鏈接：https://pan.baidu.com/s/1qvPBv_iN8XBBrahy645_kQ?pwd=8dxd?

提取碼：8dxd

【編輯推薦】

《細(xì)說(shuō)PyTorch深度學(xué)習(xí)：理論、算法、模型與編程實(shí)現(xiàn)》由業(yè)界人工智能專(zhuān)家執(zhí)筆，圖文并茂，娓娓道來(lái)。
兼?zhèn)淅碚撆c實(shí)踐，理論講解細(xì)致，實(shí)踐案例豐富。
近百個(gè)教學(xué)示例及代碼實(shí)現(xiàn)，6大深度學(xué)習(xí)熱點(diǎn)應(yīng)用。
以Python為編程語(yǔ)言，兼顧前沿技術(shù)，適合對(duì)PyTorch感興趣的各層次讀者閱讀。

【內(nèi)容簡(jiǎn)介】

《細(xì)說(shuō)PyTorch深度學(xué)習(xí)：理論、算法、模型與編程實(shí)現(xiàn)》由業(yè)界專(zhuān)家編撰，采用理論描述加代碼實(shí)踐的思路，詳細(xì)介紹PyTorch的理論知識(shí)及其在深度學(xué)習(xí)中的應(yīng)用。全書(shū)分為兩篇，共16章。篇為基礎(chǔ)知識(shí)，主要介紹PyTorch的基本知識(shí)、構(gòu)建開(kāi)發(fā)環(huán)境、卷積網(wǎng)絡(luò)、經(jīng)典網(wǎng)絡(luò)、模型保存和調(diào)用、網(wǎng)絡(luò)可視化、數(shù)據(jù)加載和預(yù)處理、數(shù)據(jù)增強(qiáng)等內(nèi)容；第二篇為高級(jí)應(yīng)用，主要介紹數(shù)據(jù)分類(lèi)、遷移學(xué)習(xí)、人臉檢測(cè)和識(shí)別、生成對(duì)抗網(wǎng)絡(luò)、目標(biāo)檢測(cè)、ViT等內(nèi)容。本書(shū)內(nèi)容涵蓋PyTorch從入門(mén)到深度學(xué)習(xí)的各個(gè)方面，是一本基礎(chǔ)應(yīng)用與案例實(shí)操相結(jié)合的參考書(shū)。 《細(xì)說(shuō)PyTorch深度學(xué)習(xí)：理論、算法、模型與編程實(shí)現(xiàn)》理論兼?zhèn)鋵?shí)例，深入淺出，適合PyTorch初學(xué)者使用，也可以作為理工科高等院校本科生、研究生的教學(xué)用書(shū)，還可作為相關(guān)科研工程技術(shù)人員的參考書(shū)。

【目錄】

第1篇 ?基礎(chǔ)知識(shí)
第1章 ?人工智能和PyTorch2
1.1 ?人工智能和深度學(xué)習(xí)2
1.1.1 ?人工智能2
1.1.2 ?深度學(xué)習(xí)3
1.2 ?深度學(xué)習(xí)框架5
1.3 ?PyTorch7
1.3.1 ?PyTorch簡(jiǎn)介7
1.3.2 ?PyTorch的應(yīng)用領(lǐng)域9
1.3.3 ?PyTorch的應(yīng)用前景10
1.4 ?小結(jié)12
第2章 ?開(kāi)發(fā)環(huán)境13
2.1 ?PyTorch的安裝13
2.2 ?NumPy16
2.2.1 ?NumPy的安裝與查看17
2.2.2 ?NumPy對(duì)象17
2.2.3 ?數(shù)組21
2.2.4 ?數(shù)學(xué)計(jì)算26
2.3 ?Matplotlib32
2.3.1 ?Matplotlib的安裝和簡(jiǎn)介33
2.3.2 ?Matplotlib Figure圖形對(duì)象35
2.4 ?Scikit-Learn47
2.5 ?小結(jié)48
第3章 ?PyTorch入門(mén)49
3.1 ?PyTorch的模塊49
3.1.1 ?主要模塊49
3.1.2 ?輔助模塊53
3.2 ?張量54
3.2.1 ?張量的數(shù)據(jù)類(lèi)型55
3.2.2 ?創(chuàng)建張量56
3.2.3 ?張量存儲(chǔ)61
3.2.4 ?維度操作63
3.2.5 ?索引和切片65
3.2.6 ?張量運(yùn)算67
3.3 ?torch.nn模塊76
3.3.1 ?卷積層76
3.3.2 ?池化層80
3.3.3 ?激活層87
3.3.4 ?全連接層91
3.4 ?自動(dòng)求導(dǎo)92
3.5 ?小結(jié)95
第4章 ?卷積網(wǎng)絡(luò)96
4.1 ?卷積網(wǎng)絡(luò)的原理96
4.1.1 ?卷積運(yùn)算96
4.1.2 ?卷積網(wǎng)絡(luò)與深度學(xué)習(xí)98
4.2 ?NumPy建立神經(jīng)網(wǎng)絡(luò)99
4.3 ?PyTorch建立神經(jīng)網(wǎng)絡(luò)101
4.3.1 ?建立兩層神經(jīng)網(wǎng)絡(luò)101
4.3.2 ?神經(jīng)網(wǎng)絡(luò)參數(shù)更新102
4.3.3 ?自定義PyTorch的nn模塊103
4.3.4 ?權(quán)重共享105
4.4 ?全連接網(wǎng)絡(luò)107
4.5 ?小結(jié)111
第5章 ?經(jīng)典神經(jīng)網(wǎng)絡(luò)112
5.1 ?VGGNet112
5.1.1 ?VGGNet的結(jié)構(gòu)112
5.1.2 ?實(shí)現(xiàn)過(guò)程114
5.1.3 ?VGGNet的點(diǎn)115
5.1.4 ?查看PyTorch網(wǎng)絡(luò)結(jié)構(gòu)116
5.2 ?ResNet118
5.2.1 ?ResNet的結(jié)構(gòu)118
5.2.2 ?殘差模塊的實(shí)現(xiàn)120
5.2.3 ?ResNet的實(shí)現(xiàn)122
5.2.4 ?ResNet要解決的問(wèn)題126
5.3 ?XceptionNet128
5.3.1 ?XceptionNet的結(jié)構(gòu)128
5.3.2 ?XceptionNet的實(shí)現(xiàn)131
5.4 ?小結(jié)135
第6章 ?模型的保存和調(diào)用136
6.1 ?字典狀態(tài)（state_dict）136
6.2 ?保存和加載模型138
6.2.1 ?使用ate_dict加載模型138
6.2.2 ?保存和加載完整模型139
6.2.3 ?保存和加載Checkpoint用于推理、繼續(xù)139
6.3 ?一個(gè)文件保存多個(gè)模型140
6.4 ?通過(guò)設(shè)備保存和加載模型141
6.5 ?小結(jié)143
第7章 ?網(wǎng)絡(luò)可視化144
7.1 ?HiddenLayer可視化144
7.2 ?PyTorchViz可視化146
7.3 ?TensorboardX可視化149
7.3.1 ?簡(jiǎn)介和安裝149
7.3.2 ?使用TensorboardX150
7.3.3 ?添加數(shù)字151
7.3.4 ?添加圖片152
7.3.5 ?添加直方圖153
7.3.6 ?添加嵌入向量154
7.4 ?小結(jié)156
第8章 ?數(shù)據(jù)加載和預(yù)處理157
8.1 ?加載PyTorch庫(kù)數(shù)據(jù)集157
8.2 ?加載自定義數(shù)據(jù)集159
8.2.1 ?下載并查看數(shù)據(jù)集159
8.2.2 ?定義數(shù)據(jù)集類(lèi)161
8.3 ?預(yù)處理164
8.4 ?小結(jié)168
第9章 ?數(shù)據(jù)增強(qiáng)169
9.1 ?數(shù)據(jù)增強(qiáng)的概念169
9.1.1 ?常見(jiàn)的數(shù)據(jù)增強(qiáng)方法170
9.1.2 ?常用的數(shù)據(jù)增強(qiáng)庫(kù)171
9.2 ?數(shù)據(jù)增強(qiáng)的實(shí)現(xiàn)172
9.2.1 ?中心裁剪173
9.2.2 ?隨機(jī)裁剪174
9.2.3 ?縮放175
9.2.4 ?水平翻轉(zhuǎn)176
9.2.5 ?垂直翻轉(zhuǎn)177
9.2.6 ?隨機(jī)角度旋轉(zhuǎn)178
9.2.7 ?色度、亮度、飽和度、對(duì)比度的變化179
9.2.8 ?隨機(jī)灰度化180
9.2.9 ?將圖形加上padding181
9.2.10 ?指定區(qū)域擦除182
9.2.11 ?伽馬變換183
9.3 ?小結(jié)184
第2篇 ?高級(jí)應(yīng)用
第10章 ?圖像分類(lèi)186
10.1 ?CIFAR10數(shù)據(jù)分類(lèi)186
10.1.1 ?定義網(wǎng)絡(luò)數(shù)據(jù)187
10.1.2 ?驗(yàn)證結(jié)果192
10.2 ?數(shù)據(jù)集劃分193
10.3 ?貓狗分類(lèi)實(shí)戰(zhàn)195
10.3.1 ?貓狗數(shù)據(jù)預(yù)處理195
10.3.2 ?建立網(wǎng)絡(luò)貓狗分類(lèi)196
10.4 ?小結(jié)199
第11章 ?遷移學(xué)習(xí)200
11.1 ?定義和方法200
11.2 ?螞蟻和蜜蜂分類(lèi)實(shí)戰(zhàn)202
11.2.1 ?加載數(shù)據(jù)202
11.2.2 ?定義方法204
11.2.3 ?可視化預(yù)測(cè)結(jié)果205
11.2.4 ?遷移學(xué)習(xí)方法一：微調(diào)網(wǎng)絡(luò)206
11.2.5 ?遷移學(xué)習(xí)方法二：征提取器208
11.3 ?小結(jié)209
第12章 ?人臉檢測(cè)和識(shí)別210
12.1 ?人臉檢測(cè)210
12.1.1 ?定義和研究現(xiàn)狀210
12.1.2 ?經(jīng)典算法213
12.1.3 ?應(yīng)用領(lǐng)域216
12.2 ?人臉識(shí)別217
12.2.1 ?定義和研究現(xiàn)狀217
12.2.2 ?經(jīng)典算法220
12.2.3 ?應(yīng)用領(lǐng)域221
12.3 ?人臉檢測(cè)與識(shí)別實(shí)戰(zhàn)222
12.3.1 ?Dlib人臉檢測(cè)222
12.3.2 ?基于MTCNN的人臉識(shí)別225
12.4 ?小結(jié)227
第13章 ?生成對(duì)抗網(wǎng)絡(luò)228
13.1 ?生成對(duì)抗網(wǎng)絡(luò)簡(jiǎn)介228
13.2 ?數(shù)學(xué)模型230
13.3 ?生成手寫(xiě)體數(shù)字圖片實(shí)戰(zhàn)233
13.3.1 ?基本網(wǎng)絡(luò)結(jié)構(gòu)233
13.3.2 ?準(zhǔn)備數(shù)據(jù)234
13.3.3 ?定義網(wǎng)絡(luò)和235
13.3.4 ?生成結(jié)果分析237
13.4 ?生成人像圖片實(shí)戰(zhàn)238
13.4.1 ?DCGAN簡(jiǎn)介239
13.4.2 ?數(shù)據(jù)準(zhǔn)備239
13.4.3 ?生成對(duì)抗網(wǎng)絡(luò)的實(shí)現(xiàn)241
13.5 ?小結(jié)250
第14章 ?目標(biāo)檢測(cè)251
14.1 ?目標(biāo)檢測(cè)概述251
14.1.1 ?傳統(tǒng)目標(biāo)檢測(cè)算法的研究現(xiàn)狀252
14.1.2 ?深度學(xué)習(xí)目標(biāo)檢測(cè)算法的研究現(xiàn)狀252
14.1.3 ?應(yīng)用領(lǐng)域253
14.2 ?檢測(cè)算法模型253
14.2.1 ?傳統(tǒng)的目標(biāo)檢測(cè)模型253
14.2.2 ?基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型255
14.3 ?目標(biāo)檢測(cè)的基本概念259
14.3.1 ?IoU259
14.3.2 ?NMS261
14.4 ?Faster R-CNN目標(biāo)檢測(cè)264
14.4.1 ?網(wǎng)絡(luò)原理265
14.4.2 ?實(shí)戰(zhàn)269
14.5 ?小結(jié)273
第15章 ?圖像風(fēng)格遷移274
15.1 ?風(fēng)格遷移概述274
15.2 ?固定風(fēng)格固定內(nèi)容的遷移277
15.2.1 ?固定風(fēng)格固定內(nèi)容遷移的原理277
15.2.2 ?PyTorch實(shí)現(xiàn)固定風(fēng)格遷移280
15.3 ?快速風(fēng)格遷移288
15.3.1 ?快速遷移模型的原理288
15.3.2 ?PyTorch實(shí)現(xiàn)快速風(fēng)格遷移290
15.4 ?小結(jié)297
第16章 ?ViT298
16.1 ?ViT詳解298
16.1.1 ?Transformer模型中的Attention注意力機(jī)制298
16.1.2 ?視覺(jué)Transformer模型詳解302
16.2 ?ViT圖像分類(lèi)實(shí)戰(zhàn)305
16.2.1 ?數(shù)據(jù)準(zhǔn)備305
16.2.2 ?定義ViT模型306
16.2.3 ?定義工具函數(shù)311
16.2.4 ?定義過(guò)程314
16.2.5 ?運(yùn)行結(jié)果317
16.3 ?小結(jié)318
參考文獻(xiàn)319

?

【作者簡(jiǎn)介】

凌峰，畢業(yè)于中國(guó)科學(xué)院大學(xué)，博士，從事機(jī)器學(xué)習(xí)、人工智能、圖像處理和計(jì)算視覺(jué)的研究 與開(kāi)發(fā)工作多年，發(fā)表多篇論文，擁有豐富的機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)經(jīng)驗(yàn)。

丁麒文，研究生畢業(yè)，主要從事圖像處理、機(jī)器學(xué)習(xí)、人工智能和機(jī)器視覺(jué)領(lǐng)域的研究工作， 熟練運(yùn)用基于Pytorch、TensorFlow等深度學(xué)習(xí)框架實(shí)現(xiàn)相關(guān)圖像處理算法，并發(fā)表了多篇論文 。