[套装书]深度学习之PyTorch物体检测实战+神经网络与深度学习实战：Python+Keras+TensorFlow（2册）

作者
董洪义陈屹
丛书名
出版社
机械工业出版社
ISBN
9781912201027
简要
简介
内容简介书籍计算机书籍 ---------------------------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。 ---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow--------------------------- 本书通过理论与项目实践相结合的方式引领读者进入人工智能技术的大门。本书共15章，涵盖的内容有神经网络初体验；深度学习的微积分基础；深度学习的线性代数基础；神经网络的理论基础；用python从零实现识别手写数字的神经网络；神经网络项目实践；使用神经网络实现机器视觉识别；用深度学习实现自然语言处理；自动编解码网络和生成型对抗性网络；增强性学习网络开发实践；Tensorflow入门；使用Tensorflow和Keras开发高级自然语言处理系统；使用Tensorflow和Keras实现高级图像识别处理系统；使用Tensorflow和Keras打造智能推荐系统；深度学习重要概念和技巧总结。本书尽可能通过细致的讲解降低读者入门人工智能编程的门槛。书中案例丰富，内容非常实用，特别适合有志于投身人工智能领域的IT专业人士或学生阅读。阅读本书需要读者具有一定的数学基础。
目录



---------------------------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



---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow---------------------------


前言
本书内容导图
第1章 神经网络初体验 1
1.1 开发环境的安装 1
1.2 快速构建一个识别手写数字图片的神经网络 2
第2章 深度学习中的微积分基础 8
2.1 实数中的无理数 8
2.2 什么叫极限 10
2.3 函数的连续性 12
2.4 函数求导 13
2.5 导数的一般法则 15
2.6 间套函数的链式求导法则 17
2.7 多变量函数与偏导数 19
2.8 导数与极值 19
2.9 使用导数寻求函数的最小值 21
第3章 深度学习的线性代数基础 25
3.1 常量与向量 26
3.2 矩阵及相关操作 26
3.3 tensor——多维向量 28
3.4 向量范数 30
第4章 神经网络的理论基础 31
4.1 详解神经网络中的神经元激活函数 31
4.2 使用矩阵运算驱动神经网络数据加工链 38
4.3 通过反向传播算法回传误差改进链路权重 42
4.4 使用矩阵和梯度下降法实现神经网络的迭代训练 45
4.5 手算梯度下降法，详解神经网络迭代训练过程 53
第5章 用Python从零实现识别手写数字的神经网络 58
5.1 基本框架的搭建 58
5.2 实现网络的迭代训练功能 62
5.3 网络训练，识别手写数字图片 64
第6章 神经网络项目实践 70
6.1 使用神经网络分析电影评论的正能量和负能量 70
6.2 使用神经网络实现新闻话题分类 78
6.3 使用神经网络预测房价中位数 83
第7章 使用神经网络实现机器视觉识别 90
7.1 卷积神经网络入门 90
7.2 从零开始构造一个识别猫、狗图片的卷积网络 93
7.3 使用预先训练的卷积网络实现图像快速识别 101
7.4 视觉化神经网络的学习过程 105
7.5 揭秘卷积网络的底层原理 109
第8章 用深度学习实现自然语言处理 124
8.1 Word Embedding 单词向量化 124
8.2 概率论的一些重要概念 130
8.3 skip-gram单词向量化算法的数学原理 136
8.4 使用预先训练好的单词向量实现新闻摘要分类 140
8.5 RNN——具有记忆功能的神经网络 143
8.6 LSTM网络层详解及其应用 145
8.7 使用RNN和CNN混合的“鸡尾酒疗法”提升网络运行效率 148
第9章 自动编解码网络和生成型对抗性网络 150
9.1 自动编解码器网络的原理与实现 150
9.2 去噪型编解码网络 154
9.3 使用自动编解码网络实现黑白图片上色 157
9.4 生成型对抗性网络 162
9.5 生成型对抗性网络的代码实现 163
9.6 条件性生成型对抗性网络 169
第10章 增强性学习网络开发实践 176
10.1 增强性学习网络的基本原理 176
10.2 开发环境配置 177
10.3 增强性学习网络的数学原理 179
10.4 Bellman函数和最优化 180
10.5 Bellman等式的推导 181
10.6 用实例讲解Bellman函数的应用 182
10.7 解决冰冻湖问题 185
10.8 ε贪婪算法 188
10.9 运用神经网络和Bellman函数解决Cartpole问题 188
第11章 TensorFlow入门 193
11.1 TensorFlow图运算原理 193
11.2 TensorFlow代码实践 195
11.3 TensorFlow的输入、变量、输出及运算操作 197
11.4 TensorFlow的变量定义 200
11.5 TensorFlow的运算输出及运算操作 201
11.6 用TensorFlow开发神经网络的相关操作 204
11.7 开发TensorFlow程序应注意的事项 207
11.8 使用TensorFlow开发神经网络 213
第12章 使用TensorFlow和Keras 开发高级自然语言处理系统 218
12.1 Skip-Gram算法实现 218
12.2 使用RNN网络模型的基本原理 230
12.3 代码实现RNN网络 232
12.4 LSTM网络的结构原理 242
12.5 使用LSTM网络实现人机问答系统 247
第13章 使用TensorFlow和Keras 实现高级图像识别处理系统 256
13.1 实现艺术风格的转换 256
13.2 使用胶囊网络实现服装识别 266
13.3 使用TensorFlow API 实现精准物体识别 285
13.4 DeeDream：使用神经网络构造具有惊悚审美效果的艺术作品 293
第14章 使用TensorFlow和Keras 打造智能推荐系统 300
14.1 创造一个网易云音乐推荐引擎 300
14.2 使用TensorFlow构建高质量商品推荐系统 309
14.3 实现淘宝“拍立淘”图片搜索引擎 313
第15章 深度学习的重要概念和技巧总结 319



有问题微信扫码联系

推荐

Understand China
桂ICP备20004708号-4