封面 书名页 版权页 前言 目录页 第1章 浅谈人工智能、神经网络和计算机视觉 1.1 人工还是智能 1.2 人工智能的三起两落 1.2.1 两起两落 1.2.2 卷土重来 1.3 神经网络简史 1.3.1 生物神经网络和人工神经网络 1.3.2 M-P模型 1.3.3 感知机的诞生 1.3.4 你好，深度学习 1.4 计算机视觉 1.5 深度学习+ 1.5.1 图片分类 1.5.2 图像的目标识别和语义分割 1.5.3 自动驾驶 1.5.4 图像风格迁移 第2章 相关的数学知识 2.1 矩阵运算入门 2.1.1 标量、向量、矩阵和张量 2.1.2 矩阵的转置 2.1.3 矩阵的基本运算 2.2 导数求解 2.2.1 一阶导数的几何意义 2.2.2 初等函数的求导公式 2.2.3 初等函数的和、差、积、商求导 2.2.4 复合函数的链式法则 第3章 深度神经网络基础 3.1 监督学习和无监督学习 3.1.1 监督学习 3.1.2 无监督学习 3.1.3 小结 3.2 欠拟合和过拟合 3.2.1 欠拟合 3.2.2 过拟合 3.3 后向传播 3.4 损失和优化 3.4.1 损失函数 3.4.2 优化函数 3.5 激活函数 3.5.1 Sigmoid 3.5.2 tanh 3.5.3 ReLU 3.6 本地深度学习工作站 3.6.1 GPU和CPU 3.6.2 配置建议 第4章 卷积神经网络 4.1 卷积神经网络基础 4.1.1 卷积层 4.1.2 池化层 4.1.3 全连接层 4.2 LeNet模型 4.3 AlexNet模型 4.4 VGGNet模型 4.5 GoogleNet 4.6 ResNet 第5章 Python基础 5.1 Python简介 5.2 Jupyter Notebook 5.2.1 Anaconda的安装与使用 5.2.2 环境管理 5.2.3 环境包管理 5.2.4 Jupyter Notebook的安装 5.2.5 Jupyter Notebook的使用 5.2.6 Jupyter Notebook常用的快捷键 5.3 Python入门 5.3.1 Python的基本语法 5.3.2 Python变量 5.3.3 常用的数据类型 5.3.4 Python运算 5.3.5 Python条件判断语句 5.3.6 Python循环语句 5.3.7 Python中的函数 5.3.8 Python中的类 5.4 Python中的NumPy 5.4.1 NumPy的安装 5.4.2 多维数组 5.4.3 多维数组的基本操作 5.5 Python中的Matplotlib 5.5.1 Matplotlib的安装 5.5.2 创建图 第6章 PyTorch基础 6.1 PyTorch中的Tensor 6.1.1 Tensor的数据类型 6.1.2 Tensor的运算 6.1.3 搭建一个简易神经网络 6.2 自动梯度 6.2.1 torch.autograd和Variable 6.2.2 自定义传播函数 6.3 模型搭建和参数优化 6.3.1 PyTorch之torch.nn 6.3.2 PyTorch之torch.optim 6.4 实战手写数字识别 6.4.1 torch和torchvision 6.4.2 PyTorch之torch.transforms 6.4.3 数据预览和数据装载 6.4.4 模型搭建和参数优化 第7章 迁移学习 7.1 迁移学习入门 7.2 数据集处理 7.2.1 验证数据集和测试数据集 7.2.2 数据预览 7.3 模型搭建和参数优化 7.3.1 自定义VGGNet 7.3.2 迁移VGG16 7.3.3 迁移ResNet50 7.4 小结 第8章 图像风格迁移实战 8.1 风格迁移入门 8.2 PyTorch图像风格迁移实战 8.2.1 图像的内容损失 8.2.2 图像的风格损失 8.2.3 模型搭建和参数优化 8.2.4 训练新定义的卷积神经网络 8.3 小结 第9章 多模型融合 9.1 多模型融合入门 9.1.1 结果多数表决 9.1.2 结果直接平均 9.1.3 结果加权平均 9.2 PyTorch之多模型融合实战 9.3 小结 第10章 循环神经网络 10.1 循环神经网络入门 10.2 PyTorch之循环神经网络实战 10.3 小结 第11章 自动编码器 11.1 自动编码器入门 11.2 PyTorch之自动编码实战 11.2.1 通过线性变换实现自动编码器模型 11.2.2 通过卷积变换实现自动编码器模型 11.3 小结 ..更多