PyTorch 深度學習模型開發實戰

小川雄太郎
東京大學理學博士，曾在東京大學研究生院從事腦功能測量及計算論的神經科學研究。
獲取博士學位後，曾擔任東京大學特聘研究員。
現任職於日本電通國際信息服務公司總部 AI 技術開發部，
主要負責以深度學習為主的機器學習相關技術的研究開發和技術支持。
另外，他還是早稻田大學全球教育中心的兼職講師和日本深度學習協會會員。
在業餘時間開展了多場人工智能相關講座並撰寫了多種人工智能相關書籍。

第1章 圖像分類與遷移學習（VGG）
1.1 已完成訓練的VGG模型的使用方法
1.1.1 ImageNet數據集與VGG-16模型
1.1.2 文件夾的準備
1.1.3 準備工作
1.1.4 軟件包的導入及PyTorch版本的確認
1.1.5 VGG-16已完成訓練模型的加載
1.1.6 輸入圖片的預處理類的編寫
1.1.7 根據輸出結果預測標簽的後處理類的編寫
1.1.8 使用已完成學習的VGG模型對手頭上的圖片進行預測
1.2 使用PyTorch進行深度學習的實現流程
1.3 遷移學習的編程實現
1.3.1 遷移學習
1.3.2 準備文件夾
1.3.3 準備工作
1.3.4 實現代碼的初始設置
1.3.5 創建Dataset
1.3.6 創建DataLoader
1.3.7 創建網絡模型
1.3.8 定義損失函數
1.3.9 設定最優化算法
1.3.10 學習和驗證的施行
1.4 亞馬遜AWS的GPU雲計算服務器的使用方法
1.4.1 使用雲服務器的理由
1.4.2 創建AWS賬號
1.4.3 AWS管理控制台
1.4.4 AWS的EC2虛擬主機的創建方法
1.4.5 EC2服務器的訪問與Anaconda的操作
1.5 微調的實現
1.5.1 微調
1.5.2 準備文件夾及事先準備
1.5.3 創建Dataset和DataLoader
1.5.4 創建網絡模型
1.5.5 定義損失函數
1.5.6 設置最優化算法
1.5.7 學習和驗證的施行
1.5.8 保存和讀取訓練完畢的網絡
小結
第2章 物體檢測（SSD）
2.1 物體檢測概述
2.1.1 物體檢測概要
2.1.2 物體檢測任務的輸入與輸出
2.1.3 VOC數據集
2.1.4 基於SSD實現物體檢測的流程
2.2 Dataset的實現
2.2.1 重溫在PyTorch中實現深度學習的流程
2.2.2 文件夾的準備
2.2.3 準備工作
2.2.4 創建圖像數據、標註數據的文件路徑列表
2.2.5 將xml格式的標註數據轉換為列表
2.2.6 創建實現圖像與標註的預處理DataTransform類
2.2.7 創建Dataset
2.3 DataLoader的實現
2.4 網絡模型的實現
2.4.1 SSD網絡模型概要
2.4.2 vgg模塊的實現
2.4.3 extras模塊的實現
2.4.4 loc模塊與conf模塊的實現
2.4.5 L2Norm層的實現
2.4.6 Default Box的實現
2.4.7 SSD類的實現
2.5 正向傳播函數的實現
2.5.1 decode函數的實現
2.5.2 Non-Maximum Suppression函數的實現
2.5.3 Detect類的實現
2.5.4 SSD模塊的實現
2.6 損失函數的實現
2.6.1 運用了jaccard系數的match函數的行為
2.6.2 難分樣本挖掘
2.6.3 SmoothL1Loss函數與交叉熵誤差函數
2.6.4 SSD損失函數MultiBoxLoss類的實現
……
第3章 語義分割（PSPNet）
第4章 姿勢識別（OpenPose）
第5章 基於GAN的圖像生成（DCGAN、Self-Attention GAN）
第6章 基於GAN的異常檢測（AnoGAN、Efficient GAN）
第7章 基於自然語言處理的情感分析（Transformer）
第8章 基於自然語言處理的情感分析（BERT）
第9章 視頻分類（3DCNN、ECO）
後記