PyTorch深度学习模型开发实战 word 网盘 高速 下载地址大全 免费

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 机器学习库 PyTorch为工具，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。

第 1 章　图像分类与迁移学习（VGG） 1.1 已完成训练的 VGG 模型的使用方法 ……………………………………….........……… 2 1.1.1 ImageNet 数据集与 VGG-16 模型………………………………………..........……… 2 1.1.2 文件夹的准备 ……………………………………………………………............……… 2 1.1.3 准备工作 ………………………………………………………………………........…… 4 1.1.4 软件包的导入及 PyTorch 版本的确认 ........…………………………………………… 5 1.1.5 VGG-16 已完成训练模型的载入..……………………………………………………… 5 1.1.6 输入图片的预处理类的编写 ……….…………………………………………………… 7 1.1.7 根据输出结果预测标签的后处理类的编写 ……………….…………………………… 9 1.1.8 使用已完成学习的 VGG 模型对手头上的图片进行预测 …………………………… 11 1.2 使用 PyTorch 进行深度学习的实现流程 …………………….....……………………… 13 1.3 迁移学习的编程实现 ……………………………..……………………………………… 15 1.3.1 迁移学习 ……………………………...………………………………………………… 15 1.3.2 准备文件夹 ……………………………...……………………………………………… 15 1.3.3 准备工作 ……………………………………………………………………...………… 15 1.3.4 实现代码的初始设置 ………………………………………………………...………… 16 1.3.5 创建 Dataset ……………………………………………………………....…………… 17 1.3.6 创建 DataLoader ………………………………………………………....…………… 22 1.3.7 创建网络模型 ……………………………………………………………..…………… 23 1.3.8 定义损失函数 …………………………………………………………..……………… 23 1.3.9 设定最优化算法 ……………………………………………………..………………… 23 1.3.10 学习和验证的施行 …………………………………………………………………… 24 1.4 亚马逊 AWS 的 GPU 云计算服务器的使用方法 ……………………………………… 28 1.4.1 使用云服务器的理由 ………………………………………..……….………………… 28 1.4.2 创建 AWS 账号 ………………………………………………………………………… 28 1.4.3 AWS 管理控制台 ………………………………………………………….…………… 28 1.4.4 AWS 的 EC2 虚拟主机的创建方法 ………………………………..…….…………… 29 1.4.5 EC2 服务器的访问与 Anaconda 的操作 ……………………………..……………… 34 1.5 微调的实现 ………………………………………………………………..……………… 40 1.5.1 微调 ……………………………………………………………………...……………… 40 1.5.2 准备文件夹及事先准备 ……………………………………………...………………… 40 1.5.3 创建 Dataset 和 DataLoader …………………………………….…………………… 40 1.5.4 创建网络模型 ……………………………………………………...…………………… 41 1.5.5 定义损失函数 ……………………………………………………...…………………… 42 1.5.6 设置最优化算法 …………………………………………………...…………………… 42 1.5.7 学习和验证的施行 …………………………………………………...………………… 43 1.5.8 保存和读取训练完毕的网络 ………………………………………...………………… 46 小结 ………………………………………………………………………….………………… 47 第 2 章　物体检测（SSD） 2.1 物体检测概述 ………………………………………………………………..…………… 50 2.1.1 物体检测概要 ……………………………………………………………...…………… 50 2.1.2 物体检测任务的输入与输出 ……………………………………………...…………… 51 2.1.3 VOC 数据集 …………………………………………………………….……....……… 52 2.1.4 基于 SSD 实现物体检测的流程 …………………………………………….………… 52 2.2 Dataset 的实现 …………………………………………………………………………… 55 2.2.1 重温在 PyTorch 中实现深度学习的流程 …………………………………......……… 55 2.2.2 文件夹的准备 …………………………………………………………………...……… 56 2.2.3 准备工作 ………………………………………………………………………...……… 56 2.2.4 创建图像数据、标注数据的文件路径列表 ………………………………...………… 56 2.2.5 将 xml 格式的标注数据转换为列表 ………………………………………......……… 58 2.2.6 创建实现图像与标注的预处理 DataTransform 类 …………………….….………… 61 2.2.7 创建 Dataset …………………………………………………………………………… 63 2.3 DataLoader 的实现……………………………………………………………….……… 66 2.4 网络模型的实现 …………………………………………………………………..……… 69 2.4.1 SSD 网络模型概要 ……………………………………………………………..……… 69 2.4.2 vgg 模块的实现 ………………………………………………………………………… 71 2.4.3 extras 模块的实现 ……………………………………………………………...……… 73 2.4.4 loc 模块与 conf 模块的实现 ………………………………………………...………… 73 2.4.5 L2Norm 层的实现 ………………………………………………………….......……… 75 2.4.6 Default Box 的实现 ……………………………………………………….…………… 76 2.4.7 SSD 类的实现 …………………………………………………………….…………… 78 2.5 正向传播函数的实现 …………………………………………………………..………… 80 2.5.1 decode 函数的实现 …………………………………………………………………… 80 2.5.2 Non-Maximum Suppression 函数的实现 …………………………………………… 81 2.5.3 Detect 类的实现 …………………………………………………………………….… 84 2.5.4 SSD 模块的实现 …………………………………………………………………….… 86 2.6 损失函数的实现 ………………………………………………………………….….…… 90 2.6.1 运用了 jaccard 系数的 match 函数的行为 ……………………………………..…… 90 2.6.2 难分样本挖掘 ……………………………………………………………………..…… 92 2.6.3 SmoothL1Loss 函数与交叉熵误差函数 …………………………………………..… 92 2.6.4 SSD 损失函数 MultiBoxLoss 类的实现 …………………………………….…..…… 93 2.7 学习和检测的实现 ………………………………………………………………..……… 98 2.7.1 程序的实现 ………………………………………………………………………..…… 98 2.7.2 创建 DataLoader ……………………………………………………………………… 98 2.7.3 创建网络模型 ……………………………………………………………………..…… 99 2.7.4 定义损失函数与设置最优化算法 ………...………………………………………… 100 2.7.5 执行学习与检测 ………....…………………………………………………………… 101 2.8 推测的施行 ……………………………………………………………………………… 105 小结 ………………………………………………………………………………………..… 108 第 3 章　语义分割（PSPNet） 3.1 语义分割概述 …………………………………………………………………………… 110 3.1.1 什么是语义分割 ……………………………………………………………….……… 110 3.1.2 语义分割的输入和输出 ……………………………………………………….……… 111 3.1.3 VOC 数据集 …………………………………………………………………………… 111 3.1.4 使用 PSPNet 进行物体检测的流程 ………………………………………….……… 111 3.2 Dataset 和 DataLoader 的实现 ………………………………………………..……… 113 3.2.1 准备文件夹 ……………………………………………………………………….…… 113 3.2.2 创建指向图像数据、标注数据的文件路径列表 ……………………………….…… 114 3.2.3 创建 Dataset ……………………………………………………………………..…… 115 3.2.4 创建 DataLoader ……………………………………………………………..……… 119 3.3 PSPNet 网络的构建与实现 …………………………………………………………… 120 3.3.1 构建 PSPNet 的模块 ………………………………………………………………… 120 3.3.2 PSPNet 类的实现 …………………………………………………………….……… 121 3.4 Feature 模块的说明及编程实现（ResNet） ………………………………………… 124 3.4.1 Feature 模块的子网络结构 …………………………………………………..……… 124 3.4.2 FeatureMap_convolution 子网络 …………………………………………………… 125 3.4.3 FeatureMap_convolution 的实现 …………………………………………………… 125 3.4.4 ResidualBlockPSP 子网络 ……………………………………..…………………… 127 3.4.5 bottleNeckPSP 与 bottleNeckIdentifyPSP ………………………………………… 128 3.5 Pyramid Pooling 模块的说明及编程实现 ………………………………………..…… 132 3.5.1 Pyramid Pooling 模块的子网络结构 ………………………………………......…… 132 3.5.2 PyramidPooling 类的实现 …………………………………………………………… 133 3.6 Decoder 模块和 AuxLoss 模块的说明及编程实现 …………………………..……… 136 3.6.1 Decoder 模块和 AuxLoss 模块的结构 ……………………………………...……… 136 3.6.2 Decoder 模块和 AuxLoss 模块的实现 ……………………………………...……… 137 3.7 用微调进行学习和检测 ………………………………………………………………… 140 3.7.1 数据的准备 …………………………………………………………………………… 140 3.7.2 学习和验证的实现 …………………………………………………………………… 140 3.7.3 利用调度器调整每轮 epoch 的学习率 ……………………………………………… 143 3.8 语义分割的推测 ………………………………………………………………………… 149 3.8.1 准备 …………………………………………………………………………………… 149 3.8.2 推测 …………………………………………………………………………………… 149 小结 ……………………………………………………………………………………..…… 152 第 4 章 ：姿势识别（OpenPose） 第 5 章 ：基于 GAN 的图像生成（DCGAN、Self-Attention GAN） 第 6 章 ：基于 GAN 的异常检测（AnoGAN、Efficient GAN） 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 ：视频分类（3DCNN、ECO）

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。

暂无其它内容！

暂时还没有人为这本书评论！