深度学习之PyTorch实战计算机视觉pdf电子书版本下载

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
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

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。

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

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 Sigmoid 44

3.5.2 tanh 45

3.5.3 ReLU 46

3.6本地深度学习工作站 47

3.6.1 GPU和CPU 47

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 GoogleNet 65

4.6 ResNet 69

第5章 Python基础 72

5.1 Python简介 72

5.2 Jupyter Notebook 73

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NumPy 119

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Matplotlib 133

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Tensor 142

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Variable 156

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.nn 162

6.3.2 PyTorch之torch.optim 167

6.4实战手写数字识别 169

6.4.1 torch和torchvision 170

6.4.2 PyTorch之torch.transforms 171

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VGGNet 185

7.3.2迁移VGG16 196

7.3.3迁移ResNet50 203

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