PyTorch深度學習：電腦視覺流行專案親自動手

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

作者簡介



郭卡

　　安徽外國語學院計算機講師，省級自然科學基金重點項目「基於大數據與人工智能技術的在線學習評價系統」主持人，《Python 數據爬取技術與實戰手冊》主編，參與多項人工智慧研究項目並發表相關論文兩篇。

戴亮

　　科大訊飛演算法工程師，GiantPandaCV作者之一，主要研究方向為光學字符識別與語音識別，熱衷於PyTorch技術分享，對深度學習相關技術有深入了解。