PyTorch深度學習指南 卷2 電腦視覺 Deep Learning with PyTorch Step-by-Step: A Beginner's Guide: Volume II: Computer Vision

前言
致謝
關於作者
譯者序
常見問題
為什麼選擇PyTorch？
為什麼選擇這套書？
誰該讀這套書？
我需要知道什麼？
如何閱讀這套書？
下一步是什麼？
設定指南
官方資料庫
環境
GoogleColab
Binder
本地安裝
繼續
第4章影像分類
劇透
Jupyter Notebook
匯入
影像分類
資料產生
NCHW與NHWC
Torchvision
資料集
模型
轉換
影像上的轉換
張量上的轉換
組合轉換
資料準備
資料集轉換
SubsetRandomSampler
資料增強轉換
WeightedRandomSampler
種子和更多（種子）
小結
作為特徵的像素
淺層模型
符號
模型配置
模型訓練 深層
模型
模型配置
模型訓練
給我看看數學
給我看看代碼
作為像素的權重
激活函數
Sigmoid
正切（TanH）
整流線性單元（ReLU）
洩漏ReLU
參數ReLU（PReLU）
深度模型
模型配置
模型訓練
再給我看數學
歸納總結
回顧
獎勵章特徵空間
二維特徵空間
轉換
二維模型
決策邊界，啟動方式
更多的函數，更多的邊界
更多的層，更多的邊界
更多的維度，更多的邊界
回顧
第5章卷積
劇透
Jupyter Notebook
匯入
卷積
濾波器/內核
卷積運算
四處移動
形狀
在PyTorch中進行卷積
步幅
填充
真正的濾波器
池化
展平
維度
典型架構
LeNet-5
多類分類問題
資料產生
資料準備
損失
分類損失總結
模型配置
模型訓練
可視化濾波器和其他
視覺化濾波器
鉤子
視覺化特徵圖
視覺化分類器層
準確率
載入器應用
歸納總結
回顧
第6章石頭、剪刀、布
劇透
Jupyter Notebook
匯入
關於石頭、剪刀、布
石頭、剪刀、布數據集
數據準備
ImageFolder
標準化
真實數據集
三通道卷積
更進階的模型
丟棄
二維丟棄
模型配置 最佳
化器
學習率
模型訓練
準確率
正規化效果
視覺化濾波器
學習率
尋找LR
自適應學習率
隨機梯度下降（SGD）
學習率調度器
驗證損失調度器
自適應與循環
歸納總結
回顧
第7章遷移學習
劇透
Jupyter Notebook
匯入
遷移學習
ImageNet
ImageNet大規模視覺辨識挑戰賽（ILSVRC）
ILSVRC-2012
ILSVRC-2014
ILSVRC-2015
對比各架構
實踐中的遷移學習
預訓練模型
模型配置
資料準備
模型訓練
產生特徵資料集
頂層模型
輔助分類器（側頭）
1×1卷積
Inception模組
批次歸一化
遊程（running）統計
評估階段
動量
BatchNorm2d
其他歸一化
小結
殘差連結
學習恆等
捷徑的力量
殘差塊
歸納總結
微調
特徵提取
回顧
額外章梯度消失和爆炸
劇透
Jupyter Notebook
匯入
梯度消失和爆炸
梯度消失
球數據集和塊模型
權重、活化和梯度
初始化方案
批量歸一化
梯度爆炸
資料產生和準備
模型配置和訓練
梯度裁剪
模型配置和訓練
用鉤子裁剪
回顧