PyTorch深度学习模型开发实战 动手学机器学习开发案例实战 pytorch强化学习 图像识别 自然语言处理 迁移学习 物体检测 异常检测

图书标准信息

• 作者 [日]小川雄太郎
• 出版社 水利水电出版社
• 出版时间 2022-06
• 版次 1
• ISBN 9787517094159
• 定价 118.00元
• 装帧 其他
• 开本 16开
• 纸张 轻型纸
• 页数 432页
• 字数 756千字

【内容简介】

人工智能应用已经遍及各行各业，而机器学习和深度学习作为其中的重要组成部分也越来越火热。《PyTorch深度学习模型开发实战》就以近年来非常流行的Python 机器学可库 PyTorch为工目。对深度学习中的迁移学习、图像分类、物体检测、语义分割、姿势识别、图像生成、异常检测、自然语言处理以及视频分类等各种任务进行了详细讲解及深度学习模型的编程实现。这些任务都是为帮助读者积累实践经验，以便能在实际开发中灵活运用深度学习技术精挑细选出来的。读者只要亲自动手，依次对各种任务进行编程实践，并彻底理解其中的原理，就一定能逐步掌握复杂深度学习的应用方法。
  《PyTorch深度学习模型开发实战》 内容丰富全面，讲解通俗易懂，特别适合作为有一定基础的AI工程师提升技能、中高级机器学习/深度学习工程师巩固相关基础的参考书籍。

【作者简介】

小川雄太郎

东京大学理学博士，曾在东京大学研究生院从事脑功能测量及计算论的神经科学研究。获取博士学位后，曾担任东京大学特聘研究员。现任职于日本电通国际信息服务公司总部 AI 技术开发部，主要负责以深度学习为主的机器学习相关技术的研究开发和技术支持。另外，他还是早稻田大学全球教育中心的兼职讲师和日本深度学习协会会员。在业余时间开展了多场人工智能相关讲座并撰写了多种人工智能相关书籍。

【目录】

章图像分类与迁移学（vgg）

1.1已完成训练的vgg模型的使用方法

1.1.1image数据集与vgg-16模型

1.1.2文件夹的准备

1.1.3准备工作

1.1.4软件包的导入及pytorch版本的确认

1.1.5vgg-16已完成训练模型的载入

1.1.6输入图片的预处理类的编写

1.1.7根据输出结果预测标签的后处理类的编写

1.1.8使用已完成学的vgg模型对手头上的图片进行预测

1.2使用pytorch进行深度学的实现流程

1.3迁移学的编程实现

1.3.1迁移学

1.3.2准备文件夹

1.3.3准备工作

1.3.4实现代码的初始设置

1.3.5创建dataset

1.3.6创建dataloader

1.3.7创建网络模型

1.3.8定义损失函数

1.3.9设定很优化算法

1.3.10学和验证的施行

1.4aws的gpu云计算服务器的使用方法

1.4.1使用云服务器的理由

1.4.2创建aws账号

1.4.3aws管理控制台

1.4.4aws的ec2虚拟主机的创建方法

1.4.5ec2服务器的访问与anaconda的作

1.5微调的实现

1.5.1微调

1.5.2准备文件夹及事先准备

1.5.3创建dataset和dataloader

1.5.4创建网络模型

1.5.5定义损失函数

1.5.6设置很优化算法

1.5.7学和验证的施行

1.5.8保存和读取训练完毕的网络

小结

第2章物体检测（ssd）

2.1物体检测概述

2.1.1物体检测概要

2.1.2物体检测任务的输入与输出

2.1.3voc数据集

2.1.4基于ssd实现物体检测的流程

2.2dataset的实现

2.2.1重温在pytorch中实现深度学的流程

2.2.2文件夹的准备

2.2.3准备工作

2.2.4创建图像数据、标注数据的文件路径列表

2.2.5将xml格式的标注数据转换为列表

2.2.6创建实现图像与标注的预处理datatransform类

2.2.7创建dataset

2.3dataloader的实现

2.4网络模型的实现

2.4.1ssd网络模型概要

2.4.2vgg模块的实现

2.4.3extras模块的实现

2.4.4loc模块与conf模块的实现

2.4.5l2norm层的实现

2.4.6defaultbox的实现

2.4.7ssd类的实现

2.5正向传播函数的实现

2.5.1decode函数的实现

2.5.2non-mamumsuppression函数的实现

2.5.3detect类的实现

2.5.4ssd模块的实现

2.6损失函数的实现

2.6.1运用了jaccard系数的match函数的行为

2.6.2难分样本挖掘

2.6.3smoothl1loss函数与交熵误差函数

2.6.4ssd损失函数multiboxloss类的实现

……

第3章语义分割（p）

第4章识别（opene）

第5章基于gan的图像生成（dcgan、self-attentiongan）

第6章基于gan的异常检测（anogan、efficientgan）

第7章基于自然语言处理的情感分析（transformer）

第8章基于自然语言处理的情感分析（bert）

第9章分类（3dn、eco）

后记