首頁佳魁資訊緣起線上購書軟體服務學校目錄下載會員中心讀者服務資源下載
DeepStone SSE國際證照 拓客TALK 有意思JOYCE 上奇時代 上奇資訊 佳魁文化 上奇科技 回頭書展
參觀人數
6860158
AI視覺大全:用最好用的PyTorch實作
作者:唐進民 
出版社:佳魁資訊
出版日期:2018-10-09
語言:繁體中文
書號:TD1854
ISBN:9789863796978
裝訂:平裝
定價:540
特價:8432
查看我的購物清單
書籍介紹
佳魁資訊推薦
購物說明



[內容簡介]
 

  •  用PyTorch實作電腦視覺
  • 零基礎掌握深度學習、Python、PyTorch、神經網路、移轉學習及相關數學知識
電腦視覺、自然語言處理和語音辨識是目前深度學習領域熱門的三大應用方向,本書希望幫助零基礎或基礎較為薄弱的讀者入門深度學習,獨立使用深度學習知識處理電腦視覺問題。
讀者透過本書將學到人工智慧的基礎概念及Python程式設計技能,掌握PyTorch的使用方法,學到深度學習相關的理論知識,如旋積神經網路、循環神經網路、自動編碼器等。
在掌握深度學習理論和程式設計技能之後,讀者還會學到如何基於PyTorch深度學習框架實戰電腦視覺。
書中大量實例可讓讀者在循序漸進學習的同時,不斷地獲得成就感。
適用:對深度學習技術感興趣、或相關基礎知識較為薄弱或零基礎的讀者。



[書附光碟內容]



top


[作者簡介]
  
唐進民  深入理解深度學習與電腦視覺知識體系,有紮實的PyTorch、Python和數學功底。長期活躍於Github、知乎等平台並分享與深度學習相關的文章,還在AI網路教育平台兼職Mentor,輔導新學員入門機器學習和深度學習。


top


[目錄]
 
 
前言
01 | 淺談人工智慧、神經網路和電腦視覺
1.1 人工還是智慧
1.2 人工智慧的三起兩落
1.3 神經網路簡史
1.4 電腦視覺
1.5 深度學習+
02 | 相關的數學知識
2.1 矩陣運算入門
2.2 導數求解
03 | 深度神經網路基礎
3.1 監督學習和無監督學習
3.2 欠擬合和過擬合
3.3 反向傳播
3.4 損失和最佳化
3.5 啟動函數
3.6 本機深度學習工作站
04 | 旋積神經網路
4.1 旋積神經網路基礎
4.2 LeNet 模型
4.3 AlexNet 模型
4.4 VGGNet 模型
4.5 GoogleNet
4.6 ResNet

05 | Python
5.1 Python 簡介
5.2 Jupyter Notebook
5.3 Python 入門
5.4 Python 中的NumPy
5.5 Python 中的Matplotlib
06 | PyTorch 基礎
6.1 PyTorch 中的Tensor
6.2 自動梯度
6.3 模型架設和參數最佳化
6.4 實戰手寫數字識別 
07 | 遷移學習
7.1 遷移學習入門
7.2 資料集處理 
7.3 模型架設和參數最佳化
7.4 小結
08 | 影像風格遷移實戰
8.1 風格遷移入門
8.2 PyTorch 影像風格遷移實戰
8.3 小結
09 | 多模型融合
9.1 多模型融合入門
9.2 PyTorch 之多模型融合實戰
9.3 小結
10 | 循環神經網路
10.1 循環神經網路入門
10.2 PyTorch 之循環神經網路實戰
10.3 小結
11 | 自動編碼器
11.1 自動編碼器入門
11.2 PyTorch 之自動編碼實戰
11.3 小結


top


[序/導讀]
 

「人工智慧」(Artificial Intelligence,簡稱AI)一詞在很久以前就有了,被大眾津津樂道卻是近幾年的事,這和機器學習(Machine Learning)、深度學習(Deep Learning)等技術的崛起具有千絲萬縷的聯繫,而這一切又得益於大數據的發展和電腦處理效能的不斷提升。
本書將帶領讀者了解人工智慧的相關技術和發展近況,透過一些實例來掌握必備的技能,並能夠獨立使用相關技術完成對電腦視覺問題的分析和處理。本書各個章節的重點如下。
第1 章主要介紹人工智慧、神經網路和電腦視覺的發展歷史,讓讀者對這一領域有一個全面的認識。
第2 章主要介紹在了解和掌握後面章節的內容時需要用到的數學知識,以及在實戰操作的過程中進行環境架設及安裝相關軟體的方法。本書中數學相關的大部分知識都集中在本章中,主要目的是讓讀者先對這個領域的知識產生興趣,這樣才能更進一步地深入學習和研究。在本章中不會插入大量的數學公式,避免讓初學者望而卻步,在不斷消化公式的過程中喪失學習興趣和動力。透過不斷實戰來學習,可以累積成就感,這種由上向下的方式不失為一種更好的學習方法。
第3 章主要介紹在學習神經網路過程中會經常遇到的一些概念和定義。例如反向傳播(Back Propagation)、啟動函數(Activation Function)、監督學習(Supervised Learning)、無監督學習(Unsupervised Learning),等等,這也是為之後學習深度神經網路做準備。在架設一個完整的深度神經網路模型時,就需要不斷地用到本章的內容了。
第4 章主要介紹深度神經網路中的旋積神經網路(Convolutional Neural Network,簡稱CNN)。首先介紹旋積層、全連接層、池化層等相關內容,之後又列舉目前主流的一些旋積神經網路架構,並比較它們之間的相同點和不同點,以便於掌握不同的旋積神經網路的結構和技術細節。
第5 章主要介紹Python 程式語言的相關知識,目的是讓讀者掌握Python 語言的語法定義和使用方式,並使用Python 語言進行功能程式的撰寫;還會介紹在處理電腦視覺問題時需要用到的兩個重要的Python 套件:NumPy 和Matplotlib。本章內容豐富,而且Python 語言本身就很簡單且易上手,讀者很快就能掌握Python 這門程式語言。
第6 章主要介紹如何使用PyTorch 深度學習架構。PyTorch 非常簡單好用,能夠根據我們的需求快速架設出我們想要的深度神經網路模型,這要歸功於PyTorch 以動態圖型計算為基礎的特性,它與以靜態圖型計算為基礎的深度學習架構相比,有更多的優勢,例如PyTorch 不僅速度快,還有許多功能強大的套件可供呼叫。本章先介紹PyTorch 中常用的套件和類別的使用方法;然後介紹如何使用PyTorch中的一些自動化方法來提升程式的執行效率和簡潔度;最後會透過一個綜合實例,使用本章的內容解決一個實際的電腦視覺問題。
第7 章一開始就是一個關於電腦視覺問題的實作,介紹了一種非常實用的深度神經網路重複使用方法,即遷移學習(Transfer Learning)。在掌握遷移學習的原理之後,會基於PyTorch 對遷移學習進行實戰,並解決比之前更複雜的電腦視覺問題。對實戰程式的解析會貫穿本章,讓讀者更深刻地了解程式。
第8 章說明如何基於PyTorch 實戰影像風格移轉(Neural Style)。透過對本章的學習,讀者會發現,利用旋積神經網路不僅能處理圖片分類問題,只要有想法和創意,還能做更多、更有趣的事情。
第9 章介紹一種多模型融合方法,在現有的模型遭遇效能提升瓶頸時,可透過架設一種經過科學融合的新模型達到超過預期的泛化能力。本章會基於PyTorch對多模型融合方法進行實戰。
第10 章介紹一種區別於旋積神經網路的新神經網路結構, 即循環神經網路(Recurrent Neural Network,簡稱RNN)。不同於旋積神經網路強大的影像特徵分析能力,循環神經網路主要用於處理有序輸入的資料。為了方便讀者了解模型如何對有序數據進行處理,本章會基於PyTorch 使用循環神經網路來處理一個電腦視覺問題。
第 11 章說明自動編碼器,它是一種使用非監督學習方法的神經網路。自動編碼器能夠實現很多功能,本章會選取一個影像去噪問題來進行自動編碼器實作。
本書前6 章的內容可作為後5 章的準備,前6 章的知識偏向基礎和理論,
只有掌握了這些內容,才能從容應對後5 章的實作。這個循序漸進的過程會讓讀者對知識的了解更深刻,技能提升更迅速。
人工智慧在近幾年大熱,網路上的相關資料良莠不齊且沒有系統,即使有優秀的參考資料,對基礎薄弱的初學者來說也有點難。本書即是出於對這一現狀的考慮,透過從基礎到實戰、由淺入深的過程,讓讀者基於PyTorch 來使用深度學習方法實際解決一些電腦視覺相關的問題,這樣,讀者在取得知識的過程中會更有成就感,學起來也會更積極、主動。
感謝家人的鼓勵和支援,也感謝張國霞編輯的幫助和付出,筆者才能以更好的方式將本書呈現在讀者的面前。希望讀者能遵從敏捷學習的想法,多實作、多思考並不斷進步。在本書中會有很多實例,讀者可以舉一反三、不斷實作,在發現問題時要多思考,畢竟本書內容有限,若想讓能力獲得更高層次的提升,則需要取得更多的資料來充實自己。
唐進民
 
 
top


[內容連載]
 


top
無推薦書籍
為了保障您的權益,佳魁會員所購買的商品均享有到貨十天的鑑賞期(含例假日)。退回之商品必須於鑑賞期內寄回(以郵戳或收執聯為憑),且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等),否則恕不接受退貨。
首頁佳魁資訊緣起線上購書軟體服務學校目錄下載會員中心讀者服務資源下載
佳魁資訊股份有限公司
電話 : 2658-2227 / 傳真 : 2658-2279
版權所有 © 2013 TopTeam Information Co.,Ltd. All Rights Reserved.
購物總金額:0
購物筆數:0 筆 │