幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

PyTorch神經網路實戰(移動端圖像處理)/人工智慧科學與技術叢書

  • 作者：編者:叢曉峰//彭程威//章軍|責編:李曉波
  • 出版社：機械工業
  • ISBN：9787111705284
  • 出版日期：2022/06/01
  • 裝幀：平裝
  • 頁數：286
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    PyTorch神經網路實戰：移動端圖像處理主要介紹人工智慧研究領域中神經網路的PyTorch架構，對其在多個領域的應用進行系統性的歸納和梳理。書中的案例有風景圖分類、人像前景背景分割、低光照圖像增法、動漫頭像生成、畫風遷移、風格轉換等，對每項視覺任務的研究背景、應用價值、演算法原理、代碼實現和移動端部署流程進行了詳細描述，並提供相應的源碼，適合讀者從0到1構建移動端智能應用。
    PyTorch神經網路實戰：移動端圖像處理適合對人工智慧實際應用感興趣的本科生、研究生、深度學習演算法工程師、電腦視覺從業人員和人工智慧愛好者閱讀，書中介紹的各項視覺任務均含有相應的安卓平台部署案例，不僅對學生參加比賽、課程設計具有參考意義，對相關從業人員的軟體架構和研發也具有啟發價值。
作者介紹
編者:叢曉峰//彭程威//章軍|責編:李曉波
目錄
前言
第1章  人工智慧與深度學習
  1.1  人工智慧簡介
    1.1.1  人工智慧的概念
    1.1.2  人工智慧的歷史
    1.1.3  人工智慧與深度學習的關係
    1.1.4  深度學習的應用
  1.2  深度學習理論基礎
    1.2.1  全連接層
    1.2.2  卷積層
    1.2.3  池化層
    1.2.4  激活層
    1.2.5  批歸一化層
    1.2.6  隨機失活
    1.2.7  損失函數
    1.2.8  反向傳播
  1.3  深度學習實踐細節
    1.3.1  硬體選擇
    1.3.2  超參數設定
    1.3.3  網路參數初始化
  1.4  本章小結
第2章  PyTorch指南
  2.1  安裝與測試
    2.1.1  安裝PyTorch和torchvision
    2.1.2  顯卡測試
    2.1.3  CPU和GPU切換
  2.2  核心模塊
  2.3  模型構建流程圖
  2.4  張量Tensor
    2.4.1  數值類型
    2.4.2  創建方法
    2.4.3  類型轉換
    2.4.4  維度分析
    2.4.5  常用操作
  2.5  數據讀取與預處理
    2.5.1  圖像讀取與存儲
    2.5.2  調用PyTorch官方數據集
    2.5.3  ImageFolder
    2.5.4  圖像處理torchvision.transforms
    2.5.5  數據讀取類Dataset
    2.5.6  DataLoader的創建和遍歷
    2.5.7  數據增強
  2.6  nn模塊與網路構建
    2.6.1  卷積模塊的使用
    2.6.2  批歸一化層
    2.6.3  池化層
    2.6.4  全連接層
    2.6.5  常用激活函數
    2.6.6  邊緣填充
    2.6.7  Dropout層

    2.6.8  損失函數層
    2.6.9  模塊組合Sequential
    2.6.10  網路構建實例
  2.7  train與eval模式
  2.8  優化器選擇與綁定
  2.9  自動求導機制與計算圖
    2.9.1  requires_grad
    2.9.2  自動求導backward
    2.9.3  葉子節點is_leaf
    2.9.4  梯度函數grad_fn
    2.9.5  計算圖分離detach
    2.9.6  圖保持retain_graph
    2.9.7  關閉梯度計算no_grad
  2.10  模型保存與載入
    2.10.1  模型文件的保存
    2.10.2  模型文件的載入
    2.10.3  聯合保存與載入
    2.10.4  保存與載入多個網路模型
  2.11  模型設計和實現的完整流程
    2.11.1  參數定義
    2.11.2  準備數據、定義存儲結果的容器
    2.11.3  定義自編碼網路
    2.11.4  定義優化器與損失函數
    2.11.5  訓練模型
    2.11.6  效果分析
  2.12  網路結構可視化
  2.13  拓展閱讀
    2.13.1  學習率調整策略
    2.13.2  獲取網路的命名參數
    2.13.3  參數初始化
  2.14  本章小結
第3章  Android應用構建
  3.1  Android Studio安裝與項目構建
    3.1.1  Android Studio的下載和安裝
    3.1.2  創建Android項目
  3.2  Manifest文件
  3.3  界面布局
  3.4  項目主活動與App啟動
  3.5  資源文件
    3.5.1  顏色定義文件
    3.5.2  字元串定義文件
    3.5.3  形狀定義文件
    3.5.4  圖像文件
  3.6  核心控制項使用
    3.6.1  展示文字
    3.6.2  展示圖像
    3.6.3  按鈕和監聽機制
  3.7  相機、相冊和圖像保存
  3.8  生成APK
    3.8.1  自定義APK圖標與名稱

    3.8.2  創建發布版APK
  3.9  Bitmap格式
  3.10  部署庫下載
  3.11  移動端神經網路實例
    3.11.1  定義神經網路
    3.11.2  Python端導出pt文件
    3.11.3  將pt文件移入Android開發環境
    3.11.4  在Java代碼中載入神經網路模型
    3.11.5  讀取圖像並進行縮放
    3.11.6  構建輸入張量
    3.11.7  進行前向推理
    3.11.8  處理輸出結果
    3.11.9  界面設計
    3.11.10  完整代碼與界面效果
  3.12  本章小結
第4章  圖像分類
  4.1  圖像分類概述
  4.2  MobileNet介紹
  4.3  深度可分離卷積
  4.4  MobileNet V1
    4.4.1  網路結構
    4.4.2  網路搭建
  4.5  MobileNet V2
    4.5.1  網路結構
    4.5.2  網路搭建
  4.6  數據處理
    4.6.1  數據介紹
    4.6.2  Kaggle API介紹
    4.6.3  數據處理
  4.7  模型訓練
  4.8  圖像分類App
    4.8.1  分類功能界面設計
    4.8.2  分類推理與解析
  4.9  本章小結
第5章  圖像分割
  5.1  前景背景與人像分割
  5.2  圖像分割網路
    5.2.1  FCN
    5.2.2  UNet
    5.2.3  分割損失函數
  5.3  分割數據集構建與讀取
    5.3.1  標注工具介紹
    5.3.2  分割數據集下載
    5.3.3  成對圖像讀取與數據增強
  5.4  分割網路的訓練與驗證
    5.4.1  項目構建與超參數設置
    5.4.2  分割網路訓練
    5.4.3  分割損失函數收斂性分析
    5.4.4  人像分割測試
  5.5  人像分割App

    5.5.1  分割功能界面設計
    5.5.2  獲取掩碼與前景圖像應用
  5.6  本章小結
第6章  低光照圖像質量增強
  6.1  伽馬變換與低光照圖像
  6.2  場景分析與像素直方圖
  6.3  增強演算法LLCNN
    6.3.1  殘差暗光增強網路
    6.3.2  增強網路實現
    6.3.3  增強損失函數
  6.4  數據集構建和下載
  6.5  增強網路訓練與驗證
    6.5.1  項目構建
    6.5.2  增強網路訓練
    6.5.3  像素級損失函數收斂分析
    6.5.4  增強演算法能力驗證
  6.6  低光照圖像增強App
    6.6.1  功能設定與界面設計
    6.6.2  模型前向推理
  6.7  本章小結
第7章  GAN動漫人臉生成
  7.1  GAN動漫人臉生成概述
  7.2  深度卷積對抗網路DCGAN
    7.2.1  生成器
    7.2.2  判別器
    7.2.3  損失函數
    7.2.4  生成器搭建
    7.2.5  判別器搭建
    7.2.6  訓練代碼
  7.3  條件式對抗網路CGAN
    7.3.1  CGAN原理
    7.3.2  CGAN實現
  7.4  輔助分類對抗網路ACGAN
    7.4.1  ACGAN原理
    7.4.2  ACGAN實現
  7.5  動漫頭像生成App
    7.5.1  頭像生成界面設計
    7.5.2  數據生成與解析
  7.6  拓展閱讀
  7.7  本章小結
第8章  圖像風格遷移
  8.1  風格遷移概述
  8.2  風格遷移網路
    8.2.1  基礎原理
    8.2.2  內容特徵
    8.2.3  風格特徵
    8.2.4  重構網路
    8.2.5  風格遷移代碼實現
  8.3  快速風格遷移
    8.3.1  生成網路

    8.3.2  損失網路
    8.3.3  快速風格遷移代碼實現
  8.4  圖像風格化App
    8.4.1  風格化功能界面設計
    8.4.2  三種風格的生成與解析
  8.5  本章小結
第9章  無監督風格互換
  9.1  成對數據與不成對數據
  9.2  cycleGAN原理與實現
    9.2.1  無監督設計原理
    9.2.2  對稱生成器與判別器的設計及實現
    9.2.3  對抗性損失和循環一致性損失
  9.3  兩種風格數據集的構建與讀取
    9.3.1  數據集獲取
    9.3.2  數據讀取
  9.4  無監督訓練與驗證
    9.4.1  項目構建
    9.4.2  無監督cycleGAN訓練
    9.4.3  風格轉換驗證
  9.5  水果風格互換應用
    9.5.1  水果風格轉換界面設計
    9.5.2  兩種風格模型的前向推理
  9.6  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032