01 機器學習與sklearn

1.1 sklearn環境設定

1.2 資料集

1.3 分類

1.4 回歸

1.5 聚類

1.6 降維

1.7 模型驗證

1.8 模型持久化

1.9 小結

?

02 傳統影像處理方法

2.1 圖型分類

2.2 物件辨識

2.3 圖型分割

2.4 圖型搜尋

2.5 小結

?

03 深度學習與PyTorch

3.1 框架介紹

3.2 環境設定

3.3 運算基本單元

3.4 自動求導

3.5 資料載入

3.6 神經網路工具套件

3.7 模型最佳化器optim

3.8 參數初始化init

3.9 模型持久化

3.10 JIT編譯器

3.11 模型遷移ONNX

3.12 資料視覺化TensorBoard

3.13 機器視覺工具套件torchvision

3.14 小結

?

04 卷積神經網路中的分類與回歸

4.1 卷積神經網路中的分類問題

4.2 卷積神經網路中的回歸問題

4.3 小結

?

05 物件辨識

5.1 深度學習物件辨識演算法

5.2 資料集建構

5.3 資料載入

5.4 資料標記與損失函數建構

5.5 模型架設與訓練

5.6 模型預測

5.7 小結

?

06 圖型分割

6.1 資料載入

6.2 模型架設

6.3 模型訓練

6.4 模型展示

6.5 智慧彈幕

6.6 像素級回歸問題：超解析度重建

6.7 小結

?

07 圖型搜尋

7.1 分類網路的特徵

7.2 深度學習人臉辨識技術

7.3 資料處理

7.4 模型訓練

7.5 圖型搜尋

7.6 小結

?

08 圖型壓縮

8.1 AutoEncoder

8.2 GAN

8.3小結

?

09 不定長文字辨識

9.1 循環神經網路概述

9.2 時間序列預測

9.3 CRNN模型

9.4 小結

?

10 神經網路壓縮與部署

10.1 剪枝

10.2 量化

10.3 混合精度訓練

10.4 深度學習模型的服務端部署

10.5 小結

前言



　　【深度學習前景】



　　我們正處在一個「智慧」的年代，比如智慧型手機中的語音幫手、機器翻譯和人臉辨識；戰勝過日本將棋冠軍、西洋棋冠軍，2017年又打敗世界圍棋冠軍的棋類AI；以及即將實用化的無人駕駛智慧汽車。原來被認為不可能實現的事情，人工智慧正一步一步地幫助我們實現。在這個讓人驚喜的世界裡，深度學習技術發揮著非常重要的作用，在很多人沒有注意到的地方，深度學習正在潛移默化地改變著人們的工作和生活。目前，深度學習已經在電腦視覺、自然語言處理和語音辨識等領域得到廣泛的應用，同時正在向教育、醫療、金融及製造等領域滲透，各行各業也都在招攬掌握了深度學習技術的人才。



　　【心得體會】



　　筆者具有多年的電腦視覺研究經驗，在這個領域中，深度學習正在逐步取代「人工特徵+機器學習」的傳統視覺演算法。其中的原因主要有兩方面：一方面是深度學習在很多任務上實現了超出傳統演算法的精度，另一方面是傳統視覺演算法中的「人工特徵」需要大量的經驗以及對任務和資料的深刻了解，而深度學習能夠根據資料自行學習如何提取特徵，極大地降低了機器視覺任務的難度。深度學習技術正在快速發展，每年都會出現很多新的優秀演算法，但是這些演算法越來越複雜，對初學者來說，跟進最新的研究成果變得越來越難。我觀察到很多使用者非常關注深度學習，並且對PyTorch具有很大的興趣，可惜相關資料太過晦澀難懂，難以入門。為了讓讀者能夠更進一步地了解深度學習的思維，學會使用深度學習工具，我寫了這本書。



　　為了方便讀者的學習，本書中的程式有下面3種形式。

　　•小型實驗範例採用命令列形式撰寫，每行程式前都會有 ">>>" 標記。

　　•配圖較多的實例使用 Jupyter Notebook 撰寫，在每一段程式前都有"In"標記。

　　•實例專案採用專案檔案的形式撰寫，章節開頭會列出專案的目錄結構，章節內的程式以檔案為單位進行展示，程式的第一行標注所屬檔案的名稱。

?