- 机械工业出版社
- 9787893866272
- 1-1
- 546118
- 2025-03
- 计算机类
- 高职
内容简介
本书根据初学者的学习曲线和职业生涯成长规律，由浅入深设计了5个基础项目和3个综合项目。基础项目包括手写数字识别、二维曲线拟合、猫狗图像分类、提升猫狗图像分类的准确率和文本翻译，引导读者使用PyTorch构建神经网络算法框架，深入探讨了深度学习数据集构建、神经网络模型原理及实现、算法训练与评价等内容；综合项目包括食品人员加工异常行为检测、工业检测图像分割和深度学习内容智能生成，介绍了深度学习的新技术，实现了目标检测、图像分割、超分辨率重建、智能问答、文生图、图生图等应用。
目录
前言
项目1手写数字识别
项目背景：初识深度学习
任务1.1配置PyTorch开发环境
1.1.1PyTorch概述及硬件要求
1.1.2Anaconda的下载及安装
1.1.3PyCharm的下载及安装
1.1.4CUDA的下载及安装
1.1.5PyTorch的安装及配置
任务1.2快速完成手写数字识别功能
1.2.1MNIST手写数字识别数据库概述
1.2.2手写数字识别实现
1.2.3手写数字识别测试
习题
项目2二维曲线拟合
项目背景：曲面、曲线拟合在工业场景中的应用
任务2.1掌握PyTorch基本语法
2.1.1Tensor的创建
2.1.2Tensor索引操作
2.1.3Tensor形状变换
2.1.4PyTorch算术运算
2.1.5PyTorch与线性代数
2.1.6广播机制
2.1.7Tensor和Numpy的转换
2.1.8在GPU上操作
任务2.2二维曲线数据集搭建
2.2.1PyTorch随机函数
2.2.2数据集生成
2.2.3数据集的可视化
任务2.3网络结构设计
2.3.1神经网络介绍
2.3.2线性操作
2.3.3非线性操作
2.3.4多层感知机
任务2.4网络训练
2.4.1MSE损失函数
2.4.2SGD梯度计算方法
2.4.3训练迭代
2.4.4PyTorch模型保存
任务2.5网络推理
2.5.1模型读取
2.5.2模型结构分析
2.5.3网络推理应用
习题
项目3MLP图像分类
项目背景：经典的猫狗大战
任务3.1数据集准备
3.1.1公开数据集介绍
3.1.2创建猫狗分类数据集
3.1.3PyTorch数据集读取与预处理
任务3.2图像分类神经网络结构设计
3.2.1对比曲线拟合网络修改
3.2.2LeNet网络应用
3.2.3Relu激活函数
任务3.3训练图像分类网络
3.3.1CrossEntroy损失函数
3.3.2准确率与召回率评价
3.3.3训练迭代条件判断
任务3.4应用分类网络推理更多图片
3.4.1模型读取及性能分析
3.4.2模型结构可视化
3.4.3推理更多未知图片
任务3.5认识深度学习的主要
任务
3.5.1预测与回归
3.5.2分类与识别
3.5.3深度学习业务领域
习题
项目4CNN图像分类
项目背景：卷积神经网络CNN原理及作用
任务4.1卷积网络结构设计
4.1.1卷积层
4.1.2池化层
4.1.3DropOut机制
4.1.4批量样本归一化BN
任务4.2CNN训练与性能评价
4.2.1自适应学习率
4.2.2Adam优化器
4.2.3TensorBoard训练可视化看板
任务4.3利用经典CNN网络模型提高准确率
4.3.1AlexNet网络模型
4.4.2VGG网络模型
4.3.3ResNet网络模型
任务4.4迁移学习
4.4.1迁移学习的作用
4.4.2加载ResNet预训练模型
4.4.3BackBone与Head
4.4.4完成图像分类
习题
项目5Transformer文本翻译
项目背景：自然语言处理及深度学习的发展史
任务5.1Transformer网络结构设计
5.1.1位置编码
5.1.2自注意力机制
5.1.3残差连接和LayerNormalization
5.1.4TransformerEncoder结构实现
5.1.5TransformerDecoder结构实现
任务5.2训练与性能评价
5.2.1L1Loss损失函数
5.2.2训练模型的配置Config
5.2.3实现训练过程
任务5.3理解深度学习的背后原理
5.3.1标量、矢量、矩阵及张量
5.3.2矩阵运算与Transformer的QKV
5.3.3导数及梯度
5.3.4概率分布模型
5.3.5信息熵
5.3.6最优化估计算法
习题
项目6生产车间异常行为分析
项目背景：目标检测概述
任务6.1监控数据采集
6.1.1深度学习与其他系统的交互
6.1.2视频数据的采集
6.1.3数据分类标注与数据集构建
任务6.2目标检测Yolo网络模型训练
6.2.1目标检测的概念
6.2.2Yolo模型下载及安装
6.2.3Yolo网络结构分析
6.2.4Yolo网络模型训练
任务6.3异常行为分析实现
6.3.1背景差分法
6.3.2Yolo推理
6.3.3推理结果置信度评价
6.3.4目标检测可视化输出
习题
项目7图像实例分割
项目背景：图像分割概述
任务7.1COCO数据集获取
7.1.1微软COCO数据集介绍
7.1.2COCO数据集的下载
7.1.3COCO数据集格式详解
7.1.4自定义数据集
任务7.2认识UNet网络模型
7.2.1UNet开源代码下载
7.2.2UNet网络结构
7.2.3UNet输入输出
任务7.3UNet训练与推理
7.3.1网络训练
7.3.2IOU:图像分割评价指标
7.3.3推理与问题分析
7.3.4UNet网络结构的改进方向
习题
项目8深度学习内容智能生成
项目背景：人工智能内容生成AIGC
任务8.1实现图像超分辨率重建
8.1.1超分辨率重建概述
8.1.2生成对抗网络技术
8.1.3ESRGAN网络及训练方法
8.1.4ESRGAN超分应用
8.1.5性能评价与提升：Real-ESRGN应用
任务8.2实现自动问答
8.2.1ChatGPT技术概述
8.2.2类ChatGPT开源程序下载及使用
8.2.3问答提词器的设计
任务8.3实现AI绘画
8.3.1扩散模型技术
8.3.2StableDiffusionUI安装
8.3.3HuggingFace模型网站
8.3.4Prompt提词器设计
8.3.5模型训练
8.3.6扩散模型
习题
项目1手写数字识别
项目背景：初识深度学习
任务1.1配置PyTorch开发环境
1.1.1PyTorch概述及硬件要求
1.1.2Anaconda的下载及安装
1.1.3PyCharm的下载及安装
1.1.4CUDA的下载及安装
1.1.5PyTorch的安装及配置
任务1.2快速完成手写数字识别功能
1.2.1MNIST手写数字识别数据库概述
1.2.2手写数字识别实现
1.2.3手写数字识别测试
习题
项目2二维曲线拟合
项目背景：曲面、曲线拟合在工业场景中的应用
任务2.1掌握PyTorch基本语法
2.1.1Tensor的创建
2.1.2Tensor索引操作
2.1.3Tensor形状变换
2.1.4PyTorch算术运算
2.1.5PyTorch与线性代数
2.1.6广播机制
2.1.7Tensor和Numpy的转换
2.1.8在GPU上操作
任务2.2二维曲线数据集搭建
2.2.1PyTorch随机函数
2.2.2数据集生成
2.2.3数据集的可视化
任务2.3网络结构设计
2.3.1神经网络介绍
2.3.2线性操作
2.3.3非线性操作
2.3.4多层感知机
任务2.4网络训练
2.4.1MSE损失函数
2.4.2SGD梯度计算方法
2.4.3训练迭代
2.4.4PyTorch模型保存
任务2.5网络推理
2.5.1模型读取
2.5.2模型结构分析
2.5.3网络推理应用
习题
项目3MLP图像分类
项目背景：经典的猫狗大战
任务3.1数据集准备
3.1.1公开数据集介绍
3.1.2创建猫狗分类数据集
3.1.3PyTorch数据集读取与预处理
任务3.2图像分类神经网络结构设计
3.2.1对比曲线拟合网络修改
3.2.2LeNet网络应用
3.2.3Relu激活函数
任务3.3训练图像分类网络
3.3.1CrossEntroy损失函数
3.3.2准确率与召回率评价
3.3.3训练迭代条件判断
任务3.4应用分类网络推理更多图片
3.4.1模型读取及性能分析
3.4.2模型结构可视化
3.4.3推理更多未知图片
任务3.5认识深度学习的主要
任务
3.5.1预测与回归
3.5.2分类与识别
3.5.3深度学习业务领域
习题
项目4CNN图像分类
项目背景：卷积神经网络CNN原理及作用
任务4.1卷积网络结构设计
4.1.1卷积层
4.1.2池化层
4.1.3DropOut机制
4.1.4批量样本归一化BN
任务4.2CNN训练与性能评价
4.2.1自适应学习率
4.2.2Adam优化器
4.2.3TensorBoard训练可视化看板
任务4.3利用经典CNN网络模型提高准确率
4.3.1AlexNet网络模型
4.4.2VGG网络模型
4.3.3ResNet网络模型
任务4.4迁移学习
4.4.1迁移学习的作用
4.4.2加载ResNet预训练模型
4.4.3BackBone与Head
4.4.4完成图像分类
习题
项目5Transformer文本翻译
项目背景：自然语言处理及深度学习的发展史
任务5.1Transformer网络结构设计
5.1.1位置编码
5.1.2自注意力机制
5.1.3残差连接和LayerNormalization
5.1.4TransformerEncoder结构实现
5.1.5TransformerDecoder结构实现
任务5.2训练与性能评价
5.2.1L1Loss损失函数
5.2.2训练模型的配置Config
5.2.3实现训练过程
任务5.3理解深度学习的背后原理
5.3.1标量、矢量、矩阵及张量
5.3.2矩阵运算与Transformer的QKV
5.3.3导数及梯度
5.3.4概率分布模型
5.3.5信息熵
5.3.6最优化估计算法
习题
项目6生产车间异常行为分析
项目背景：目标检测概述
任务6.1监控数据采集
6.1.1深度学习与其他系统的交互
6.1.2视频数据的采集
6.1.3数据分类标注与数据集构建
任务6.2目标检测Yolo网络模型训练
6.2.1目标检测的概念
6.2.2Yolo模型下载及安装
6.2.3Yolo网络结构分析
6.2.4Yolo网络模型训练
任务6.3异常行为分析实现
6.3.1背景差分法
6.3.2Yolo推理
6.3.3推理结果置信度评价
6.3.4目标检测可视化输出
习题
项目7图像实例分割
项目背景：图像分割概述
任务7.1COCO数据集获取
7.1.1微软COCO数据集介绍
7.1.2COCO数据集的下载
7.1.3COCO数据集格式详解
7.1.4自定义数据集
任务7.2认识UNet网络模型
7.2.1UNet开源代码下载
7.2.2UNet网络结构
7.2.3UNet输入输出
任务7.3UNet训练与推理
7.3.1网络训练
7.3.2IOU:图像分割评价指标
7.3.3推理与问题分析
7.3.4UNet网络结构的改进方向
习题
项目8深度学习内容智能生成
项目背景：人工智能内容生成AIGC
任务8.1实现图像超分辨率重建
8.1.1超分辨率重建概述
8.1.2生成对抗网络技术
8.1.3ESRGAN网络及训练方法
8.1.4ESRGAN超分应用
8.1.5性能评价与提升：Real-ESRGN应用
任务8.2实现自动问答
8.2.1ChatGPT技术概述
8.2.2类ChatGPT开源程序下载及使用
8.2.3问答提词器的设计
任务8.3实现AI绘画
8.3.1扩散模型技术
8.3.2StableDiffusionUI安装
8.3.3HuggingFace模型网站
8.3.4Prompt提词器设计
8.3.5模型训练
8.3.6扩散模型
习题
