由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版] PyTorch神经网络实战 移动端图像处理 丛晓峰 彭程威 章军 机器学习 深度学习 人工智能 卷积层 应
¥ ×1
店铺公告
为保障消费者合理购买需求及公平交易机会,避免因非生活消费目的的购买货囤积商品,抬价转售等违法行为发生,店铺有权对异常订单不发货且不进行赔付。异常订单:包括但不限于相同用户ID批量下单,同一用户(指不同用户ID,存在相同/临近/虚构收货地址,或相同联系号码,收件人,同账户付款人等情形的)批量下单(一次性大于5本),以及其他非消费目的的交易订单。
温馨提示:请务必当着快递员面开箱验货,如发现破损,请立即拍照拒收,如验货有问题请及时联系在线客服处理,(如开箱验货时发现破损,所产生运费由我司承担,一经签收即为货物完好,如果您未开箱验货,一切损失就需要由买家承担,所以请买家一定要仔细验货),
关于退货运费:对于下单后且物流已发货货品在途的状态下,原则上均不接受退货申请,如顾客原因退货需要承担来回运费,如因产品质量问题(非破损问题)可在签收后,联系在线客服。
本店存在书、古旧书、收藏书、二手书等特殊商品,因受采购成本限制,可能高于定价销售,明码标价,介意者勿拍!
1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍,避免价格争议!
2.店铺无纸质均开具电子,请联系客服开具电子版
商品基本信息 | |
| |
商品名称: | PyTorch神经网络实战:移动端图像处理 |
作 者: | 丛晓峰 彭程威 章军 编著 |
市 场 价: | 99 |
ISBN 号: | 978-7-111-70528-4 |
出版日期: | 2022年6月 |
页 数: | 296 |
开 本: | 16开 |
出 版 社: | 机械工业出版社 |
目录 |
前言 第1章 人工智能与深度学习/ 1.1人工智能简介/ 1.1.1人工智能的概念/ 1.1.2人工智能的历史/ 1.1.3人工智能与深度学习的关系/ 1.1.4深度学习的应用/ 1.2深度学习理论基础/ 1.2.1全连接层/ 1.2.2卷积层/ 1.2.3池化层/ 1.2.4激活层/ 1.2.5批归一化层/ 1.2.6随机失活/ 1.2.7损失函数/ 1.2.8反向传播/ 1.3深度学习实践细节/ 1.3.1硬件选择/ 1.3.2超参数设定/ 1.3.3网络参数初始化/ 1.4本章小结/
第2章 PyTorch指南/ 2.1安装与测试/ 2.1.1安装PyTorch和torchvision/ 2.1.2显卡测试/ 2.1.3CPU和GPU切换/ 2.2核心模块/ 2.3模型构建流程图/ 2.4张量Tensor/ 2.4.1数值类型/ 2.4.2创建方法/ 2.4.3类型转换/ 2.4.4维度分析/ 2.4.5常用操作/ 2.5数据读取与预处理/ 2.5.1图像读取与存储/ 2.5.2调用PyTorch官方数据集/ 2.5.3ImageFolder/ 2.5.4图像处理torchvision.transforms/ 2.5.5数据读取类Dataset/ 2.5.6DataLoader的创建和遍历/ 2.5.7数据增强/ 2.6nn模块与网络构建/ 2.6.1卷积模块的使用/ 2.6.2批归一化层/ 2.6.3池化层/ 2.6.4全连接层/ 2.6.5常用激活函数/ 2.6.6边缘填充/ 2.6.7Dropout层/ 2.6.8损失函数层/ 2.6.9模块组合Sequential/ 2.6.10网络构建实例/ 2.7train与eval模式/ 2.8优化器选择与绑定/ 2.9自动求导机制与计算图/ 2.9.1requires_grad/ 2.9.2自动求导backward/ 2.9.3叶子节点is_leaf/ 2.9.4梯度函数grad_fn/ 2.9.5计算图分离detach/ 2.9.6图保持retain_graph/ 2.9.7关闭梯度计算no_grad/ 2.10模型保存与加载/ 2.10.1模型文件的保存/ 2.10.2模型文件的加载/ 2.10.3联合保存与加载/ 2.10.4保存与加载多个网络模型/ 2.11模型设计和实现的完整流程/ 2.11.1参数定义/ 2.11.2准备数据、定义存储结果的容器/ 2.11.3定义自编码网络/ 2.11.4定义优化器与损失函数/ 2.11.5训练模型/ 2.11.6效果分析/ 2.12网络结构可视化/ 2.13拓展阅读/ 2.13.1学习率调整策略/ 2.13.2获取网络的命名参数/ 2.13.3参数初始化/ 2.14本章小结/
第3章Android应用构建/ 3.1Android Studio安装与项目构建/ 3.1.1Android Studio的下载和安装/ 3.1.2创建Android项目/ 3.2Manifest文件/ 3.3界面布局/ 3.4项目主活动与App启动/ 3.5资源文件/ 3.5.1颜色定义文件/ 3.5.2字符串定义文件/ 3.5.3形状定义文件/ 3.5.4图像文件/ 3.6核心控件使用/ 3.6.1展示文字/ 3.6.2展示图像/ 3.6.3按钮和监听机制/ 3.7相机、相册和图像保存/ 3.8生成APK/ 3.8.1自定义APK图标与名称/ 3.8.2创建发布版APK/ 3.9Bitmap格式/ 3.10部署库下载/ 3.11移动端神经网络实例/ 3.11.1定义神经网络/ 3.11.2Python端导出pt文件/ 3.11.3将pt文件移入Android开发环境/ 3.11.4在Java代码中加载神经网络模型/ 3.11.5读取图像并进行缩放/ 3.11.6构建输入张量/ 3.11.7进行前向推理/ 3.11.8处理输出结果/ 3.11.9界面设计/ 3.11.10完整代码与界面效果/ 3.12本章小结/
第4章图像分类/ 4.1图像分类概述/ 4.2MobileNet介绍/ 4.3深度可分离卷积/ 4.4MobileNet V1/ 4.4.1网络结构/ 4.4.2网络搭建/ 4.5MobileNet V2/ 4.5.1网络结构/ 4.5.2网络搭建/ 4.6数据处理/ 4.6.1数据介绍/ 4.6.2Kaggle API介绍/ 4.6.3数据处理/ 4.7模型训练/ 4.8图像分类App/ 4.8.1分类功能界面设计/ 4.8.2分类推理与解析/ 4.9本章小结/
第5章 图像分割/ 5.1前景背景与人像分割/ 5.2图像分割网络/ 5.2.1FCN/ 5.2.2UNet/ 5.2.3分割损失函数/ 5.3分割数据集构建与读取/ 5.3.1标注工具介绍/ 5.3.2分割数据集下载/ 5.3.3成对图像读取与数据增强/ 5.4分割网络的训练与验证/ 5.4.1项目构建与超参数设置/ 5.4.2分割网络训练/ 5.4.3分割损失函数收敛性分析/ 5.4.4人像分割测试/ 5.5人像分割App/ 5.5.1分割功能界面设计/ 5.5.2获取掩码与前景图像应用/ 5.6本章小结/
第6章 低光照图像质量增强/ 6.1伽马变换与低光照图像/ 6.2场景分析与像素直方图/ 6.3增强算法LLCNN/ 6.3.1残差暗光增强网络/ 6.3.2增强网络实现/ 6.3.3增强损失函数/ 6.4数据集构建和下载/ 6.5增强网络训练与验证/ 6.5.1项目构建/ 6.5.2增强网络训练/ 6.5.3像素级损失函数收敛分析/ 6.5.4增强算法能力验证/ 6.6低光照图像增强App/ 6.6.1功能设定与界面设计/ 6.6.2模型前向推理/ 6.7本章小结/
第7章 GAN动漫人脸生成/ 7.1GAN动漫人脸生成概述/ 7.2深度卷积对抗网络DCGAN/ 7.2.1生成器/ 7.2.2判别器/ 7.2.3损失函数/ 7.2.4生成器搭建/ 7.2.5判别器搭建/ 7.2.6训练代码/ 7.3条件式对抗网络CGAN/ 7.3.1CGAN原理/ 7.3.2CGAN实现/ 7.4辅助分类对抗网络ACGAN/ 7.4.1ACGAN原理/ 7.4.2ACGAN实现/ 7.5动漫头像生成App/ 7.5.1头像生成界面设计/ 7.5.2数据生成与解析/ 7.6拓展阅读/ 7.7本章小结/
第8章 图像风格迁移/ 8.1风格迁移概述/ 8.2风格迁移网络/ 8.2.1基础原理/ 8.2.2内容特征/ 8.2.3风格特征/ 8.2.4重构网络/ 8.2.5风格迁移代码实现/ 8.3快速风格迁移/ 8.3.1生成网络/ 8.3.2损失网络/ 8.3.3快速风格迁移代码实现/ 8.4图像风格化App/ 8.4.1风格化功能界面设计/ 8.4.2三种风格的生成与解析/ 8.5本章小结/
第9章 无监督风格互换/ 9.1成对数据与不成对数据/ 9.2cycleGAN原理与实现/ 9.2.1无监督设计原理/ 9.2.2对称生成器与判别器的设计及实现/ 9.2.3对抗性损失和循环一致性损失/ 9.3两种风格数据集的构建与读取/ 9.3.1数据集获取/ 9.3.2数据读取/ 9.4无监督训练与验证/ 9.4.1项目构建/ 9.4.2无监督cycleGAN训练/ 9.4.3风格转换验证/ 9.5水果风格互换应用/ 9.5.1水果风格转换界面设计/ 9.5.2两种风格模型的前向推理/ 9.6本章小结/
|
内容简介 |
PyTorch神经网络实战:移动端图像处理主要介绍人工智能研究领域中神经网络的PyTorch架构,对其在多个领域的应用进行系统性的归纳和梳理。书中的案例有风景图分类、人像前景背景分割、低光照图像增法、动漫头像生成、画风迁移、风格转换等,对每项视觉任务的研究背景、应用价值、算法原理、代码实现和移动端部署流程进行了详细描述,并提供相应的源码,适合读者从0到1构建移动端智能应用。 PyTorch神经网络实战:移动端图像处理适合对人工智能实际应用感兴趣的本科生、研究生、深度学习算法工程师、计算机视觉从业人员和人工智能爱好者阅读,书中介绍的各项视觉任务均含有相应的安卓平台部署案例,不仅对学生参加比赛、课程设计具有参考意义,对相关从业人员的软件架构和研发也具有启发价值。
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格