PyTorch神經網絡實戰：移動端圖像處理

前言
 
第1章 人工智慧與深度學習/
1.1人工智慧簡介/
1.1.1人工智慧的概念/
1.1.2人工智慧的歷史/
1.1.3人工智慧與深度學習的關係/
1.1.4深度學習的應用/
1.2深度學習理論基礎/
1.2.1全連接層/
1.2.2卷積層/
1.2.3池化層/
1.2.4啟動層/
1.2.5批歸一化層/
1.2.6隨機失活/
1.2.7損失函數/
1.2.8反向傳播/
1.3深度學習實踐細節/
1.3.1硬體選擇/
1.3.2超參數設定/
1.3.3網路參數初始化/
1.4本章小結/
 
第2章 PyTorch指南/
2.1安裝與測試/
2.1.1安裝PyTorch和torchvision/
2.1.2顯卡測試/
2.1.3CPU和GPU切換/
2.2核心模組/
2.3模型構建流程圖/
2.4張量Tensor/
2.4.1數數值型別/
2.4.2創建方法/
2.4.3類型轉換/
2.4.4維度分析/
2.4.5常用操作/
2.5數據讀取與預處理/
2.5.1圖像讀取與存儲/
2.5.2調用PyTorch官方資料集/
2.5.3ImageFolder/
2.5.4影像處理torchvision.transforms/
2.5.5數據讀取類Dataset/
2.5.6DataLoader的創建和遍歷/
2.5.7資料增強/
2.6nn模組與網路構建/
2.6.1卷積模組的使用/
2.6.2批歸一化層/
2.6.3池化層/
2.6.4全連接層/
2.6.5常用啟動函數/
2.6.6邊緣填充/
2.6.7Dropout層/
2.6.8損失函數層/
2.6.9模組組合Sequential/
2.6.10網路構建實例/
2.7train與eval模式/
2.8優化器選擇與綁定/
2.9自動求導機制與計算圖/
2.9.1requires_grad/
2.9.2自動求導backward/
2.9.3葉子節點is_leaf/
2.9.4梯度函數grad_fn/
2.9.5計算圖分離detach/
2.9.6圖保持retain_graph/
2.9.7關閉梯度計算no_grad/
2.10模型保存與載入/
2.10.1模型檔的保存/
2.10.2模型檔的載入/
2.10.3聯合保存與載入/
2.10.4保存與載入多個網路模型/
2.11模型設計和實現的完整流程/
2.11.1參數定義/
2.11.2準備資料、定義存儲結果的容器/
2.11.3定義自編碼網路/
2.11.4定義優化器與損失函數/
2.11.5訓練模型/
2.11.6效果分析/
2.12網路結構視覺化/
2.13拓展閱讀/
2.13.1學習率調整策略/
2.13.2獲取網路的具名引數/
2.13.3參數初始化/
2.14本章小結/
 
第3章Android應用構建/
3.1Android Studio安裝與項目構建/
3.1.1Android Studio的下載和安裝/
3.1.2創建Android項目/
3.2Manifest文件/
3.3介面佈局/
3.4項目主活動與App啟動/
3.5資源檔/
3.5.1顏色定義檔/
3.5.2字串定義檔/
3.5.3形狀定義檔/
3.5.4影像檔/
3.6核心控制項使用/
3.6.1展示文字/
3.6.2展示圖像/
3.6.3按鈕和監聽機制/
3.7相機、相冊和圖像保存/
3.8生成APK/
3.8.1自訂APK圖示與名稱/
3.8.2創建發佈版APK/
3.9Bitmap格式/
3.10部署庫下載/
3.11移動端神經網路實例/
3.11.1定義神經網路/
3.11.2Python端匯出pt文件/
3.11.3將pt文件移入Android開發環境/
3.11.4在Java代碼中載入神經網路模型/
3.11.5讀取圖像並進行縮放/
3.11.6構建輸入張量/
3.11.7進行前向推理/
3.11.8處理輸出結果/
3.11.9介面設計/
3.11.10完整代碼與介面效果/
3.12本章小結/
 
第4章圖像分類/
4.1圖像分類概述/
4.2MobileNet介紹/
4.3深度可分離卷積/
4.4MobileNet V1/
4.4.1網路結構/
4.4.2網路搭建/
4.5MobileNet V2/
4.5.1網路結構/
4.5.2網路搭建/
4.6資料處理/
4.6.1資料介紹/
4.6.2Kaggle API介紹/
4.6.3資料處理/
4.7模型訓練/
4.8圖像分類App/
4.8.1分類功能介面設計/
4.8.2分類推理與解析/
4.9本章小結/
 
第5章 圖像分割/
5.1前景背景與人像分割/
5.2圖像分割網路/
5.2.1FCN/
5.2.2UNet/
5.2.3分割損失函數/
5.3分割資料集構建與讀取/
5.3.1標注工具介紹/
5.3.2分割資料集下載/
5.3.3成對圖像讀取與資料增強/
5.4分割網路的訓練與驗證/
5.4.1專案構建與超參數設置/
5.4.2分割網路訓練/
5.4.3分割損失函數收斂性分析/
5.4.4人像分割測試/
5.5人像分割App/
5.5.1分割功能介面設計/
5.5.2獲取遮罩與前景圖像應用/
5.6本章小結/
 
第6章 低光照圖像品質增強/
6.1伽馬變換與低光照圖像/
6.2場景分析與圖元長條圖/
6.3增強演算法LLCNN/
6.3.1殘差暗光增強網路/
6.3.2增強網路實現/
6.3.3增強損失函數/
6.4資料集構建和下載/
6.5增強網路訓練與驗證/
6.5.1項目構建/
6.5.2增強網路訓練/
6.5.3圖元級損失函數收斂分析/
6.5.4增強演算法能力驗證/
6.6低光照圖像增強App/
6.6.1功能設定與介面設計/
6.6.2模型前向推理/
6.7本章小結/
 
第7章 GAN動漫人臉生成/
7.1GAN動漫人臉生成概述/
7.2深度卷積對抗網路DCGAN/
7.2.1生成器/
7.2.2判別器/
7.2.3損失函數/
7.2.4生成器搭建/
7.2.5判別器搭建/
7.2.6訓練代碼/
7.3條件式對抗網路CGAN/
7.3.1CGAN原理/
7.3.2CGAN實現/
7.4輔助分類對抗網路ACGAN/
7.4.1ACGAN原理/
7.4.2ACGAN實現/
7.5動漫頭像生成App/
7.5.1頭像生成介面設計/
7.5.2資料生成與解析/
7.6拓展閱讀/
7.7本章小結/
 
第8章 圖像風格遷移/
8.1風格遷移概述/
8.2風格遷移網路/
8.2.1基礎原理/
8.2.2內容特徵/
8.2.3風格特徵/
8.2.4重構網路/
8.2.5風格遷移代碼實現/
8.3快速風格遷移/
8.3.1生成網路/
8.3.2損失網路/
8.3.3快速風格遷移代碼實現/
8.4圖像風格化App/
8.4.1風格化功能介面設計/
8.4.2三種風格的生成與解析/
8.5本章小結/
 
第9章 無監督風格互換/
9.1成對資料與不成對資料/
9.2cycleGAN原理與實現/
9.2.1無監督設計原理/
9.2.2對稱生成器與判別器的設計及實現/
9.2.3對抗性損失和迴圈一致性損失/
9.3兩種風格資料集的構建與讀取/
9.3.1資料集獲取/
9.3.2數據讀取/
9.4無監督訓練與驗證/
9.4.1項目構建/
9.4.2無監督cycleGAN訓練/
9.4.3風格轉換驗證/
9.5水果風格互換應用/
9.5.1水果風格轉換介面設計/
9.5.2兩種風格模型的前向推理/
9.6本章小結/