PyTorch神经网络实战：移动端图像处理 下载 pdf 百度网盘 epub 免费 2025 电子版 mobi 在线

本书主要介绍人工智能研究领域中神经网络的PyTorch架构，对其在多个领域的应用进行系统性的归纳和梳理。书中的案例有风景图分类、人像前景背景分割、低光照图像增法、动漫头像生成、画风迁移、风格转换等，对每项视觉任务的研究背景、应用价值、算法原理、代码实现和移动端部署流程进行了详细描述，并提供相应的源码，适合读者从0到1构建移动端智能应用。

本书适合对人工智能实际应用感兴趣的本科生、研究生、深度学习算法工程师、计算机视觉从业人员和人工智能爱好者阅读，书中介绍的各项视觉任务均含有相应的安卓平台部署案例，不仅对学生参加比赛、课程设计具有参考意义，对相关从业人员的软件架构和研发也具有启发价值。

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/

丛晓峰，东南大学博士研究生。在2020年度高通（中国）和CSDN等联合举办的AI创新大赛中获得终端侧人工智能创新奖（金奖）。在知乎平台长期撰写人工智能领域的文章

彭程威，武汉大学硕士，获届（2019年）中国研究生人工智能创新大赛一等奖。主攻计算机视觉方向，曾在美团、Intel等公司从事深度学习相关的研发工作，现任腾讯算法研究员，拥有将人工智能技术落地的一线经验。

章军，中国科学技术大学博士，安徽大学教授，博导。近年在国内外重要学术刊物与国际会议上发表SCI、EI收录论文40余篇；发表论文中他引300余次；主持完成国家自然科学基金项目2项，*留学基金项目1项；担任多家著名国际杂志期刊审稿人。

暂无出版社相关信息，正在全力查找中！

暂无相关书籍摘录，正在全力查找中！

在线阅读地址：PyTorch神经网络实战：移动端图像处理在线阅读

在线听书地址：PyTorch神经网络实战：移动端图像处理在线收听

在线购买地址：PyTorch神经网络实战：移动端图像处理在线购买

暂无原文赏析，正在全力查找中！

前言

蒸汽机、电动机和计算机的发明与应用极大地推动了人类文明的发展。现在，一项新的技术浪潮正在掀起——人工智能（Artificial Intelligence）。

在人工智能领域包含的诸多技术中，深度学习是当前受瞩目的技术之一。自2012年AlexNet模型在ImageNet分类任务上获得惊人的准确率开始，深度学习技术就被广泛应用于多项计算机科学研究任务之中，包括计算机视觉、自然语言处理及强化学习等。

学术界和工业界的前沿深度学习模型通常依赖海量的数据和强大的计算设备来设计出高质量的应用模型。然而对于普通开发者的入门学习，通常只需要一台计算机就能动手编写众多的深度学习算法，并训练出可用的模型。

深度学习技术具有如此强大的魅力，开发者要如何开展具体的学习、研究与应用呢？这时就需要一款高质量的辅助工具来完成算法的设计、实现、训练与部署了，这款工具就是本书将要介绍的深度学习框架——PyTorch。

本书将带领读者实现多种有趣的AI算法，比如风景图分类、人像前景背景分割、低光照图像增强、动漫头像生成、画风迁移、风格转换等。不仅如此，书中还提供了移动端的应用案例，手把手地教读者如何将模型部署到Android手机上。

本书适合的读者

本书面向的读者群体主要包括：

1)人工智能相关专业的高校师生。

2)从事软件开发、数据库设计、编译器设计、自然语言处理、计算机视觉等领域工作的技术人员。

当然，即使读者并非上述群体，只要具有强烈的兴趣和学习意愿，仍然能够充分地学习并利用本书所讲的知识内容，成为人工智能研究领域中的一员。

如何使用本书

在编写此书前，笔者对网络上大量的深度学习入门资料进行了梳理总结，发现它们大都存在以下三个问题。

1）所介绍的任务同质化严重，都集中于手写字识别等简单场景，难以引起初学者的兴趣。因此本书精选了众多具有实际价值的场景任务，由浅入深地进行编排，方便读者学习。

2）由于深度学习框架在前几年发展太过迅速，众多早期资料已经因为API不兼容而无法运行，这非常考验初学者的代码调试能力。而现阶段深度学习框架已经基本稳定，API的兼容性也能得到很好的保证。本书准备了大量代码，它们都适合版本的框架，很大程度地规避了不兼容问题。

3）目前虽然有较多优质的开源代码，甚至已经成功地应用于实际商业场景。但这些开源代码并不适合初学者学习，它们往往出于工程角度设计，封装得过于复杂，初学者难以在短时间内厘清关系，容易把精力浪费在非核心的逻辑上。而本书针对每个任务给出了为核心的代码，降低了学习成本，使读者能够专注在重要的内容上。

学习本书好的方式是理论结合实践，不仅要掌握书中的各类知识点，还要能够独立编写出对应的代码。本书涉及大量的PyTorch基础知识和常用代码，建议读者按照书中的例子动手敲出这些代码。

本书的代码托管在GitHub仓库中，读者可以下载本书所有源码。此外，本书的代码仓库将会不断更新，希望读者能够在GitHub平台上提出意见或者建议，仓库地址为https://github.com/cwpeng-cn/PyTorch-neural-network-practice。

本书主要内容

本书共9章，鉴于本书前后各章具有一定的关联，希望读者能够按照章节顺序进行阅读，以达到的学习效果。各章主要内容如下。

第1章介绍了人工智能的研究起源与发展历程，并指出了人工智能与深度学习之间的关系。同时讲解了深度学习的入门知识，以及神经网络的基本原理与概念。

第2章对PyTorch的基础知识和使用方法进行了归纳和梳理。如果读者在阅读本书之前不具备深度学习框架的使用经验，或者所用的不是PyTorch框架，建议仔细阅读并实现本章的示例。

第3章包含了Android Studio开发基础和PyTorch移动端部署两方面内容，第4~9章的部署案例都能够通过本章的代码逻辑完成。

第4章讲解了图像分类网络，以及适合在移动端部署的轻量级分类模型，并向读者展示了如何构建一个风景图归档器。

第5章以人像的前景和背景分割为例，介绍了图像分割任务的研究目标和经典算法，阅读本章后读者可以学会制作一款简易的智能抠图工具。

第6章针对黄昏和傍晚时拍照所获图像亮度较低的问题，介绍了低光照图像增强算法，并设计了一款低光照图像增强应用。

第7章的案例是动漫人脸生成，使用了基于生成对抗网络的图像生成技术。如果读者能够搜集真实人脸的数据，或者其他类型的具有明显类别特征的数据，也可以扩展为其他图像的生成应用。

第8章讲述了图像风格迁移任务，即用户可以将某种风格的图像改为其他风格。

第9章可以看作是第8章知识的扩展，从图像风格转换的角度设计并实现了苹果风格和橘子风格互相转换的应用，背后的技术是学术界公认为经典的循环一致性对抗网络。

致谢

本书介绍了人工智能、深度学习、PyTorch框架、Android开发等理论与实践知识，这些知识是各领域科研人员和软件工程师共同创造的，感谢你们的辛苦付出。

在本书的写作过程中，机械工业出版社的编辑团队提出了众多有价值的建议和意见，他们的丰富经验与耐心指导是本书能够顺利完成的重要基础。

书籍介绍

本书主要介绍人工智能研究领域中神经网络的PyTorch架构，对其在多个领域的应用进行系统性的归纳和梳理。书中的案例有风景图分类、人像前景背景分割、低光照图像增法、动漫头像生成、画风迁移、风格转换等，对每项视觉任务的研究背景、应用价值、算法原理、代码实现和移动端部署流程进行了详细描述，并提供相应的源码，适合读者从0到1构建移动端智能应用。 本书适合对人工智能实际应用感兴趣的本科生、研究生、深度学习算法工程师、计算机视觉从业人员和人工智能爱好者阅读，书中介绍的各项视觉任务均含有相应的安卓平台部署案例，不仅对学生参加比赛、课程设计具有参考意义，对相关从业人员的软件架构和研发也具有启发价值。