-06 18:07:44
封面
版权信息
作者简介
文前
译者序
前言
第一部分 面向计算机视觉的深度学习基础知识
CHAPTER 1 第1章 人工神经网络基础
1.1 比较人工智能与传统机器学习
1.2 人工神经网络的构建模块
1.3 实现前向传播
1.3.1 计算隐藏层的值
1.3.2 应用激活函数
1.3.3 计算输出层的值
1.3.4 计算损失值
1.3.5 前向传播的代码
1.4 实现反向传播
1.4.1 梯度下降的代码
1.4.2 使用链式法则实现反向传播
1.5 整合前向传播与反向传播
1.6 理解学习率的影响
1.7 总结神经网络的训练过程
1.8 小结
1.9 课后习题
CHAPTER 2 第2章 PyTorch基础
2.1 安装PyTorch
2.2 PyTorch张量
2.2.1 初始化张量
2.2.2 张量运算
2.2.3 张量对象的自动梯度
2.2.4 PyTorch的张量较NumPy的ndarrays的优势
2.3 使用PyTorch构建神经网络
2.3.1 数据集、数据加载器和批大小
2.3.2 预测新的数据点
2.3.3 实现自定义损失函数
2.3.4 获取中间层的值
2.4 使用序贯方法构建神经网络
2.5 保存并加载PyTorch模型
2.5.1 state dict
2.5.2 保存
2.5.3 加载
2.6 小结
2.7 课后习题
CHAPTER 3 第3章 使用PyTorch构建深度神经网络
3.1 表示图像
3.2 为什么要使用神经网络进行图像分析
3.3 为图像分类准备数据
3.4 训练神经网络
3.5 缩放数据集以提升模型准确度
3.6 理解不同批大小的影响
3.6.1 批大小为32
3.6.2 批大小为10000
3.7 理解不同损失优化器的影响
3.8 理解不同学习率的影响
3.8.1 学习率对缩放数据集的影响
3.8.2 不同学习率对非缩放数据集的影响
3.9 理解不同学习率衰减的影响
3.10 构建更深的神经网络
3.11 理解不同批归一化的影响
3.11.1 没有批归一化的非常小的输入值
3.11.2 经过批归一化的非常小的输入值
3.12 过拟合的概念
3.12.1 添加dropout的影响
3.12.2 正则化的影响
3.13 小结
3.14 课后习题
第二部分 物体分类与目标检测
CHAPTER 4 第4章 卷积神经网络
4.1 传统深度神经网络的问题
4.2 CNN的构建模块
4.2.1 卷积
4.2.2 滤波器
4.2.3 步长和填充
4.2.4 池化
4.2.5 整合各个构建模块
4.2.6 卷积和池化的图像平移不变性原理
4.3 实现CNN
4.3.1 使用PyTorch构建基于CNN的架构
4.3.2 基于Python的前向传播
4.4 使用深度CNN分类图像
4.5 实现数据增强
4.5.1 图像增强
4.5.2 对一批图像执行数据增强及collate_fn的必要性
4.5.3 用于图像平移的数据增强
4.6 特征学习结果的可视化
4.7 构建对真实图像进行分类的CNN
4.8 小结
4.9 课后习题
CHAPTER 5 第5章 面向图像分类的迁移学习
5.1 迁移学习简介
5.2 理解VGG16架构
5.3 理解ResNet架构
5.4 实现人脸关键点检测
5.5 多任务学习——实现年龄估计和性别分类
5.6 torch_snippets库简介
5.7 小结
5.8 课后习题
CHAPTER 6 第6章 图像分类的实战技术
6.1 生成CAM
6.2 数据增强和批归一化
