图书介绍

深度学习之PyTorch实战计算机视觉2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

唐进民编著著
出版社：北京：电子工业出版社
ISBN：9787121341441
出版时间：2018
标注页数：274页
文件大小：98MB
文件页数：285页
主题词：机器学习

PDF下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快]温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页直链下载[便捷但速度慢] [在线试读本书] [在线获取解压码]

点击复制MD5值：bb22d01803b4183ebbddf5fc9278f327

下载说明

深度学习之PyTorch实战计算机视觉PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

点击复制85GB完整离线版磁力链接到迅雷FDM等BT下载工具进行下载详情点击-查看共享计划

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数要大于标注页数，上中下等多册电子书除外）

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

图书目录

第1章浅谈人工智能、神经网络和计算机视觉1

1.1人工还是智能1

1.2人工智能的三起两落2

1.2.1两起两落2

1.2.2卷土重来3

1.3神经网络简史5

1.3.1生物神经网络和人工神经网络5

1.3.2 M-P模型6

1.3.3感知机的诞生9

1.3.4你好，深度学习10

1.4计算机视觉11

1.5深度学习+12

1.5.1图片分类12

1.5.2图像的目标识别和语义分割13

1.5.3自动驾驶13

1.5.4图像风格迁移14

第2章相关的数学知识15

2.1矩阵运算入门15

2.1.1标量、向量、矩阵和张量15

2.1.2矩阵的转置17

2.1.3矩阵的基本运算18

2.2导数求解22

2.2.1一阶导数的几何意义23

2.2.2初等函数的求导公式24

2.2.3初等函数的和、差、积、商求导26

2.2.4复合函数的链式法则27

第3章深度神经网络基础29

3.1监督学习和无监督学习29

3.1.1监督学习30

3.1.2无监督学习32

3.1.3小结33

3.2欠拟合和过拟合34

3.2.1欠拟合34

3.2.2过拟合35

3.3后向传播36

3.4损失和优化38

3.4.1损失函数38

3.4.2优化函数39

3.5激活函数42

3.5.1 Sigmoid44

3.5.2 tanh45

3.5.3 ReLU46

3.6本地深度学习工作站47

3.6.1 GPU和CPU47

3.6.2配置建议49

第4章卷积神经网络51

4.1卷积神经网络基础51

4.1.1卷积层51

4.1.2池化层54

4.1.3全连接层56

4.2 LeNet模型57

4.3 AlexNet模型59

4.4 VGGNet模型61

4.5 GoogleNet65

4.6 ResNet69

第5章 Python基础72

5.1 Python简介72

5.2 Jupyter Notebook73

5.2.1 Anaconda的安装与使用73

5.2.2环境管理76

5.2.3环境包管理77

5.2.4 Jupyter Notebook的安装79

5.2.5 Jupyter Notebook的使用80

5.2.6 Jupyter Notebook常用的快捷键86

5.3 Python入门88

5.3.1 Python的基本语法88

5.3.2 Python变量92

5.3.3常用的数据类型94

5.3.4 Python运算99

5.3.5 Python条件判断语句107

5.3.6 Python循环语句109

5.3.7 Python中的函数113

5.3.8 Python中的类116

5.4 Python中的NumPy119

5.4.1 NumPy的安装119

5.4.2多维数组119

5.4.3多维数组的基本操作125

5.5 Python中的Matplotlib133

5.5.1 Matplotlib的安装133

5.5.2创建图133

第6章 PyTorch基础142

6.1 PyTorch中的Tensor142

6.1.1 Tensor的数据类型143

6.1.2 Tensor的运算146

6.1.3搭建一个简易神经网络153

6.2自动梯度156

6.2.1 torch.autograd和Variable156

6.2.2自定义传播函数159

6.3模型搭建和参数优化162

6.3.1 PyTorch之torch.nn162

6.3.2 PyTorch之torch.optim167

6.4实战手写数字识别169

6.4.1 torch和torchvision170

6.4.2 PyTorch之torch.transforms171

6.4.3数据预览和数据装载173

6.4.4模型搭建和参数优化174

第7章迁移学习180

7.1迁移学习入门180

7.2数据集处理181

7.2.1验证数据集和测试数据集182

7.2.2数据预览182

7.3模型搭建和参数优化185

7.3.1自定义VGGNet185

7.3.2迁移VGG16196

7.3.3迁移ResNet50203

7.4小结219

第8章图像风格迁移实战220

8.1风格迁移入门220

8.2 PyTorch图像风格迁移实战222

8.2.1图像的内容损失222

8.2.2图像的风格损失223

8.2.3模型搭建和参数优化224

8.2.4训练新定义的卷积神经网络226

8.3小结232

第9章多模型融合233

9.1多模型融合入门233

9.1.1结果多数表决234

9.1.2结果直接平均236

9.1.3结果加权平均237

9.2 PyTorch之多模型融合实战239

9.3小结246

第10章循环神经网络247

10.1循环神经网络入门247

10.2 PyTorch之循环神经网络实战249

10.3小结257

第11章自动编码器258

11.1自动编码器入门258

11.2 PyTorch之自动编码实战259

11.2.1通过线性变换实现自动编码器模型260

11.2.2通过卷积变换实现自动编码器模型267

11.3小结273