免费人妻中文不卡无码_日本精品爽爽van在线_久久精品国产99久久丝袜蜜桃_女强人被春药精油按摩bd电影

前言
第1章　張量運(yùn)算及圖像處理基礎(chǔ)1
1.1　張量與張量運(yùn)算1
1.1.1　張量的概念1
1.1.2　張量的基本屬性2
1.1.3　張量生成4
1.1.4　張量維度和索引7
1.1.5　張量之間的運(yùn)算11
1.2　圖像處理的基礎(chǔ)操作14
1.2.1　PIL圖像處理包簡介15
1.2.2　常見的圖像處理操作15
第2章　深度學(xué)習(xí)編程基礎(chǔ)21
2.1　卷積神經(jīng)網(wǎng)絡(luò)的基本概念和常用函數(shù)21
2.1.1　卷積層21
2.1.2　池化層23
2.1.3　全連接層23
2.1.4　激活函數(shù)24
2.1.5　PyTorch中的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)/模型構(gòu)建方法24
2.2　PyTorch中的數(shù)據(jù)處理操作26
2.2.1　PyTorch自帶的數(shù)據(jù)集使用26
2.2.2　自定義數(shù)據(jù)集的使用29
2.2.3　PyTorch中的數(shù)據(jù)預(yù)處理模塊transforms31
2.3　PyTorch中的損失函數(shù)使用32
2.4　PyTorch中的優(yōu)化器使用33
2.4.1　優(yōu)化器33
2.4.2　學(xué)習(xí)率調(diào)整35
2.5　PyTorch中模型訓(xùn)練的整體流程35
第3章　簡單的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)40
3.1　LeNet-5卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)40
3.1.1　數(shù)據(jù)準(zhǔn)備40
3.1.2　LeNet-5神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)/模型定義42
3.1.3　wandb可視化工具43
3.1.4　整體訓(xùn)練流程44
3.1.5　效果展示46
3.2　AlexNet卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)46
3.2.1　數(shù)據(jù)準(zhǔn)備46
3.2.2　AlexNet神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)/模型定義48
3.2.3　整體訓(xùn)練流程50
3.2.4　效果展示50
第4章　基于深度學(xué)習(xí)的簡單目標(biāo)識別51
4.1　基于VGG骨干網(wǎng)絡(luò)的目標(biāo)分類51
4.1.1　VGG介紹51
4.1.2　VGG16網(wǎng)絡(luò)實(shí)現(xiàn)52
4.1.3　基于VGG16進(jìn)行CIFAR數(shù)據(jù)集分類54
4.2　基于ResNet骨干網(wǎng)絡(luò)的目標(biāo)分類55
4.2.1　ResNet神經(jīng)網(wǎng)絡(luò)的設(shè)計原理55
4.2.2　ResNet-18神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)56
4.2.3　基于ResNet-18的目標(biāo)分類60
第5章　基于深度學(xué)習(xí)的人臉表情識別61
5.1　人臉表情數(shù)據(jù)準(zhǔn)備61
5.2　基于ResNet神經(jīng)網(wǎng)絡(luò)的人臉表情識別64
5.2.1　網(wǎng)絡(luò)定義64
5.2.2　整體訓(xùn)練流程65
第6章　孿生神經(jīng)網(wǎng)絡(luò)及人臉驗(yàn)證實(shí)戰(zhàn)66
6.1　孿生神經(jīng)網(wǎng)絡(luò)原理66
6.2　基于孿生神經(jīng)網(wǎng)絡(luò)的人臉驗(yàn)證實(shí)戰(zhàn)68
6.2.1　數(shù)據(jù)準(zhǔn)備68
6.2.2　孿生神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)70
6.2.3　損失函數(shù)實(shí)現(xiàn)72
6.2.4　整體訓(xùn)練流程72
6.2.5　效果展示74
第7章　CosFace損失函數(shù)原理及人臉識別實(shí)戰(zhàn)76
7.1　CosFace76
7.2　基于CosFace的人臉識別實(shí)戰(zhàn)78
7.2.1　數(shù)據(jù)準(zhǔn)備78
7.2.2　損失計算79
7.2.3　整體訓(xùn)練流程80
7.2.4　效果展示82
第8章　蒸餾學(xué)習(xí)原理及實(shí)戰(zhàn)84
8.1　知識蒸餾原理84
8.1.1　蒸餾網(wǎng)絡(luò)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)84
8.1.2　蒸餾學(xué)習(xí)過程85
8.2　知識蒸餾實(shí)戰(zhàn)86
8.2.1　訓(xùn)練學(xué)生模型86
8.2.2　訓(xùn)練教師模型89
8.2.3　蒸餾學(xué)習(xí)的損失函數(shù)89
8.2.4　蒸餾學(xué)習(xí)過程90
8.2.5　效果展示92
第9章　Faster R-CNN目標(biāo)檢測算法原理及實(shí)戰(zhàn)93
9.1　Faster R-CNN目標(biāo)檢測算法原理93
9.1.1　Faster R-CNN的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)93
9.1.2　Faster R-CNN的目標(biāo)矩陣構(gòu)造94
9.1.3　Faster R-CNN的損失函數(shù)設(shè)計95
9.1.4　Faster R-CNN的整體工作流程96
9.2　Faster R-CNN目標(biāo)檢測實(shí)戰(zhàn)97
9.2.1　數(shù)據(jù)準(zhǔn)備97
9.2.2　損失定義101
9.2.3　Faster R-CNN的神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)103
9.2.4　整體訓(xùn)練流程118
9.2.5　效果展示121
第10章　YOLO v3目標(biāo)檢測算法原理及實(shí)戰(zhàn)125
10.1　YOLO v3目標(biāo)檢測算法原理125
10.1.1　YOLO v3神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)125
10.1.2　YOLO v3目標(biāo)矩陣構(gòu)造方法126
10.1.3　YOLO v3損失函數(shù)設(shè)計128
10.2　YOLO v3目標(biāo)檢測實(shí)戰(zhàn)129
10.2.1　數(shù)據(jù)準(zhǔn)備130
10.2.2　YOLO v3神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)/模型定義134
10.2.3　損失定義138
10.2.4　整體訓(xùn)練流程145
10.2.5　效果展示148
第11章　FCN圖像分割算法原理及實(shí)戰(zhàn)156
11.1　FCN圖像分割算法原理156
11.2　FCN圖像分割實(shí)戰(zhàn)158
11.2.1　數(shù)據(jù)準(zhǔn)備158
11.2.2　FCN的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)/模型定義159
11.2.3　整體訓(xùn)練流程162
11.2.4　效果展示166
第12章　U-Net圖像分割算法原理及實(shí)戰(zhàn)168
12.1　U-Net圖像分割算法原理168
12.2　基于U-Net的圖像分割實(shí)戰(zhàn)170
12.2.1　U-Net的模型定義/神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)170
12.2.2　U-Net的損失函數(shù)/Dice損失173
12.2.3　整體訓(xùn)練流程174
12.2.4　效果展示179
第13章　DCGAN生成對抗網(wǎng)絡(luò)原理及其圖像生成實(shí)戰(zhàn)180
13.1　DCGAN生成對抗網(wǎng)絡(luò)原理180
13.1.1　DCGAN生成器模型180
13.1.2　DCGAN的判別器模型182
13.1.3　DCGAN的損失函數(shù)183
13.1.4　DCGAN的訓(xùn)練過程183
13.2　基于DCGAN的圖像生成技術(shù)實(shí)戰(zhàn)184
13.2.1　定義判別器185
13.2.2　定義生成器187
13.2.3　定義損失函數(shù)188
13.2.4　整體訓(xùn)練流程189
13.2.5　效果展示192
附錄194
附錄A　PyTorch開發(fā)環(huán)境配置194
附錄B　常用PyTorch函數(shù)速查手冊199