PyTorch神经网络实战:移动端图像处理

◆ 目录：◆

前言

第1章 人工智能与深度学习/

1.1人工智能简介/

1.1.1人工智能的概念/

1.1.2人工智能的历史/

1.1.3人工智能与深度学习的关系/

1.1.4深度学习的应用/

1.2深度学习理论基础/

1.2.1全连接层/

1.2.2卷积层/

1.2.3池化层/

1.2.4激活层/

1.2.5批归一化层/

1.2.6随机失活/

1.2.7损失函数/

1.2.8反向传播/

1.3深度学习实践细节/

1.3.1硬件选择/

1.3.2超参数设定/

1.3.3网络参数初始化/

1.4本章小结/

第2章 PyTorch指南/

2.1安装与测试/

2.1.1安装PyTorch和torchvision/

2.1.2显卡测试/

2.1.3CPU和GPU切换/

2.2核心模块/

2.3模型构建流程图/

2.4张量Tensor/

2.4.1数值类型/

2.4.2创建方法/

2.4.3类型转换/

2.4.4维度分析/

2.4.5常用操作/

2.5数据读取与预处理/

2.5.1图像读取与存储/

2.5.2调用PyTorch官方数据集/

2.5.3ImageFolder/

2.5.4图像处理torchvision.transforms/

2.5.5数据读取类Dataset/

2.5.6DataLoader的创建和遍历/

2.5.7数据增强/

2.6nn模块与网络构建/

2.6.1卷积模块的使用/

2.6.2批归一化层/

2.6.3池化层/

2.6.4全连接层/

2.6.5常用激活函数/

2.6.6边缘填充/

2.6.7Dropout层/

2.6.8损失函数层/

2.6.9模块组合Sequential/

2.6.10网络构建实例/

2.7train与eval模式/

2.8优化器选择与绑定/

2.9自动求导机制与计算图/

2.9.1requires_grad/

2.9.2自动求导backward/

2.9.3叶子节点is_leaf/

2.9.4梯度函数grad_fn/

2.9.5计算图分离detach/

2.9.6图保持retain_graph/

2.9.7关闭梯度计算no_grad/

2.10模型保存与加载/

2.10.1模型文件的保存/

2.10.2模型文件的加载/

2.10.3联合保存与加载/

2.10.4保存与加载多个网络模型/

2.11模型设计和实现的完整流程/

2.11.1参数定义/

2.11.2准备数据、定义存储结果的容器/

2.11.3定义自编码网络/

2.11.4定义优化器与损失函数/

2.11.5训练模型/

2.11.6效果分析/

2.12网络结构可视化/

2.13拓展阅读/

2.13.1学习率调整策略/

2.13.2获取网络的命名参数/

2.13.3参数初始化/

2.14本章小结/

第3章Android应用构建/

3.1Android Studio安装与项目构建/

3.1.1Android Studio的下载和安装/

3.1.2创建Android项目/

3.2Manifest文件/

3.3界面布局/

3.4项目主活动与App启动/

3.5资源文件/

3.5.1颜色定义文件/

3.5.2字符串定义文件/

3.5.3形状定义文件/

3.5.4图像文件/

3.6核心控件使用/

3.6.1展示文字/

3.6.2展示图像/

3.6.3按钮和监听机制/

3.7相机、相册和图像保存/

3.8生成APK/

3.8.1自定义APK图标与名称/

3.8.2创建发布版APK/

3.9Bitmap格式/

3.10部署库下载/

3.11移动端神经网络实例/

3.11.1定义神经网络/

3.11.2Python端导出pt文件/

3.11.3将pt文件移入Android开发环境/

3.11.4在Java代码中加载神经网络模型/

3.11.5读取图像并进行缩放/

3.11.6构建输入张量/

3.11.7进行前向推理/

3.11.8处理输出结果/

3.11.9界面设计/

3.11.10完整代码与界面效果/

3.12本章小结/

第4章图像分类/

4.1图像分类概述/

4.2MobileNet介绍/

4.3深度可分离卷积/

4.4MobileNet V1/

4.4.1网络结构/

4.4.2网络搭建/

4.5MobileNet V2/

4.5.1网络结构/

4.5.2网络搭建/

4.6数据处理/

4.6.1数据介绍/

4.6.2Kaggle API介绍/

4.6.3数据处理/

4.7模型训练/

4.8图像分类App/

4.8.1分类功能界面设计/

4.8.2分类推理与解析/

4.9本章小结/

第5章 图像分割/

5.1前景背景与人像分割/

5.2图像分割网络/

5.2.1FCN/

5.2.2UNet/

5.2.3分割损失函数/

5.3分割数据集构建与读取/

5.3.1标注工具介绍/

5.3.2分割数据集下载/

5.3.3成对图像读取与数据增强/

5.4分割网络的训练与验证/

5.4.1项目构建与超参数设置/

5.4.2分割网络训练/

5.4.3分割损失函数收敛性分析/

5.4.4人像分割测试/

5.5人像分割App/

5.5.1分割功能界面设计/

5.5.2获取掩码与前景图像应用/

5.6本章小结/

第6章 低光照图像质量增强/

6.1伽马变换与低光照图像/

6.2场景分析与像素直方图/

6.3增强算法LLCNN/

6.3.1残差暗光增强网络/

6.3.2增强网络实现/

6.3.3增强损失函数/

6.4数据集构建和下载/

6.5增强网络训练与验证/

6.5.1项目构建/

6.5.2增强网络训练/

6.5.3像素级损失函数收敛分析/

6.5.4增强算法能力验证/

6.6低光照图像增强App/

6.6.1功能设定与界面设计/

6.6.2模型前向推理/

6.7本章小结/

第7章 GAN动漫人脸生成/

7.1GAN动漫人脸生成概述/

7.2深度卷积对抗网络DCGAN/

7.2.1生成器/

7.2.2判别器/

7.2.3损失函数/

7.2.4生成器搭建/

7.2.5判别器搭建/

7.2.6训练代码/

7.3条件式对抗网络CGAN/

7.3.1CGAN原理/

7.3.2CGAN实现/

7.4辅助分类对抗网络ACGAN/

7.4.1ACGAN原理/

7.4.2ACGAN实现/

7.5动漫头像生成App/

7.5.1头像生成界面设计/

7.5.2数据生成与解析/

7.6拓展阅读/

7.7本章小结/

第8章 图像风格迁移/

8.1风格迁移概述/

8.2风格迁移网络/

8.2.1基础原理/

8.2.2内容特征/

8.2.3风格特征/

8.2.4重构网络/

8.2.5风格迁移代码实现/

8.3快速风格迁移/

8.3.1生成网络/

8.3.2损失网络/

8.3.3快速风格迁移代码实现/

8.4图像风格化App/

8.4.1风格化功能界面设计/

8.4.2三种风格的生成与解析/

8.5本章小结/

第9章 无监督风格互换/

9.1成对数据与不成对数据/

9.2cycleGAN原理与实现/

9.2.1无监督设计原理/

9.2.2对称生成器与判别器的设计及实现/

9.2.3对抗性损失和循环一致性损失/

9.3两种风格数据集的构建与读取/

9.3.1数据集获取/

9.3.2数据读取/

9.4无监督训练与验证/

9.4.1项目构建/

9.4.2无监督cycleGAN训练/

9.4.3风格转换验证/

9.5水果风格互换应用/

9.5.1水果风格转换界面设计/

9.5.2两种风格模型的前向推理/

9.6本章小结/