人工智能 类型
可以朗读 语音朗读
131千字 字数
2022-05-01 发行日期
展开全部

主编推荐语

人工智能神经网络PyTorch应用全解析

内容简介

本书主要介绍的是人工智能研究领域中神经网络的PyTorch架构，对其在多个领域的应用进行系统性的归纳和梳理。书中介绍的案例有动漫人脸生成、风格迁移、图像去噪、图像去雾、图像分类、图像去雨等，对每项视觉任务的研究背景、应用价值、算法原理、代码实现和移动端部署流程进行了详细描述，并提供相应的源码和电子课件，适合读者从0到1构建移动端智能应用。 本书适合对人工智能实际应用感兴趣的本科生、研究生、深度学习算法工程师、计算机视觉从业人员和人工智能爱好者阅读，书中介绍的各项视觉任务均含有相应的安卓平台部署案例，不仅对学生参加比赛、课程设计具有参考意义，对相关从业人员的软件架构和研发也具有启发价值。

目录

  • 封面
  • 作者简介
  • 版权页
  • 前言
  • 目录
  • 第1章 人工智能与深度学习
  • 1.1 人工智能简介
  • 1.1.1 人工智能的概念
  • 1.1.2 人工智能的历史
  • 1.1.3 人工智能与深度学习的关系
  • 1.1.4 深度学习的应用
  • 1.2 深度学习理论基础
  • 1.2.1 全连接层
  • 1.2.2 卷积层
  • 1.2.3 池化层
  • 1.2.4 激活层
  • 1.2.5 批归一化层
  • 1.2.6 随机失活
  • 1.2.7 损失函数
  • 1.2.8 反向传播
  • 1.3 深度学习实践细节
  • 1.3.1 硬件选择
  • 1.3.2 超参数设定
  • 1.3.3 网络参数初始化
  • 1.4 本章小结
  • 第2章 PyTorch指南
  • 2.1 安装与测试
  • 2.1.1 安装PyTorch和torchvision
  • 2.1.2 显卡测试
  • 2.1.3 CPU和GPU切换
  • 2.2 核心模块
  • 2.3 模型构建流程图
  • 2.4 张量Tensor
  • 2.4.1 数值类型
  • 2.4.2 创建方法
  • 2.4.3 类型转换
  • 2.4.4 维度分析
  • 2.4.5 常用操作
  • 2.5 数据读取与预处理
  • 2.5.1 图像读取与存储
  • 2.5.2 调用PyTorch官方数据集
  • 2.5.3 ImageFolder
  • 2.5.4 图像处理torchvision.transforms
  • 2.5.5 数据读取类Dataset
  • 2.5.6 DataLoader的创建和遍历
  • 2.5.7 数据增强
  • 2.6 nn模块与网络构建
  • 2.6.1 卷积模块的使用
  • 2.6.2 批归一化层
  • 2.6.3 池化层
  • 2.6.4 全连接层
  • 2.6.5 常用激活函数
  • 2.6.6 边缘填充
  • 2.6.7 Dropout层
  • 2.6.8 损失函数层
  • 2.6.9 模块组合Sequential
  • 2.6.10 网络构建实例
  • 2.7 train与eval模式
  • 2.8 优化器选择与绑定
  • 2.9 自动求导机制与计算图
  • 2.9.1 requires_grad
  • 2.9.2 自动求导backward
  • 2.9.3 叶子节点is_leaf
  • 2.9.4 梯度函数grad_fn
  • 2.9.5 计算图分离detach
  • 2.9.6 图保持retain_graph
  • 2.9.7 关闭梯度计算no_grad
  • 2.10 模型保存与加载
  • 2.10.1 模型文件的保存
  • 2.10.2 模型文件的加载
  • 2.10.3 联合保存与加载
  • 2.10.4 保存与加载多个网络模型
  • 2.11 模型设计和实现的完整流程
  • 2.11.1 参数定义
  • 2.11.2 准备数据、定义存储结果的容器
  • 2.11.3 定义自编码网络
  • 2.11.4 定义优化器与损失函数
  • 2.11.5 训练模型
  • 2.11.6 效果分析
  • 2.12 网络结构可视化
  • 2.13 拓展阅读
  • 2.13.1 学习率调整策略
  • 2.13.2 获取网络的命名参数
  • 2.13.3 参数初始化
  • 2.14 本章小结
  • 第3章 Androic应用构建
  • 3.1 Android Studio安装与项目构建
  • 3.1.1 Android Studio的下载和安装
  • 3.1.2 创建Android项目
  • 3.2 Manifest文件
  • 3.3 界面布局
  • 3.4 项目主活动与App启动
  • 3.5 资源文件
  • 3.5.1 颜色定义文件
  • 3.5.2 字符串定义文件
  • 3.5.3 形状定义文件
  • 3.5.4 图像文件
  • 3.6 核心控件使用
  • 3.6.1 展示文字
  • 3.6.2 展示图像
  • 3.6.3 按钮和监听机制
  • 3.7 相机、相册和图像保存
  • 3.8 生成APK
  • 3.8.1 自定义APK图标与名称
  • 3.8.2 创建发布版APK
  • 3.9 Bitmap格式
  • 3.10 部署库下载
  • 3.11 移动端神经网络实例
  • 3.11.1 定义神经网络
  • 3.11.2 Python端导出pt文件
  • 3.11.3 将pt文件移入Android开发环境
  • 3.11.4 在Java代码中加载神经网络模型
  • 3.11.5 读取图像并进行缩放
  • 3.11.6 构建输入张量
  • 3.11.7 进行前向推理
  • 3.11.8 处理输出结果
  • 3.11.9 界面设计
  • 3.11.10 完整代码与界面效果
  • 3.12 本章小结
  • 第4章 图像分类
  • 4.1 图像分类概述
  • 4.2 MobileNet介绍
  • 4.3 深度可分离卷积
  • 4.4 MobileNet V1
  • 4.4.1 网络结构
  • 4.4.2 网络搭建
  • 4.5 MobileNet V2
  • 4.5.1 网络结构
  • 4.5.2 网络搭建
  • 4.6 数据处理
  • 4.6.1 数据介绍
  • 4.6.2 Kaggle API介绍
  • 4.6.3 数据处理
  • 4.7 模型训练
  • 4.8 图像分类App
  • 4.8.1 分类功能界面设计
  • 4.8.2 分类推理与解析
  • 4.9 本章小结
  • 第5章 图像分割
  • 5.1 前景背景与人像分割
  • 5.2 图像分割网络
  • 5.2.1 FCN
  • 5.2.2 UNet
  • 5.2.3 分割损失函数
  • 5.3 分割数据集构建与读取
  • 5.3.1 标注工具介绍
  • 5.3.2 分割数据集下载
  • 5.3.3 成对图像读取与数据增强
  • 5.4 分割网络的训练与验证
  • 5.4.1 项目构建与超参数设置
  • 5.4.2 分割网络训练
  • 5.4.3 分割损失函数收敛性分析
  • 5.4.4 人像分割测试
  • 5.5 人像分割App
  • 5.5.1 分割功能界面设计
  • 5.5.2 获取掩码与前景图像应用
  • 5.6 本章小结
  • 第6章 低光照图像质量增强
  • 6.1 伽马变换与低光照图像
  • 6.2 场景分析与像素直方图
  • 6.3 增强算法LLCNN
  • 6.3.1 残差暗光增强网络
  • 6.3.2 增强网络实现
  • 6.3.3 增强损失函数
  • 6.4 数据集构建和下载
  • 6.5 增强网络训练与验证
  • 6.5.1 项目构建
  • 6.5.2 增强网络训练
  • 6.5.3 像素级损失函数收敛分析
  • 6.5.4 增强算法能力验证
  • 6.6 低光照图像增强App
  • 6.6.1 功能设定与界面设计
  • 6.6.2 模型前向推理
  • 6.7 本章小结
  • 第7章 GAN动漫人脸生成
  • 7.1 GAN动漫人脸生成概述
  • 7.2 深度卷积对抗网络DCGAN
  • 7.2.1 生成器
  • 7.2.2 判别器
  • 7.2.3 损失函数
  • 7.2.4 生成器搭建
  • 7.2.5 判别器搭建
  • 7.2.6 训练代码
  • 7.3 条件式对抗网络CGAN
  • 7.3.1 CGAN原理
  • 7.3.2 CGAN实现
  • 7.4 辅助分类对抗网络ACGAN
  • 7.4.1 ACGAN原理
  • 7.4.2 ACGAN实现
  • 7.5 动漫头像生成App
  • 7.5.1 头像生成界面设计
  • 7.5.2 数据生成与解析
  • 7.6 拓展阅读
  • 7.7 本章小结
  • 第8章 图像风格迁移
  • 8.1 风格迁移概述
  • 8.2 风格迁移网络
  • 8.2.1 基础原理
  • 8.2.2 内容特征
  • 8.2.3 风格特征
  • 8.2.4 重构网络
  • 8.2.5 风格迁移代码实现
  • 8.3 快速风格迁移
  • 8.3.1 生成网络
  • 8.3.2 损失网络
  • 8.3.3 快速风格迁移代码实现
  • 8.4 图像风格化App
  • 8.4.1 风格化功能界面设计
  • 8.4.2 三种风格的生成与解析
  • 8.5 本章小结
  • 第9章 无监督风格互换
  • 9.1 成对数据与不成对数据
  • 9.2 cycleGAN原理与实现
  • 9.2.1 无监督设计原理
  • 9.2.2 对称生成器与判别器的设计及实现
  • 9.2.3 对抗性损失和循环一致性损失
  • 9.3 两种风格数据集的构建与读取
  • 9.3.1 数据集获取
  • 9.3.2 数据读取
  • 9.4 无监督训练与验证
  • 9.4.1 项目构建
  • 9.4.2 无监督cycleGAN训练
  • 9.4.3 风格转换验证
  • 9.5 水果风格互换应用
  • 9.5.1 水果风格转换界面设计
  • 9.5.2 两种风格模型的前向推理
  • 9.6 本章小结
  • 参考文献
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。