作者的文筆很好，對深度學(xué)習(xí)、Python、PyTorch、神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)及相關(guān)數(shù)學(xué)知識講解透徹，使書中的內(nèi)容很好理解。

全書的架構(gòu)也很好，學(xué)習(xí)下來，對深度學(xué)習(xí)的整個脈絡(luò)都掌握得很清晰，可以說一本書通俗易懂地講到了PyTorch實戰(zhàn)計算機視覺所涉及的方方面面。

這是一本零基礎(chǔ)入門書，希望能幫助您更好地入門并進階深度學(xué)習(xí)。

計算機視覺、自然語言處理和語音識別是目前深度學(xué)習(xí)領(lǐng)域很熱門的三大應(yīng)用方向，《深度學(xué)習(xí)之PyTorch實戰(zhàn)計算機視覺》旨在幫助零基礎(chǔ)或基礎(chǔ)較為薄弱的讀者入門深度學(xué)習(xí)，達(dá)到能夠獨立使用深度學(xué)習(xí)知識處理計算機視覺問題的水平。通過閱讀本書，讀者將學(xué)到人工智能的基礎(chǔ)概念及Python 編程技能，掌握PyTorch 的使用方法，學(xué)到深度學(xué)習(xí)相關(guān)的理論知識，比如卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、自動編碼器，等等。在掌握深度學(xué)習(xí)理論和編程技能之后，讀者還會學(xué)到如何基于PyTorch 深度學(xué)習(xí)框架實戰(zhàn)計算機視覺?！渡疃葘W(xué)習(xí)之PyTorch實戰(zhàn)計算機視覺》中的大量實例可讓讀者在循序漸進地學(xué)習(xí)的同時，不斷地獲得成就感。

《深度學(xué)習(xí)之PyTorch實戰(zhàn)計算機視覺》面向?qū)ι疃葘W(xué)習(xí)技術(shù)感興趣、但是相關(guān)基礎(chǔ)知識較為薄弱或者零基礎(chǔ)的讀者。

唐進民，深入理解深度學(xué)習(xí)與計算機視覺知識體系，有扎實的Python、PyTorch和數(shù)學(xué)功底，長期活躍于GitHub、知乎等平臺，并分享與深度學(xué)習(xí)相關(guān)的文章，具有一定的閱讀量和人氣。此前在某AI在線教育平臺兼職機器學(xué)習(xí)入門Mentor，輔導(dǎo)新學(xué)員入門機器學(xué)習(xí)和深度學(xué)習(xí)。

第1章  淺談人工智能、神經(jīng)網(wǎng)絡(luò)和計算機視覺  1

1.1  人工還是智能  1

1.2  人工智能的三起兩落  2

1.2.1  兩起兩落  2

1.2.2  卷土重來  3

1.3  神經(jīng)網(wǎng)絡(luò)簡史  5

1.3.1  生物神經(jīng)網(wǎng)絡(luò)和人工神經(jīng)網(wǎng)絡(luò)  5

1.3.2  M-P模型  6

1.3.3  感知機的誕生  9

1.3.4  你好，深度學(xué)習(xí)  10

1.4  計算機視覺  11

1.5  深度學(xué)習(xí)+  12

1.5.1  圖片分類  12

1.5.2  圖像的目標(biāo)識別和語義分割  13

1.5.3  自動駕駛  13

1.5.4  圖像風(fēng)格遷移  14

第2章  相關(guān)的數(shù)學(xué)知識  15

2.1  矩陣運算入門  15

2.1.1  標(biāo)量、向量、矩陣和張量  15

2.1.2  矩陣的轉(zhuǎn)置  17

2.1.3  矩陣的基本運算  18

2.2  導(dǎo)數(shù)求解  22

2.2.1  一階導(dǎo)數(shù)的幾何意義  23

2.2.2  初等函數(shù)的求導(dǎo)公式  24

2.2.3  初等函數(shù)的和、差、積、商求導(dǎo)  26

2.2.4  復(fù)合函數(shù)的鏈?zhǔn)椒▌t  27

第3章  深度神經(jīng)網(wǎng)絡(luò)基礎(chǔ)  29

3.1  監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)  29

3.1.1  監(jiān)督學(xué)習(xí)  30

3.1.2  無監(jiān)督學(xué)習(xí)  32

3.1.3  小結(jié)  33

3.2  欠擬合和過擬合  34

3.2.1  欠擬合  34

3.2.2  過擬合  35

3.3  后向傳播  36

3.4  損失和優(yōu)化  38

3.4.1  損失函數(shù)  38

3.4.2  優(yōu)化函數(shù)  39

3.5  激活函數(shù)  42

3.5.1  Sigmoid  44

3.5.2  tanh  45

3.5.3  ReLU  46

3.6  本地深度學(xué)習(xí)工作站  47

3.6.1  GPU和CPU  47

3.6.2  配置建議  49

第4章  卷積神經(jīng)網(wǎng)絡(luò)  51

4.1  卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)  51

4.1.1  卷積層  51

4.1.2  池化層  54

4.1.3  全連接層  56

4.2  LeNet模型  57

4.3  AlexNet模型  59

4.4  VGGNet模型  61

4.5  GoogleNet  65

4.6  ResNet  69

第5章  Python基礎(chǔ)  72

5.1  Python簡介  72

5.2  Jupyter Notebook  73

5.2.1  Anaconda的安裝與使用  73

5.2.2  環(huán)境管理  76

5.2.3  環(huán)境包管理  77

5.2.4  Jupyter Notebook的安裝  79

5.2.5  Jupyter Notebook的使用  80

5.2.6  Jupyter Notebook常用的快捷鍵  86

5.3  Python入門  88

5.3.1  Python的基本語法  88

5.3.2  Python變量  92

5.3.3  常用的數(shù)據(jù)類型  94

5.3.4  Python運算  99

5.3.5  Python條件判斷語句  107

5.3.6  Python循環(huán)語句  109

5.3.7  Python中的函數(shù)  113

5.3.8  Python中的類  116

5.4  Python中的NumPy  119

5.4.1  NumPy的安裝  119

5.4.2  多維數(shù)組  119

5.4.3  多維數(shù)組的基本操作  125

5.5  Python中的Matplotlib  133

5.5.1  Matplotlib的安裝  133

5.5.2  創(chuàng)建圖  133

第6章  PyTorch基礎(chǔ)  142

6.1  PyTorch中的Tensor  142

6.1.1  Tensor的數(shù)據(jù)類型  143

6.1.2  Tensor的運算  146

6.1.3  搭建一個簡易神經(jīng)網(wǎng)絡(luò)  153

6.2  自動梯度  156

6.2.1  torch.autograd和Variable  156

6.2.2  自定義傳播函數(shù)  159

6.3  模型搭建和參數(shù)優(yōu)化  162

6.3.1  PyTorch之torch.nn  162

6.3.2  PyTorch之torch.optim  167

6.4  實戰(zhàn)手寫數(shù)字識別  169

6.4.1  torch和torchvision  170

6.4.2  PyTorch之torch.transforms  171

6.4.3  數(shù)據(jù)預(yù)覽和數(shù)據(jù)裝載  173

6.4.4  模型搭建和參數(shù)優(yōu)化  174

第7章  遷移學(xué)習(xí)  180

7.1  遷移學(xué)習(xí)入門  180

7.2  數(shù)據(jù)集處理  181

7.2.1  驗證數(shù)據(jù)集和測試數(shù)據(jù)集  182

7.2.2  數(shù)據(jù)預(yù)覽  182

7.3  模型搭建和參數(shù)優(yōu)化  185

7.3.1  自定義VGGNet  185

7.3.2  遷移VGG16  196

7.3.3  遷移ResNet50  203

7.4  小結(jié)  219

第8章  圖像風(fēng)格遷移實戰(zhàn)  220

8.1  風(fēng)格遷移入門  220

8.2  PyTorch圖像風(fēng)格遷移實戰(zhàn)  222

8.2.1  圖像的內(nèi)容損失  222

8.2.2  圖像的風(fēng)格損失  223

8.2.3  模型搭建和參數(shù)優(yōu)化  224

8.2.4  訓(xùn)練新定義的卷積神經(jīng)網(wǎng)絡(luò)  226

8.3  小結(jié)  232

第9章  多模型融合  233

9.1  多模型融合入門  233

9.1.1  結(jié)果多數(shù)表決  234

9.1.2  結(jié)果直接平均  236

9.1.3  結(jié)果加權(quán)平均  237

9.2  PyTorch之多模型融合實戰(zhàn)  239

9.3  小結(jié)  246

第10章  循環(huán)神經(jīng)網(wǎng)絡(luò)  247

10.1  循環(huán)神經(jīng)網(wǎng)絡(luò)入門  247

10.2  PyTorch之循環(huán)神經(jīng)網(wǎng)絡(luò)實戰(zhàn)  249

10.3  小結(jié)  257

第11章  自動編碼器  258

11.1  自動編碼器入門  258

11.2  PyTorch之自動編碼實戰(zhàn)  259

11.2.1  通過線性變換實現(xiàn)自動編碼器模型  260

11.2.2  通過卷積變換實現(xiàn)自動編碼器模型  267

11.3  小結(jié)  273