[套装书]深入浅出图神经网络：GNN原理解析+深度学习之PyTorch物体检测实战（2册）

作者
刘忠雨 李彦霖 周洋董洪义
丛书名
智能系统与技术丛书
出版社
机械工业出版社
ISBN
9782001101039
简要
简介
内容简介书籍计算机书籍 ---------------------------深入浅出图神经网络：GNN原理解析--------------------------- 内容简介 这是一本从原理、算法、实现、应用4个维度详细讲解图神经网络的著作，在图神经网络领域具有重大的意义。 本书作者是图神经网络领域的资深技术专家，作者所在的公司极验也是该领域的领先者。本书是作者和极验多年研究和实践经验的总结，内容系统、扎实、深入浅出，得到了白翔、俞栋等几位来自学术界和企业界的领军人物的高度评价和强烈推荐。 全书共10章： 第1～4章全面介绍了图、图数据、卷积神经网络以及表示学习等基础知识，是阅读本书的预备知识； 第5～6章从理论的角度出发，讲解了图信号处理和图卷积神经网络，深入剖析了图卷积神经网络的性质，并提供了GCN实现节点分类的实例。 第7～9章全面的讲解了图神经网络的各种变体及范式、图分类机制及其实践，以及基于GNN的图表示学习； 第10章介绍了图神经网络的最新研究和应用。 ---------------------------深度学习之PyTorch物体检测实战--------------------------- 本书从物体检测的概念、发展、经典实现方法等几个方面系统地介绍了物体检测的相关知识，重点介绍了Faster RCNN、SDD和YOLO这三个经典的检测器，并利用PyTorch框架从代码角度进行了细致讲解。另外，本书进一步介绍了物体检测的轻量化网络、细节处理、难点问题及未来的发展趋势，从实战角度给出了多种优秀的解决方法，便于读者更深入地掌握物体检测技术，从而做到在实际项目中灵活应用。 . 本书共10章，涵盖的主要内容有物体检测与PyTorch框架基础概念与背景；PyTorch基础知识；基础卷积网络Backbone；两阶经典检测器Faster RCNN；单阶多层检测器SSD；单阶经典检测器YOLO；模型加速之轻量化网络；物体检测细节处理；物体检测难点问题；物体检测的未来发展。本书适合PyTorch框架爱好者和物体检测相关从业人员阅读，也适合深度学习和计算机视觉领域的研究人员阅读。
目录



---------------------------深入浅出图神经网络：GNN原理解析---------------------------


前言
第1章　图的概述 1
1.1　图的基本定义 1
1.1.1　图的基本类型 2
1.1.2　邻居和度 4
1.1.3　子图与路径 4
1.2　图的存储与遍历 5
1.2.1　邻接矩阵与关联矩阵 5
1.2.2　图的遍历 6
1.3　图数据的应用场景 7
1.4　图数据深度学习 10
1.5　参考文献 13
第2章　神经网络基础 17
2.1　机器学习基本概念 17
2.1.1　机器学习分类 17
2.1.2　机器学习流程概述 18
2.1.3　常见的损失函数 21
2.1.4　梯度下降算法 23
2.2　神经网络 25
2.2.1　神经元 25
2.2.2　多层感知器 27
2.3　激活函数 29
2.3.1　S型激活函数 30
2.3.2　ReLU及其变种 30
2.4　训练神经网络 33
2.4.1　神经网络的运行过程 34
2.4.2　反向传播 34
2.4.3　优化困境 36
2.5　参考文献 38
第3章　卷积神经网络 39
3.1　卷积与池化 39
3.1.1　信号处理中的卷积 39
3.1.2　深度学习中的卷积操作 42
3.1.3　池化 46
3.2　卷积神经网络 46
3.2.1　卷积神经网络的结构 47
3.2.2　卷积神经网络的特点 49
3.3　特殊的卷积形式 51
3.3.1　1×1卷积 51
3.3.2　转置卷积 52
3.3.3　空洞卷积 54
3.3.4　分组卷积 55
3.3.5　深度可分离卷积 55
3.4　卷积网络在图像分类中的应用 56
3.4.1　VGG 56
3.4.2　Inception系列 57
3.4.3　ResNet 60
3.5　参考文献 62
第4章　表示学习 65
4.1　表示学习 65
4.1.1　表示学习的意义 65
4.1.2　离散表示与分布式表示 66
4.1.3　端到端学习是一种强大的表示学习方法 68
4.2　基于重构损失的方法—自编码器 69
4.2.1　自编码器 69
4.2.2　正则自编码器 71
4.2.3　变分自编码器 72
4.3　基于对比损失的方法—Word2vec 75
4.4　参考文献 79
第5章　图信号处理与图卷积神经网络 81
5.1　矩阵乘法的三种方式 81
5.2　图信号与图的拉普拉斯矩阵 83
5.3　图傅里叶变换 85
5.4　图滤波器 90
5.4.1　空域角度 93
5.4.2　频域角度 94
5.5　图卷积神经网络 96
5.6　GCN实战 101
5.7　参考文献 109
第6章　GCN的性质 111
6.1　GCN与CNN的联系 111
6.2　GCN能够对图数据进行端对端学习 115
6.3　GCN是一个低通滤波器 120
6.4　GCN的问题—过平滑 122
6.5　参考文献 127
第7章　GNN的变体与框架 129
7.1　GraphSAGE 129
7.1.1　采样邻居 130
7.1.2　聚合邻居 131
7.1.3　GraphSAGE算法过程 132
7.2　GAT 134
7.2.1　注意力机制 134
7.2.2　图注意力层 137
7.2.3　多头图注意力层 138
7.3　R-GCN 140
7.3.1　知识图谱 140
7.3.2　R-GCN 141
7.4　GNN的通用框架 143
7.4.1　MPNN 143
7.4.2　NLNN 146
7.4.3　GN 147
7.5　GraphSAGE实战 148
7.6　参考文献 153
第8章　图分类 155
8.1　基于全局池化的图分类 155
8.2　基于层次化池化的图分类 156
8.2.1　基于图坍缩的池化机制 157
8.2.2　基于TopK的池化机制 165
8.2.3　基于边收缩的池化机制 168
8.3　图分类实战 169
8.4　参考文献 177
第9章　基于GNN的图表示学习 179
9.1　图表示学习 180
9.2　基于GNN的图表示学习 182
9.2.1　基于重构损失的GNN 183
9.2.2　基于对比损失的GNN 184
9.3　基于图自编码器的推荐系统 188
9.4　参考文献 195
第10章　GNN的应用简介 197
10.1　GNN的应用简述 197
10.2　GNN的应用案例 199
10.2.1　3D视觉 199
10.2.2　基于社交网络的推荐系统 203
10.2.3　视觉推理 205
10.3　GNN的未来展望 208
10.4　参考文献 209
附录A　符号声明 211



---------------------------深度学习之PyTorch物体检测实战---------------------------


前言
第1篇 物体检测基础知识
第1章 浅谈物体检测与PyTorch 2
1.1 深度学习与计算机视觉 2
1.1.1 发展历史 2
1.1.2 计算机视觉 7
1.2 物体检测技术 9
1.2.1 发展历程 10
1.2.2 技术应用领域 11
1.2.3 评价指标 12
1.3 PyTorch简介 17
1.3.1 诞生与特点 17
1.3.2 各大深度学习框架对比 17
1.3.3 为什么选择PyTorch 19
1.3.4 安装方法 20
1.4 基础知识准备 22
1.4.1 Linux基础 22
1.4.2 Python基础 24
1.4.3 高效开发工具 29
1.5 总结 36
第2章 PyTorch基础 37
2.1 基本数据：Tensor 37
2.1.1 Tensor数据类型 37
2.1.2 Tensor的创建与维度查看 39
2.1.3 Tensor的组合与分块 41
2.1.4 Tensor的索引与变形 42
2.1.5 Tensor的排序与取极值 46
2.1.6 Tensor的自动广播机制与向量化 46
2.1.7 Tensor的内存共享 47
2.2 Autograd与计算图 48
2.2.1 Tensor的自动求导：Autograd 49
2.2.2 计算图 50
2.2.3 Autograd注意事项 51
2.3 神经网络工具箱torch.nn 52
2.3.1 nn.Module类 52
2.3.2 损失函数 55
2.3.3 优化器nn.optim 56
2.4 模型处理 59
2.4.1 网络模型库：torchvision.models 59
2.4.2 加载预训练模型 60
2.4.3 模型保存 61
2.5 数据处理 61
2.5.1 主流公开数据集 61
2.5.2 数据加载 63
2.5.3 GPU加速 65
2.5.4 数据可视化 66
2.6 总结 68
第3章 网络骨架：Backbone 69
3.1 神经网络基本组成 69
3.1.1 卷积层 70
3.1.2 激活函数层 72
3.1.3 池化层 75
3.1.4 Dropout层 76
3.1.5 BN层 77
3.1.6 全连接层 79
3.1.7 深入理解感受野 81
3.1.8 详解空洞卷积（Dilated Convolution） 82
3.2 走向深度：VGGNet 83
3.3 纵横交错：Inception 87
3.4 里程碑：ResNet 93
3.5 继往开来：DenseNet 95
3.6 特征金字塔：FPN 99
3.7 为检测而生：DetNet 106
3.8 总结 110
第2篇 物体检测经典框架
第4章 两阶经典检测器：Faster RCNN 112
4.1 RCNN系列发展历程 112
4.1.1 开山之作：RCNN 112
4.1.2 端到端：Fast RCNN 113
4.1.3 走向实时：Faster RCNN 114
4.2 准备工作 114
4.3 Faster RCNN总览 115
4.4 详解RPN 117
4.4.1 理解Anchor 117
4.4.2 RPN的真值与预测量 119
4.4.3 RPN卷积网络 120
4.4.4 RPN真值的求取 122
4.4.5 损失函数设计 124
4.4.6 NMS与生成Proposal 125
4.4.7 筛选Proposal得到RoI 126
4.5 RoI Pooling层 127
4.6 全连接RCNN模块 130
4.6.1 RCNN全连接网络 130
4.6.2 损失函数设计 131
4.7 Faster RCNN的改进算法 131
4.7.1 审视Faster RCNN 132
4.7.2 特征融合：HyperNet 133
4.7.3 实例分割：Mask RCNN 134
4.7.4 全卷积网络：R-FCN 137
4.7.5 级联网络：Cascade RCNN 139
4.8 总结 141
第5章 单阶多层检测器：SSD 142
5.1 SSD总览 142
5.1.1 SSD的算法流程 142
5.1.2 代码准备工作 143
5.2 数据预处理 144
5.2.1 加载PASCAL数据集 144
5.2.2 数据增强 144
5.3 网络架构 148
5.3.1 基础VGG结构 148
5.3.2 深度卷积层 149
5.3.3 PriorBox与边框特征提取网络 150
5.3.4 总体网络计算过程 153
5.4 匹配与损失求解 154
5.4.1 预选框与真实框的匹配 154
5.4.2 定位损失的计算 155
5.4.3 难样本挖掘 156
5.4.4 类别损失计算 156
5.5 SSD的改进算法 157
5.5.1 审视SSD 157
5.5.2 特征融合：DSSD 158
5.5.3 彩虹网络：RSSD 160
5.5.4 基于SSD的两阶：RefineDet 162
5.5.5 多感受野融合：RFBNet 165
5.6 总结 166
第6章 单阶经典检测器：YOLO 167
6.1 无锚框预测：YOLO v1 167
6.1.1 网络结构 167
6.1.2 特征图的意义 168
6.1.3 损失计算 169
6.2 依赖锚框：YOLO v2 171
6.2.1 网络结构的改善 171
6.2.2 先验框的设计 173
6.2.3 正、负样本与损失函数 175
6.2.4 正、负样本选取代码示例 176
6.2.5 工程技巧 179
6.3 多尺度与特征融合：YOLO v3 180
6.3.1 新网络结构DarkNet-53 180
6.3.2 多尺度预测 181
6.3.3 Softmax改为Logistic 182
6.4 总结 183
第3篇 物体检测的难点与发展
第7章 模型加速之轻量化网络 186
7.1 压缩再扩展：SqueezeNet 188
7.1.1 SqueezeNet网络结构 188
7.1.2 SqueezeNet总结 190
7.2 深度可分离：MobileNet 191
7.2.1 标准卷积 191
7.2.2 深度可分离卷积 192
7.2.3 MobileNet v1结构 193
7.2.4 MobileNet v1总结 198
7.2.5 MobileNet v2 198
7.3 通道混洗：ShuffleNet 200
7.3.1 通道混洗 201
7.3.2 网络结构 202
7.3.3 ShuffleNet v2 205
7.4 总结 207
第8章 物体检测细节处理 209
8.1 非极大值抑制：NMS 209
8.1.1 NMS基本过程 210
8.1.2 抑制得分：Soft NMS 212
8.1.3 加权平均：Softer NMS 213
8.1.4 定位置信度：IoU-Net 215
8.2 样本不均衡问题 217
8.2.1 不均衡问题分析 217
8.2.2 在线难样本挖掘：OHEM 219
8.2.3 专注难样本：Focal Loss 221
8.3 模型过拟合 224
8.3.1 数据增强 226
8.3.2 L1与L2正则化 227
8.4 总结 229
第9章 物体检测难点 230
9.1 多尺度检测 230
9.1.1 多尺度问题 230
9.1.2 降低下采样率与空洞卷积 232
9.1.3 Anchor设计 233
9.1.4 多尺度训练 235
9.1.5 特征融合 235
9.1.6 尺度归一化：SNIP 236
9.1.7 三叉戟：TridentNet 238
9.2 拥挤与遮挡 239
9.2.1 遮挡背景 240
9.2.2 排斥损失：Repulsion Loss 242
9.2.3 OR-CNN 244
9.3 总结 247
第10章 物体检测的未来发展 248
10.1 重新思考物体检测 248
10.1.1 精度与速度的权衡 249
10.1.2 卷积网络的可解释性与稳定性 249
10.1.3 训练：微调还是随机初始化 250
10.1.4 考虑物体间关系的检测 251
10.1.5 优化卷积方式 252
10.1.6 神经架构搜索：NAS 253
10.1.7 与产业结合的创新 255
10.2 摆脱锚框：Anchor-Free 257
10.2.1 重新思考Anchor 257
10.2.2 基于角点的检测：CornerNet 258
10.2.3 检测中心点：CenterNet 262
10.2.4 锚框自学习：Guided Anchoring 264
10.3 总结 266



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4