新書推薦：
《
战后日本对外文化战略研究（1945—1972）
》
售價：NT$
500
《
斯坦福十条：AI时代，顶尖大学要这样的人
》
售價：NT$
356
《
跃入夏天2：青春校园治愈成长小说 沉默寡言排球手x暴躁可爱小不点
》
售價：NT$
218
《
百妖谱3：裟椤双树代表作 奇幻百妖谱动漫原著系列小说 古风青春文学玄幻巨作
》
售價：NT$
230
《
西方哲学史：从前苏格拉底到后现代主义
》
售價：NT$
713
《
读者考试精选+青年文摘考试精选+登天的感觉：我让考生超常发挥 岳晓东著 如何让考生超常发挥高度自信青
》
售價：NT$
449
《
索恩丛书·伊凡雷帝：俄国的第一位沙皇
》
售價：NT$
658
![[共2册]利他性销售+利他式表达全2册正版书籍破解销售密码实现业绩狂飙洞察客户未言明核心需求痛点成交](//img.megbook.hk/upload/mall/productImages/26/10/9787547753248.jpg)
《
[共2册]利他性销售+利他式表达全2册正版书籍破解销售密码实现业绩狂飙洞察客户未言明核心需求痛点成交
》
售價：NT$
704
|
| 編輯推薦： |
《PyTorch深度学习与计算机视觉实践》详解深度学习与计算机视觉基础、PyTorch 框架开发知识，以及图像分类、目标检测、图像分割、图像生成等一系列计算机视觉领域核心问题的实战应用。
案例包括人脸识别、图像识别、图像生成、目标检测、图像分割、图像迁移等。
配套PPT课件与示例源码，可用于深度学习与计算机视觉入门，也可作为高校深度学习与计算机视觉课程的教材。
|
| 內容簡介： |
在人工智能的浩瀚星空中，深度学习犹如一颗耀眼的明星，引领着计算机视觉技术的发展。本书带领读者
领略深度学习在计算视觉领域的魅力，详解使用PyTorch2.0进行计算机视觉应用实战的技巧。本书配套示例
源码、PPT课件。
本书共分15章，内容包括深度学习与计算机视觉、PyTorch2.0深度学习环境搭建、从0开始PyTorch2.0、
一学就会的深度学习基础算法、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型可视化、残
差神经网络实战、基于OpenCV与PyTorch的人脸识别实战、词映射与循环神经网络、注意力机制与注意力模
型详解、基于注意力机制的图像识别实战、基于Diffusion Model的从随机到可控的图像生成实战、基于注意力
的单目摄像头目标检测实战、基于注意力与Unct的全画幅适配图像全景分割实战、基于预训练模型的可控零
样本图像迁移合成实战。
本书既适合深度学习初学者、PyTorch初学者、PyTorch深度学习计算机视觉应用开发人员阅读，也可作
为高等院校或高职高专计算机技术、人工智能、智能科学与技术、数据科学与大数据技术等相关专业的教材。
本书封面贴有清华大学出版社防伪标签，无标签者不得销售。
版权所有，侵权必究。举报：010-62782989，beiqinquan@tup.tsinghua.edu.cn。
|
| 關於作者： |
王晓华，高校计算机专业讲师，研究方向为云计算、大数据与人工智能。著有图书部分包括：
《ChatGLM3大模型本地化部署、应用开发与微调》《PyTorch语音识别实战》《从零开始大模型开发与微调：基于PyTorch与ChatGLM》《PyTorch 2.0深度学习从零开始学》《Spark 3.0大数据分析与挖掘：基于机器学习》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow语音识别实战》《TensorFlow 2.0卷积神经网络实战》《深度学习的数学原理与实现》。
|
| 目錄：
|
目 录
第1章 深度学习与计算机视觉1
1.1 深度学习的历史与发展1
1.1.1 深度学习的起源2
1.1.2 深度学习的发展脉络3
1.1.3 为什么是PyTorch 2.03
1.2 计算机视觉之路4
1.2.1 计算机视觉的基本概念4
1.2.2 计算机视觉深度学习的主要任务5
1.2.3 计算机视觉中的深度学习方法6
1.2.4 深度学习在计算机视觉中的应用7
1.3 本章小结8
第2章 PyTorch 2.0深度学习环境搭建9
2.1 环境搭建1：安装Python9
2.1.1 Miniconda的下载与安装9
2.1.2 PyCharm的下载与安装12
2.1.3 Python代码小练习：计算softmax函数16
2.2 环境搭建2：安装PyTorch 2.017
2.2.1 NVIDIA 10/20/30/40系列显卡选择的GPU版本17
2.2.2 PyTorch 2.0 GPU NVIDIA运行库的安装17
2.2.3 Hello PyTorch19
2.3 Unet图像降噪—第一个深度学习项目实战20
2.3.1 MNIST数据集的准备20
2.3.2 MNIST数据集特征介绍22
2.3.3 Hello PyTorch 2.0—模型的准备和介绍23
2.3.4 对目标的逼近—模型的损失函数与优化函数25
2.3.5 Let’s do it！—基于深度学习的模型训练26
2.4 本章小结28
第3章 从0开始PyTorch 2.030
3.1 实战MNIST手写体识别30
3.1.1 数据图像的获取与标签的说明30
3.1.2 实战基于PyTorch 2.0的手写体识别模型32
3.2 PyTorch 2.0常用函数解析与使用指南36
3.2.1 数据加载和预处理36
3.2.2 张量的处理37
3.2.3 模型的参数与初始化操作40
3.3 本章小结42
第4章 一学就会的深度学习基础算法43
4.1 反向传播神经网络的发展历程43
4.2 反向传播神经网络的两个基础算法详解46
4.2.1 最小二乘法46
4.2.2 随机梯度下降算法49
4.2.3 最小二乘法的梯度下降算法及其Python实现52
4.3 反馈神经网络反向传播算法介绍58
4.3.1 深度学习基础58
4.3.2 链式求导法则59
4.3.3 反馈神经网络原理与公式推导60
4.3.4 反馈神经网络原理的激活函数65
4.3.5 反馈神经网络原理的Python实现66
4.4 本章小结70
第5章 基于PyTorch卷积层的MNIST分类实战71
5.1 卷积运算的基本概念71
5.1.1 基本卷积运算示例72
5.1.2 PyTorch中卷积函数实现详解73
5.1.3 池化运算76
5.1.4 softmax激活函数77
5.1.5 卷积神经网络原理78
5.2 基于卷积的MNIST手写体分类80
5.2.1 数据的准备81
5.2.2 模型的设计81
5.2.3 基于卷积的MNIST分类模型82
5.3 PyTorch的深度可分离膨胀卷积详解83
5.3.1 深度可分离卷积的定义84
5.3.2 深度的定义以及不同计算层待训练参数的比较86
5.3.3 膨胀卷积详解86
5.3.4 PyTorch中基于深度可分离膨胀卷积的MNIST手写体识别87
5.4 本章小结89
第6章 PyTorch数据处理与模型可视化90
6.1 用于自定义数据集的torch.utils.data工具箱的用法91
6.1.1 使用torch.utils.data. Dataset封装自定义数据集91
6.1.2 改变数据类型的Dataset类中的transform详解93
6.1.3 批量输出数据的DataLoader类详解97
6.2 基于tensorboardX的训练可视化展示99
6.2.1 PyTorch 2.0模型可视化组件tensorboardX的安装99
6.2.2 tensorboardX可视化组件的使用100
6.2.3 tensorboardX对模型训练过程的展示102
6.3 本章小结105
第7章 残差神经网络实战106
7.1 ResNet的原理与程序设计基础107
7.1.1 ResNet诞生的背景107
7.1.2 不要重复造轮子—PyTorch 2.0中的模块110
7.1.3 ResNet残差模块的实现111
7.1.4 ResNet的实现113
7.2 ResNet实战：CIFAR-10数据集分类116
7.2.1 CIFAR-10数据集简介116
7.2.2 基于ResNet的CIFAR-10数据集分类119
7.3 本章小结121
第8章 基于OpenCV与PyTorch的人脸识别实战122
8.1 找到人脸—人脸识别数据集的建立123
8.1.1 LFW数据集简介123
8.1.2 Dlib库简介124
8.1.3 OpenCV简介125
8.1.4 使用Dlib检测人脸位置125
8.1.5 使用Dlib和OpenCV制作人脸检测数据集129
8.1.6 基于人脸定位制作适配深度学习的人脸识别数据集地址路径131
8.2 人脸是谁—基于深度学习的人脸识别模型基本架构135
8.2.1 人脸识别的基本模型SiameseModel135
8.2.2 基于PyTorch 2.0的SiameseModel的实现136
8.2.3 人脸识别的Contrastive Loss详解与实现137
8.2.4 基于PyTorch 2.0的人脸识别模型138
8.3 本章小结141
第9章 词映射与循环神经网络142
9.1 樱桃－红色+紫色=？—有趣的词映射142
9.1.1 什么是词映射143
9.1.2 PyTorch中embedding的处理函数详解144
9.2 循环神经网络与情感分类实战145
9.2.1 基于循环神经网络的中文情感分类实战的准备工作145
9.2.2 基于循环神经网络的中文情感分类实战147
9.3 循环神经网络理论讲解150
9.3.1 什么是GRU150
9.3.2 单向不行，那就双向152
9.4 本章小结153
第10章 注意力机制与注意力模型详解154
10.1 注意力机制与模型详解154
10.1.1 注意力机制详解155
10.1.2 自注意力机制156
10.1.3 ticks和LayerNormalization162
10.1.4 多头注意力163
10.2 注意力机制的应用实践—编码器166
10.2.1 编码器总体架构166
10.2.2 回到输入层—初始词向量层和位置编码器层167
10.2.3 前馈层的实现170
10.2.4 编码器的实现171
10.3 实战编码器—自然语言转换模型174
10.3.1 汉字拼音数据集处理174
10.3.2 汉字拼音转换模型的确定176
10.3.3 模型训练部分的编写179
10.3.4 补充说明181
10.4 本章小结182
第11章 开局一幅图—基于注意力机制的图像识别实战183
11.1 基于注意力的图像识别模型Vision Transformer183
11.1.1 Vision Transformer 整体结构183
11.1.2 Patch Embedding185
11.1.3 Transformer Encoder层187
11.1.4 完整的Vision Transformer架构设计190
11.2 基于Vision Transformer的mini_ImageNet实战191
11.2.1 mini_ImageNet数据集的简介与下载191
11.2.2 mini_ImageNet数据集的处理—基于PyTorch 2.0专用数据处理类193
11.2.3 Vision Transformer模型设计195
11.2.4 Vision Transformer模型的训练196
11.2.5 基于现有Vision Transformer包的模型初始化198
11.3 提升Vision Transformer模型准确率的一些技巧198
11.3.1 模型的可解释性—注意力热图的可视化实现198
11.3.2 PyTorch 2.0中图像增强方法详解201
11.4 本章小结206
第12章 内容全靠编—基于Diffusion Model的从随机到可控的图像生成实战207
12.1 Diffusion Model实战MNIST手写体生成207
12.1.1 Diffusion Model的传播流程208
12.1.2 直接运行的DDPM的模型训练实战209
12.1.3 DDPM的基本模块说明212
12.1.4 DDPM加噪与去噪详解215
12.1.5 DDPM的损失函数220
12.2 可控的Diffusion Model生成实战—指定数字生成MNIST手写体221
12.2.1 Diffusion Model可控生成的基础—特征融合221
12.2.2 Diffusion Model可控生成的代码实战221
12.3 加速的Diffusion Model生成实战—DDIM223
12.3.1 直接运行的少步骤的DDIM手写体生成实战224
12.3.2 DDIM的预测传播流程226
12.4 本章小结228
第13章 认清物与位—基于注意力的单目摄像头目标检测实战230
13.1 目标检测基本概念详解231
13.1.1 基于注意力机制的目标检测模型DETR231
13.1.2 目标检测基本概念（注意力机制出现之前）232
13.1.3 目标检测基本概念（注意力机制出现之后）233
13.2 基于注意力机制的目标检测模型DETR详解237
13.2.1 基于预训练DETR模型实现的实用化目标检测网页237
13.2.2 基于注意力的目标检测模型DETR239
13.3 DETR模型的损失函数243
13.3.1 一看就会的二分图匹配算法243
13.3.2 基于二分图匹配算法的目标检测的最佳组合245
13.3.3 DETR中的损失函数250
13.3.4 解决batch中tensor维度不一致的打包问题253
13.4 基于DETR的目标检测自定义数据集实战254
13.4.1 VOC数据集简介与数据读取254
13.4.2 基于PyTorch中的Dataset的数据输入类257
13.4.3 基于DETR的自定义目标检测实战259
13.5 本章小结261
第14章 凝思辨真颜—基于注意力与Unet的全画幅适配图像全景分割实战262
14.1 图像分割的基本形式与数据集处理262
14.1.1 图像分割的应用263
14.1.2 基于预训练模型的图像分割预测示例264
14.2 基于注意力与Unet的图像分割模型SwinUnet267
14.2.1 基于全画幅注意力的 Swin Transformer详解268
14.2.2 经典图像分割模型Unet详解270
14.3 基于SwinUnet的图像分割实战271
14.3.1 图像分割的label图像处理271
14.3.2 图像分割的VOC数据集处理274
14.3.3 图像分割损失函数DiceLoss详解276
14.3.4 基于SwinUnet的图像分割实战278
14.4 本章小结279
第15章 谁还用GAN—基于预训练模型的可控零样本图像迁移合成实战281
15.1 基于预训练模型的可控零样本图像风格迁移实战281
15.1.1 实战基于预训练模型的可控零样本图像风格迁移282
15.1.2 详解可控零样本图像风格迁移模型283
15.2 基于预训练模型的零样本图像风格迁移实战284
15.2.1 Vision Transformer架构的DINO模型285
15.2.2 风格迁移模型Splicing详解287
15.2.3 逐行讲解风格迁移模型Splicing的损失函数291
15.3 本章小结296
|
| 內容試閱：
|
前 言
在人工智能的浩瀚星空中，深度学习犹如一颗耀眼的明星，引领着计算机视觉技术的发展。在这个充满变革与机遇的时代，希望本书能够带领读者领略深度学习应用于计算视觉领域的魅力，并掌握使用PyTorch进行计算视觉应用实战的技巧。
本书关注的是计算机视觉领域的重要分支—计算视觉，它涉及图像分类、目标检测、图像分割、图像生成等一系列核心问题。通过本书的学习，读者将了解深度学习和计算视觉的基本概念，掌握使用PyTorch进行图像处理、特征提取、模型训练和推理实践的技能。同时，本书还将通过完整的项目实战，让读者将所学知识应用到实际场景中，培养解决实际问题的能力。
本书构思
本书以实战为核心，以实际项目为导向。在阐述理论的基础上，带领读者踏上深度学习与计算机图像处理的探索之旅。本书不仅涵盖了基础知识，更有最新的研究成果和模型架构。通过阅读本书，读者将紧跟学术前沿，提升自身水平。
相比其他同类书籍，本书更强调理论的融会贯通。书中的所有知识点都不是孤立的，而是相互关联，构建成一个完整的知识体系。读者可根据章节顺序，由浅入深地逐步掌握各个知识点，最终形成自己的深度学习框架。
本书以解决图像处理实战项目为出发点，结合PyTorch 2.0深度学习框架进行深入浅出的讲解和演示。以多角度、多方面的方式手把手地教会读者编写代码，同时结合实际案例深入剖析其中的设计模式和模型架构。
本书特点
本书致力于引领读者掌握深度学习与PyTorch框架在计算机视觉处理领域的应用，不仅关注理论，更注重实践，提供一站式的实战指南。本书的突出优势体现在以下几个方面：
?系统性与实践性：本书从基础知识开始，逐步引导读者深入到实际项目中，对于可能遇到的问题，给出相应的解决方案。每个章节都以实际案例为依托，详细阐述相关知识点，让读者在实践中掌握深度学习和图像处理的核心技能。
?PyTorch与图像处理的完美结合：本书不仅介绍了PyTorch框架的基础知识和使用方法，还结合图像处理的实际应用进行深入探讨，以便读者更好地理解深度学习在计算机视觉领域的应用，并能够迅速将所学知识应用于实际项目中。
?多领域应用案例：本书通过多种领域的案例，展示深度学习在图像处理方面的广泛应用。这些案例涵盖图像识别、场景分割、图像生成以及目标检测等多个领域，使读者可以更好地了解深度学习在图像处理领域的应用前景。
?作者实战经验丰富：本书作者是深度学习领域的专家，具有深厚的学术背景和丰富的实践经验。作者在撰写本书的过程中以实际项目中遇到的问题为导向，注重知识体系的完整性和实用性，使本书更具参考价值。
资源下载
本书配套示例源代码、PPT课件，需要用微信扫描下面的二维码获取。如果阅读中发现问题或疑问，请发送邮件至booksaga@163.com，邮件主题写“PyTorch深度学习与计算机视觉实践”。
适合的读者
本书既适合深度学习初学者、PyTorch初学者、PyTorch计算机视觉应用开发人员阅读，也可作为高等院校或高职高专计算机技术、人工智能、智能科学与技术、数据科学与大数据技术等相关专业的教材。
致 谢
笔者在写作本书的过程中得到了家人和朋友的大力支持，在此表示感谢。本书的顺利出版，离不开清华大学出版社的编辑们的辛勤工作，在此表示感谢。
笔 者
2024年5月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
![[共2册]利他性销售+利他式表达全2册正版书籍破解销售密码实现业绩狂飙洞察客户未言明核心需求痛点成交](http://img.megbook.hk/upload/mall/productImages/26/10/9787547753248.jpg)
