新书速览|细说PyTorch深度学习：理论、算法、模型与编程实现

超详细的PyTorch深度学习入门书，100余个编程示例+6大热点案例，大咖带路，边学边实践。

本书特点：

1. 专家编撰：由资深专家精心编撰，通俗易懂，娓娓道来

2．范例丰富：100余个编程教学示例，帮你深入理解，边学习、边操练。

3. 实战应用：6大典型应用，原理与实操并重，快速掌握提升实战能力。

4  技术先进：视觉transformer模型详解，紧跟大模型核心技术。

5  易于上手：Pytorch详解并使用Python和NumPy+skLearn+Matplotlib

实现，人人都能快速上手。

6. 答疑解惑：提供配书资源文件和公众号“算法仿真在线”技术支持。

内容提要：

本书由业界专家编撰，采用理论描述加代码实践的思路，详细介绍PyTorch的理论知识及其在深度学习中的应用。全书分为两篇，第1篇为基础知识，主要介绍PyTorch的基本知识、构建开发环境、卷积网络、经典网络、模型保存和调用、网络可视化、数据加载和预处理、数据增强等内容；第2篇为高级应用，主要介绍数据分类、迁移学习、人脸检测和识别、生成对抗网络、目标检测、ViT等内容。

本书理论兼备实例，深入浅出，适合PyTorch初学者使用，也可以作为理工科院校本科生、研究生的教学用书，还可作为相关科研工程技术人员的参考书。

目录

第1篇 基础知识第1章 人工智能和PyTorch1.1 人工智能和深度学习1.1.1 人工智能1.1.2 深度学习1.2 深度学习框架1.3 PyTorch1.3.1 PyTorch简介1.3.2 PyTorch的应用领域1.3.3 PyTorch的应用前景1.4 小结第2章 开发环境2.1 PyTorch的安装2.2 NumPy2.2.1 NumPy的安装与查看2.2.2 NumPy对象2.2.3 数组2.2.4 数学计算2.3 Matplotlib2.3.1 Matplotlib的安装和简介2.3.2 Matplotlib Figure图形对象2.4 Scikit-Learn2.5 小结第3章 PyTorch入门3.1 PyTorch的模块3.1.1 主要模块3.1.2 辅助模块3.2 张量3.2.1 张量的数据类型3.2.2 创建张量3.2.3 张量存储3.2.4 维度操作3.2.5 索引和切片3.2.6 张量运算3.3 torch.nn模块3.3.1 卷积层3.3.2 池化层3.3.3 激活层3.3.4 全连接层3.4 自动求导3.5 小结第4章 卷积网络4.1 卷积网络的原理4.1.1 卷积运算4.1.2 卷积网络与深度学习4.2 NumPy建立神经网络4.3 PyTorch建立神经网络4.3.1 建立两层神经网络4.3.2 神经网络参数更新4.3.3 自定义PyTorch的nn模块4.3.4 权重共享4.4 全连接网络4.5 小结第5章 经典神经网络5.1 VGGNet5.1.1 VGGNet的结构5.1.2 实现过程5.1.3 VGGNet的特点5.1.4 查看PyTorch网络结构5.2 ResNet5.2.1 ResNet的结构5.2.2 残差模块的实现5.2.3 ResNet的实现5.2.4 ResNet要解决的问题5.3 XceptionNet5.3.1 XceptionNet的结构5.3.2 XceptionNet的实现5.4 小结第6章 模型的保存和调用6.1 字典状态（state_dict）6.2 保存和加载模型6.2.1 使用ate_dict加载模型6.2.2 保存和加载完整模型6.2.3 保存和加载Checkpoint用于推理、继续训练6.3 一个文件保存多个模型6.4 通过设备保存和加载模型6.5 小结第7章 网络可视化7.1 HiddenLayer可视化7.2 PyTorchViz可视化7.3 TensorboardX可视化7.3.1 简介和安装7.3.2 使用TensorboardX7.3.3 添加数字7.3.4 添加图片7.3.5 添加直方图7.3.6 添加嵌入向量7.4 小结第8章 数据加载和预处理8.1 加载PyTorch库数据集8.2 加载自定义数据集8.2.1 下载并查看数据集8.2.2 定义数据集类8.3 预处理8.4 小结第9章 数据增强9.1 数据增强的概念9.1.1 常见的数据增强方法9.1.2 常用的数据增强库9.2 数据增强的实现9.2.1 中心裁剪9.2.2 随机裁剪9.2.3 缩放9.2.4 水平翻转9.2.5 垂直翻转9.2.6 随机角度旋转9.2.7 色度、亮度、饱和度、对比度的变化9.2.8 随机灰度化9.2.9 将图形加上padding9.2.10 指定区域擦除9.2.11 伽马变换9.3 小结第2篇 高级应用第10章 图像分类10.1 CIFAR10数据分类10.1.1 定义网络训练数据10.1.2 验证训练结果10.2 数据集划分10.3 猫狗分类实战10.3.1 猫狗数据预处理10.3.2 建立网络猫狗分类10.4 小结第11章 迁移学习11.1 定义和方法11.2 蚂蚁和蜜蜂分类实战11.2.1 加载数据11.2.2 定义训练方法11.2.3 可视化预测结果11.2.4 迁移学习方法一：微调网络11.2.5 迁移学习方法二：特征提取器11.3 小结第12章 人脸检测和识别12.1 人脸检测12.1.1 定义和研究现状12.1.2 经典算法12.1.3 应用领域12.2 人脸识别12.2.1 定义和研究现状12.2.2 经典算法12.2.3 应用领域12.3 人脸检测与识别实战12.3.1 Dlib人脸检测12.3.2 基于MTCNN的人脸识别12.4 小结第13章 生成对抗网络13.1 生成对抗网络简介13.2 数学模型13.3 生成手写体数字图片实战13.3.1 基本网络结构13.3.2 准备数据13.3.3 定义网络和训练13.3.4 生成结果分析13.4 生成人像图片实战13.4.1 DCGAN简介13.4.2 数据准备13.4.3 生成对抗网络的实现13.5 小结第14章 目标检测14.1 目标检测概述14.1.1 传统目标检测算法的研究现状14.1.2 深度学习目标检测算法的研究现状14.1.3 应用领域14.2 检测算法模型14.2.1 传统的目标检测模型14.2.2 基于深度学习的目标检测模型14.3 目标检测的基本概念14.3.1 IoU14.3.2 NMS14.4 Faster R-CNN目标检测14.4.1 网络原理14.4.2 实战14.5 小结第15章 图像风格迁移15.1 风格迁移概述15.2 固定风格固定内容的迁移15.2.1 固定风格固定内容迁移的原理15.2.2 PyTorch实现固定风格迁移15.3 快速风格迁移15.3.1 快速迁移模型的原理15.3.2 PyTorch实现快速风格迁移15.4 小结第16章 ViT16.1 ViT详解16.1.1 Transformer模型中的Attention注意力机制16.1.2 视觉Transformer模型详解16.2 ViT图像分类实战16.2.1 数据准备16.2.2 定义ViT模型16.2.3 定义工具函数16.2.4 定义训练过程16.2.5 运行结果16.3 小结参考文献

作者简介

凌峰，毕业于中国科学院大学，博士，从事机器学习、人工智能、图像处理和计算视觉的研究 与开发工作多年，发表多篇论文，拥有丰富的机器学习算法实现经验。

丁麒文，研究生毕业，主要从事图像处理、机器学习、人工智能和机器视觉领域的研究工作， 熟练运用基于Pytorch、TensorFlow等深度学习框架实现相关图像处理算法，并发表了多篇论文 。

推荐阅读：

本文摘自《细说PyTorch深度学习：理论、算法、模型与编程实现》，获出版社和作者授权发布。

细说PyTorch深度学习：理论、算法、模型与编程实现——京东