诺森图书音像专营店
  • 扫码下单

  • 音像PyTorch深度学习模型开发实战(日)小川雄太郎
  • 正版
    • 作者: (日)小川雄太郎著 | (日)小川雄太郎编 | (日)小川雄太郎译 | (日)小川雄太郎绘
    • 出版社: 中国水利水电出版社
    • 出版时间:2022-06-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    店铺装修中

    商家:
    诺森图书音像专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    诺森图书音像专营店

  • 商品参数
    • 作者: (日)小川雄太郎著| (日)小川雄太郎编| (日)小川雄太郎译| (日)小川雄太郎绘
    • 出版社:中国水利水电出版社
    • 出版时间:2022-06-01
    • 版次:1
    • 印次:1
    • 字数:756000
    • 页数:432
    • 开本:16开
    • ISBN:9787517094159
    • 版权提供:中国水利水电出版社
    • 作者:(日)小川雄太郎
    • 著:(日)小川雄太郎
    • 装帧:平装
    • 印次:1
    • 定价:118.00
    • ISBN:9787517094159
    • 出版社:中国水利水电出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2022-06-01
    • 页数:432
    • 外部编号:31465406
    • 版次:1
    • 成品尺寸:暂无

    章图像分类与迁移学习(VGG)

    1.1已完成训练的VGG模型的使用方法

    1.1.1ImageNet数据集与VGG-16模型

    1.1.2文件夹的准备

    1.1.3准备工作

    1.1.4软件包的导入及PyTorch版本的确认

    1.1.5VGG-16已完成训练模型的载入

    1.1.6输入图片的预处理类的编写

    1.1.7根据输出结果预测标签的后处理类的编写

    1.1.8使用已完成学习的VGG模型对手头上的图片进行预测

    1.2使用PyTorch进行深度学习的实现流程

    1.3迁移学习的编程实现

    1.3.1迁移学习

    1.3.2准备文件夹

    1.3.3准备工作

    1.3.4实现代码的初始设置

    1.3.5创建Dataset

    1.3.6创建DataLoader

    1.3.7创建网络模型

    1.3.8定义损失函数

    1.3.9设定很优化算法

    1.3.10学习和验的施行

    1.4AWS的GPU云计算服务器的使用方法

    1.4.1使用云服务器的理由

    1.4.2创建AWS账号

    1.4.3AWS管理控制台

    1.4.4AWS的EC2虚拟主机的创建方法

    1.4.5EC2服务器的访问与Anaconda的作
    1.5微调的实现

    1.5.1微调

    1.5.2准备文件夹及事先准备

    1.5.3创建Dataset和DataLoader

    1.5.4创建网络模型

    1.5.5定义损失函数

    1.5.6设置很优化算法

    1.5.7学习和验的施行

    1.5.8保存和读取训练完的网络

    小结

    第2章物体检测(SSD)

    2.1物体检测概述

    2.1.1物体检测概要

    2.1.2物体检测任务的输入与输出

    2.1.3VOC数据集

    2.1.4基于SSD实现物体检测的流程

    2.2Dataset的实现

    2.2.1重温在PyTorch中实现深度学习的流程

    2.2.2文件夹的准备

    2..准备工作

    2.2.4创建图像数据、标注数据的文件路径列表

    2.2.5将xml格式的标注数据转换为列表

    2.2.6创建实现图像与标注的预处理DataTransform类

    2.2.7创建Dataset

    .DataLoader的实现

    2.4网络模型的实现

    2.4.1SSD网络模型概要

    2.4.2vgg模块的实现

    2.4.3extras模块的实现

    2.4.4loc模块与conf模块的实现

    2.4.5L2Norm层的实现

    2.4.6DefaultBox的实现

    2.4.7SSD类的实现

    2.5正向传播函数的实现

    2.5.1decode函数的实现

    2.5.2Non-MaximumSuppression函数的实现

    2.5.3Detect类的实现

    2.5.4SSD模块的实现

    2.6损失函数的实现

    2.6.1运用了jaccard系数的match函数的行为

    2.6.2难分样本挖掘

    2.6.3SmoothL1Loss函数与交叉熵误差函数

    2.6.4SSD损失函数MultiBoxLoss类的实现

    ……

    第3章语义分割(PSPNet)

    第4章识别(OpenPose)

    第5章基于GAN的图像生成(DCGAN、Self-AttentionGAN)

    第6章基于GAN的异常检测(AnoGAN、EfficientGAN)

    第7章基于自然语言处理的情感分析(Transformer)

    第8章基于自然语言处理的情感分析(BERT)

    第9章视频分类(3DCNN、ECO)

    后记

    小川雄太郎
    东京大学理学博士,曾在东京大学院从事脑功测量计算论的神经科学研究。获取博士后,曾担任东京大学特聘研究员。现任职于日本电通靠前信息服务公司总部 AI 技术开发部,主要负责以深度学习为主的机器学习相关技术的研究开发和技术支持。另外,他还是早稻田大学优选教育中心的兼职讲师和日本深度学习协会会员。在业余时间开展了多场人工智能相关讲座并撰写了多种人工智能相关书籍。

    本书是一本通过PyTorch深度学习模型开发案例学习深度学习技术应用方法的图书,对精心设计的9大类深度学习任务构建模型,让读者可以逐步掌握不错且实用的深度学习开发和应用的方法。每个深度学习模型都是 State-of-the-Art(优选能模型)的基础,读者若能够亲自动手实现,对以后的研究和开发工作一定会有很大帮。

    案例涵盖面广:以PyTorch为工具,对常见的9种类型的深度学习任务进行了编程实现,让读者对深度学习技术的应用有一个全面了解。
    代码解说详细:对各深度学习模型的实现方法及源代码进行了详细解说,将原理与实际操作相结合,便于学生阅读和理解程序的本质。
    语言通俗易懂:虽然本书针对的是深度学习中、不错层次的读者,但书中的语言也尽量避免晦涩艰深,做到通俗易懂,让学习过程更高效。
    实用针对强:书中的每章都是为了解决特定任务而设计的主题,实用和针对特强,而且特别注重原理的解说和过程的实现,读者可以从中学习到一些小窍门,举一反三,掌握灵活构建深度学习模型的能力。

    本书实现的任务内容及深度学习模型
    迁移学习,微调:用少量的图像数据构建深度学习模型
    物体检测(SSD):对图像中的位置和内容进行检测
    语义分割(PSPNet):在像素级别上对图像中的物体进行检测
    识别Openoe:测人物,并对人体各部位的链接进行识别
    GAN(DCGAN,Self-Attention GAN):生成现实中实际存在的图像
    异常检测(AnoGAN,Efficient GAN):用GAN对图像中的异常图像进行检测
    自然语言处理(Transformer,BERT):对文本数据进行情感分析
    视频分类(3DCNN,ECO):对人物动作的视频数据进行分类

    读者对象:高校人工智能·机器学习·深度学习相关专业高年级学生;有一定AI技术基础、想积累深度学习实践经验的初级;想通过实战提升机器学习·深度学习技术应用水平的所有开发人员和科研人员;对AI开发感兴趣并对深度学习技术的基础内容有一定编程经验的所有人员

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购