PyTorch深度学习指南:计算机视觉 卷II

前　言
致　谢
关于作者
译者序
常见问题　
　　为什么选择PyTorch？　
　　为什么选择这套书？　
　　谁应该读这套书？　
　　我需要知道什么？　
　　如何阅读这套书？　
　　下一步是什么？　
设置指南　
　　官方资料库　
　　环境　
　　　　谷歌Colab　
　　　　Binder　
　　　　本地安装　
　　继续　
第4章　图像分类　
　　剧透　
　　Jupyter Notebook　
　　　　导入　
　　图像分类　
　　　　数据生成　
　　　　NCHW与NHWC　
　　Torchvision　
　　　　数据集　
　　　　模型　
　　　　转换　
　　　　图像上的转换　
　　　　张量上的转换　
　　　　组合转换　
　　数据准备　
　　　　数据集转换　
　　　　SubsetRandomSampler　
　　　　数据增强转换　
　　　　WeightedRandomSampler　
　　　　种子和更多(种子)　
　　　　小结　
　　　　作为特征的像素　
　　浅层模型　
　　　　符号　
　　　　模型配置　
　　　　模型训练　
　　深层模型　
　　　　模型配置　
　　　　模型训练　
　　　　给我看看数学　
　　　　给我看看代码　
　　　　作为像素的权重　
　　激活函数　
　　　　Sigmoid　
　　　　双曲正切(TanH)　
　　　　整流线性单元(ReLU)　
　　　　泄漏ReLU　
　　　　参数ReLU(PReLU)　
　　深度模型　
　　　　模型配置　
　　　　模型训练　
　　　　再给我看看数学　
　　归纳总结　
　　回顾　
奖励章　特征空间　
　　二维特征空间　
　　转换　
　　二维模型　
　　决策边界，激活方式　
　　更多的函数，更多的边界　
　　更多的层，更多的边界　
　　更多的维度，更多的边界　
　　回顾　
第5章　卷积　
　　剧透　
　　Jupyter Notebook　
　　　　导入　
　　卷积　
　　　　滤波器/内核　
　　　　卷积运算　
　　　　四处移动　
　　　　形状　
　　　　在PyTorch中进行卷积　
　　　　步幅　
　　　　填充　
　　　　真正的滤波器　
　　池化　
　　展平　
　　维度　
　　典型架构　
　　　　LeNet-5　
　　多类分类问题　
　　　　数据生成　
　　　　数据准备　
　　　　损失　
　　　　分类损失总结　
　　　　模型配置　
　　　　模型训练　
　　可视化滤波器和其他　
　　　　可视化滤波器　
　　　　钩子　
　　　　可视化特征图　
　　　　可视化分类器层　
　　　　准确率　
　　　　加载器应用　
　　归纳总结　
　　回顾　
第6章　石头、剪刀、布　
　　剧透　
　　Jupyter Notebook　
　　　　导入　
　　关于石头、剪刀、布　
　　　　石头、剪刀、布数据集　
　　数据准备　
　　　　ImageFolder　
　　　　标准化　
　　　　真实数据集　
　　三通道卷积　
　　更高级的模型　
　　丢弃　
　　　　二维丢弃　
　　模型配置　
　　　　优化器　
　　　　学习率　
　　模型训练　
　　　　准确率　
　　　　正则化效果　
　　　　可视化滤波器　
　　学习率　
　　　　寻找LR　
　　　　自适应学习率　
　　　　随机梯度下降(SGD)　
　　　　学习率调度器　
　　　　验证损失调度器　
　　　　自适应与循环　
　　归纳总结　
　　回顾
第7章　迁移学习
　　剧透　
　　Jupyter Notebook　
　　　　导入　
　　迁移学习　
　　ImageNet　
　　ImageNet大规模视觉识别挑战赛(ILSVRC)　
　　　　ILSVRC-2012　
　　　　ILSVRC-2014　
　　　　ILSVRC-2015　
　　对比各架构　
　　实践中的迁移学习　
　　　　预训练模型　
　　　　模型配置　
　　　　数据准备　
　　　　模型训练　
　　　　生成特征数据集　
　　　　顶层模型　
　　辅助分类器(侧头)　
　　1×1卷积　
　　Inception模块　
　　批量归一化　
　　　　游程（running）统计　
　　　　评估阶段　
　　　　动量　
　　　　BatchNorm2d　
　　　　其他归一化　
　　　　小结　
　　残差连接　
　　　　学习恒等　
　　　　捷径的力量　
　　　　残差块　
　　归纳总结　
　　　　微调　
　　　　特征提取　
　　回顾　
额外章　梯度消失和爆炸　
　　剧透　
　　Jupyter Notebook　
　　　　导入　
　　梯度消失和爆炸　
　　　　梯度消失　
　　　　球数据集和块模型　
　　　　权重、激活和梯度　
　　　　初始化方案　
　　　　批量归一化　
　　　　梯度爆炸　
　　　　数据生成和准备　
　　　　模型配置和训练　
　　　　梯度裁剪　
　　　　模型配置和训练　
　　　　用钩子裁剪　
　　回顾