書馨卡幫你省薪 2024個(gè)人購(gòu)書報(bào)告 2024中圖網(wǎng)年度報(bào)告
歡迎光臨中圖網(wǎng) 請(qǐng) | 注冊(cè)
> >>
計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch

計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch

作者：孫玉林 編
出版社：化學(xué)工業(yè)出版社出版時(shí)間：2024-08-01
開本： 16開 頁(yè)數(shù)： 360
中 圖 價(jià):¥69.3(7.0折) 定價(jià)  ¥99.0 登錄后可看到會(huì)員價(jià)
加入購(gòu)物車 收藏
運(yùn)費(fèi)6元，滿39元免運(yùn)費(fèi)
?新疆、西藏除外
本類五星書更多>

計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch 版權(quán)信息

計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch 本書特色

本書從初學(xué)者的角度出發(fā)，全面系統(tǒng)地講解了Pytorch計(jì)算機(jī)視覺開發(fā)的方法與技巧，書中不光有理論知識(shí)的講解，更有大量的實(shí)操案例，幫助讀者快速掌握所學(xué)知識(shí)。本書主要具有以下特色：1.雙色印刷，全程圖解，更好地呈現(xiàn)知識(shí)要點(diǎn)與實(shí)操步驟，為讀者帶來(lái)良好的學(xué)習(xí)體驗(yàn)。2.內(nèi)容循序漸進(jìn)，先從基礎(chǔ)入手，再通過不同的模塊，以實(shí)例引導(dǎo)學(xué)習(xí)，并逐步延伸提升。3.案例豐富實(shí)用，全書穿插許多大小實(shí)例，幫助讀者邊練邊學(xué)，在實(shí)踐中快速成長(zhǎng)。4.附贈(zèng)配套資源，購(gòu)書即可獲贈(zèng)全程教學(xué)視頻、源碼等資源，并可享受在線技術(shù)支持等服務(wù)。

計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch 內(nèi)容簡(jiǎn)介

本書基于PyTorch深度學(xué)習(xí)框架，結(jié)合計(jì)算機(jī)視覺中的主流任務(wù)，介紹了深度學(xué)習(xí)相關(guān)算法的計(jì)算機(jī)視覺上的應(yīng)用。本書主要內(nèi)容分為兩部分。**部分為PyTorch框架使用的相關(guān)知識(shí)，以及計(jì)算機(jī)視覺和深度學(xué)習(xí)的入門知識(shí)。第二部分重點(diǎn)介紹深度學(xué)習(xí)在計(jì)算機(jī)視覺上的應(yīng)用，包括：經(jīng)典的深度卷積網(wǎng)絡(luò)、深度注意力網(wǎng)絡(luò)，以及基于自注意力的Transformer系列網(wǎng)絡(luò)在圖像分類中的應(yīng)用；R-CNN系列、YOLO系列、SSD系列目標(biāo)檢測(cè)網(wǎng)絡(luò)的算法思想及在目標(biāo)檢測(cè)中的應(yīng)用；FCN、U-Net等全卷積網(wǎng)絡(luò)在圖像語(yǔ)義分割領(lǐng)域的應(yīng)用；針對(duì)風(fēng)格遷移任務(wù)，介紹了快速風(fēng)格遷移、CycleGan等算法的實(shí)戰(zhàn)應(yīng)用；針對(duì)自編碼器和擴(kuò)散模型，介紹了相關(guān)算法在圖像重構(gòu)、去噪以及生成相關(guān)計(jì)算機(jī)視覺任務(wù)中的實(shí)戰(zhàn)應(yīng)用；*后介紹了遷移學(xué)習(xí)和域自適應(yīng)的經(jīng)典算法在跨域計(jì)算機(jī)視覺圖像分類任務(wù)中的應(yīng)用。本書適合對(duì)計(jì)算機(jī)視覺、深度學(xué)習(xí)、人工智能、PyTorch使用感興趣的初學(xué)者及研究人員自學(xué)使用，也可作為高等院校相關(guān)專業(yè)的教材及參考書。

計(jì)算機(jī)視覺從入門到進(jìn)階實(shí)戰(zhàn) 基于PyTorch 目錄

第1章 計(jì)算機(jī)視覺與深度學(xué)習(xí) 001
1.1 計(jì)算機(jī)視覺簡(jiǎn)介 002
1.1.1 數(shù)字圖像處理基礎(chǔ) 003
1.1.2 主流計(jì)算機(jī)視覺任務(wù) 008
1.2 深度學(xué)習(xí)簡(jiǎn)介 010
1.2.1 深度學(xué)習(xí)發(fā)展簡(jiǎn)史 010
1.2.2 感知機(jī)與人工神經(jīng)網(wǎng)絡(luò) 012
1.2.3 卷積神經(jīng)網(wǎng)絡(luò) 012
1.2.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 013
1.2.5 優(yōu)化算法 014
1.2.6 欠擬合與過擬合 016
1.3 Python與PyTorch安裝 017
1.3.1 安裝Python 017
1.3.2 安裝PyTorch 020
1.3.3 PyTorch核心模塊 021
1.3.4 PyTorch輔組庫(kù) 023
1.3.5 其他Python庫(kù) 023
1.4 本章小結(jié) 025 第2章 PyTorch快速入門 026
2.1 張量Tensor 027
2.1.1 張量的數(shù)據(jù)類型 027
2.1.2 張量的生成 028
2.1.3 張量操作 034
2.1.4 張量計(jì)算 041
2.2 torch.nn模塊 047
2.2.1 卷積層 047
2.2.2 池化層 049
2.2.3 填充層 051
2.2.4 激活函數(shù)層 052
2.2.5 歸一化函數(shù)層 053
2.2.6 循環(huán)層 054
2.2.7 全連接層 054
2.2.8 Transformer層 055
2.3 圖像數(shù)據(jù)操作和預(yù)處理 055
2.3.1 從datasets模塊中導(dǎo)入數(shù)據(jù)并預(yù)處理 057
2.3.2 從文件夾中導(dǎo)入數(shù)據(jù)并進(jìn)行預(yù)處理 058
2.4 優(yōu)化器與損失函數(shù) 060
2.4.1 優(yōu)化器 061
2.4.2 損失函數(shù) 063
2.5 預(yù)訓(xùn)練網(wǎng)絡(luò) 065
2.6 GPU部署和使用 067
2.7 本章小結(jié) 068 第3章 圖像分類 069
3.1 經(jīng)典的深度圖像分類網(wǎng)絡(luò) 070
3.1.1 LeNet-5網(wǎng)絡(luò) 070
3.1.2 AlexNet網(wǎng)絡(luò) 071
3.1.3 VGG網(wǎng)絡(luò)結(jié)構(gòu) 072
3.1.4 GoogLeNet 073
3.1.5 ResNet網(wǎng)絡(luò) 074
3.1.6 DenseNet網(wǎng)絡(luò) 076
3.1.7 CLIP模型 078
3.2 卷積神經(jīng)網(wǎng)絡(luò)識(shí)別FashionMNIST 080
3.2.1 圖像數(shù)據(jù)準(zhǔn)備 081
3.2.2 卷積神經(jīng)網(wǎng)絡(luò)的搭建 083
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 084
3.3 ResNet網(wǎng)絡(luò)預(yù)測(cè)CIFAR10 089
3.3.1 圖像數(shù)據(jù)準(zhǔn)備 090
3.3.2 ResNet網(wǎng)絡(luò)搭建 092
3.3.3 ResNet網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 096
3.4 微調(diào)預(yù)訓(xùn)練的卷積網(wǎng)絡(luò) 101
3.4.1 微調(diào)預(yù)訓(xùn)練的VGG網(wǎng)絡(luò) 102
3.4.2 準(zhǔn)備新網(wǎng)絡(luò)需要的數(shù)據(jù) 104
3.4.3 微調(diào)VGG網(wǎng)絡(luò)的訓(xùn)練和預(yù)測(cè) 106
3.5 卷積網(wǎng)絡(luò)可視化 108
3.5.1 網(wǎng)絡(luò)中間特征可視化 109
3.5.2 類激活熱力圖可視化 112
3.6 CLIP模型應(yīng)用 116
3.6.1 CLIP零樣本學(xué)習(xí) 117
3.6.2 CIFAR10使用CLIP特征分類 118
3.7 本章小結(jié) 120 第4章 目標(biāo)檢測(cè)與識(shí)別 121
4.1 目標(biāo)檢測(cè)方法 122
4.1.1 目標(biāo)檢測(cè)算法分類 122
4.1.2 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo) 122
4.1.3 目標(biāo)檢測(cè)常用損失函數(shù) 123
4.1.4 錨框與非極大值抑制 125
4.2 經(jīng)典的目標(biāo)檢測(cè)網(wǎng)絡(luò) 126
4.2.1 R-CNN系列網(wǎng)絡(luò) 126
4.2.2 YOLO系列網(wǎng)絡(luò) 129
4.2.3 SSD系列網(wǎng)絡(luò) 132
4.2.4 其他目標(biāo)檢測(cè)網(wǎng)絡(luò) 135
4.3 使用預(yù)訓(xùn)練的目標(biāo)檢測(cè)網(wǎng)絡(luò) 138
4.3.1 目標(biāo)檢測(cè)常用數(shù)據(jù)集 138
4.3.2 圖像目標(biāo)檢測(cè) 139
4.3.3 人體關(guān)鍵點(diǎn)檢測(cè) 140
4.4 訓(xùn)練自己的YOLOv3目標(biāo)檢測(cè)網(wǎng)絡(luò) 142
4.4.1 PASCAL VOC數(shù)據(jù)準(zhǔn)備 143
4.4.2 YOLOv3網(wǎng)絡(luò)搭建 154
4.4.3 YOLOv3網(wǎng)絡(luò)訓(xùn)練 158
4.4.4 YOLOv3目標(biāo)檢測(cè) 163
4.5 本章小結(jié) 164 第5章 語(yǔ)義分割 165
5.1 語(yǔ)義分割方法 166
5.2 經(jīng)典的語(yǔ)義分割網(wǎng)絡(luò) 167
5.2.1 FCN 167
5.2.2 SegNet 169
5.2.3 U-Net 169
5.2.4 DeepLab系列 170
5.2.5 PSPNet 172
5.2.6 SAM 172
5.3 使用預(yù)訓(xùn)練的語(yǔ)義分割網(wǎng)絡(luò) 173
5.3.1 使用預(yù)訓(xùn)練網(wǎng)絡(luò) 173
5.3.2 語(yǔ)義分割評(píng)價(jià)指標(biāo) 176
5.4 訓(xùn)練自己的語(yǔ)義分割網(wǎng)絡(luò) 176
5.4.1 數(shù)據(jù)準(zhǔn)備 177
5.4.2 FCN語(yǔ)義分割網(wǎng)絡(luò) 186
5.4.3 U-Net語(yǔ)義分割網(wǎng)絡(luò) 194
5.5 本章小結(jié) 201 第6章 注意力機(jī)制與Transformer 202
6.1 經(jīng)典的注意力模型 204
6.1.1 SE-Net 204
6.1.2 SPANet 205
6.1.3 CBAM 206
6.1.4 Transformer 207
6.1.5 ViT 209
6.1.6 Swin Transformer 210
6.2 PyTorch預(yù)訓(xùn)練ViT網(wǎng)絡(luò)應(yīng)用 211
6.2.1 預(yù)訓(xùn)練ViT網(wǎng)絡(luò)導(dǎo)入 212
6.2.2 CIFAR100數(shù)據(jù)準(zhǔn)備 213
6.2.3 預(yù)訓(xùn)練ViT網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 214
6.3 ViT網(wǎng)絡(luò)圖像分類 218
6.3.1 ViT網(wǎng)絡(luò)搭建 220
6.3.2 CIFAR00數(shù)據(jù)準(zhǔn)備 224
6.3.3 ViT網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 226
6.4 本章小結(jié) 228 第7章 圖像風(fēng)格遷移 229
7.1 經(jīng)典的圖像風(fēng)格遷移方法 230
7.1.1 固定風(fēng)格固定內(nèi)容的風(fēng)格遷移 231
7.1.2 固定風(fēng)格任意內(nèi)容的風(fēng)格遷移 233
7.1.3 任意風(fēng)格任意內(nèi)容的風(fēng)格遷移 234
7.1.4 基于Gan的圖像風(fēng)格遷移 236
7.2 固定風(fēng)格固定內(nèi)容的風(fēng)格遷移 239
7.2.1 準(zhǔn)備VGG19網(wǎng)絡(luò) 239
7.2.2 圖像數(shù)據(jù)準(zhǔn)備 240
7.2.3 圖像的輸出特征和Gram矩陣的計(jì)算 242
7.2.4 進(jìn)行圖像風(fēng)格遷移 244
7.3 固定風(fēng)格任意內(nèi)容的風(fēng)格遷移 247
7.3.1 快速風(fēng)格遷移網(wǎng)絡(luò)準(zhǔn)備 247
7.3.2 快速風(fēng)格遷移數(shù)據(jù)準(zhǔn)備 251
7.3.3 快速風(fēng)格遷移網(wǎng)絡(luò)訓(xùn)練和結(jié)果展示 253
7.4 CycleGan風(fēng)格遷移 260
7.4.1 CycleGan網(wǎng)絡(luò)搭建 260
7.4.2 非成對(duì)圖像數(shù)據(jù)準(zhǔn)備 263
7.4.3 網(wǎng)絡(luò)訓(xùn)練 265
7.4.4 圖像轉(zhuǎn)換結(jié)果展示 270
7.5 本章小結(jié) 271 第8章 自編碼器與擴(kuò)散模型 272
8.1 自編器模型與擴(kuò)散模型介紹 273
8.1.1 自編碼器原理 273
8.1.2 變分自編碼器 274
8.1.3 VQ-VAE圖像生成 275
8.1.4 Stable Diffusion圖像生成 276
8.2 自編碼器圖像重構(gòu) 278
8.2.1 自編碼網(wǎng)絡(luò)數(shù)據(jù)準(zhǔn)備 279
8.2.2 自編碼網(wǎng)絡(luò)的構(gòu)建 281
8.2.3 自編碼網(wǎng)絡(luò)的訓(xùn)練 282
8.2.4 自編碼網(wǎng)絡(luò)的數(shù)據(jù)重構(gòu) 283
8.2.5 網(wǎng)絡(luò)的編碼特征可視化 284
8.3 自編碼器圖像去噪 285
8.3.1 數(shù)據(jù)準(zhǔn)備 286
8.3.2 網(wǎng)絡(luò)搭建 289
8.3.3 網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 291
8.4 Stable Diffusion圖像生成 296
8.4.1 數(shù)據(jù)準(zhǔn)備 296
8.4.2 網(wǎng)絡(luò)搭建 298
8.4.3 網(wǎng)絡(luò)訓(xùn)練與預(yù)測(cè) 310
8.5 本章小結(jié) 312 第9章 遷移學(xué)習(xí)與域自適應(yīng) 313
9.1 遷移學(xué)習(xí)簡(jiǎn)介 314
9.1.1 遷移學(xué)習(xí)的定義 314
9.1.2 為什么需要遷移學(xué)習(xí) 315
9.1.3 遷移學(xué)習(xí)的分類 316
9.1.4 度量準(zhǔn)則 318
9.2 經(jīng)典的遷移學(xué)習(xí)算法 319
9.2.1 基于深度遷移的finetune模型 319
9.2.2 基于對(duì)抗學(xué)習(xí)的遷移學(xué)習(xí) 320
9.2.3 基于對(duì)齊的遷移學(xué)習(xí) 324
9.2.4 基于偽標(biāo)簽的遷移學(xué)習(xí) 326
9.2.5 其他遷移學(xué)習(xí)損失函數(shù) 328
9.3 遷移學(xué)習(xí)圖像分類實(shí)戰(zhàn) 328
9.3.1 數(shù)據(jù)和網(wǎng)絡(luò)準(zhǔn)備工作 329
9.3.2 基于微調(diào)的遷移學(xué)習(xí) 335
9.3.3 基于對(duì)齊的遷移學(xué)習(xí) 338
9.3.4 基于對(duì)抗的遷移學(xué)習(xí) 343
9.3.5 基于目標(biāo)域標(biāo)簽互信息的遷移學(xué)習(xí) 347
9.4 本章小結(jié) 351 參考文獻(xiàn) 352
展開全部
商品評(píng)論(0條)
暫無(wú)評(píng)論……
書友推薦
編輯推薦
返回頂部
中圖網(wǎng)
在線客服