目录

第1章人工神经网络简介

1.1人工神经网络概述

1.1.1人工神经网络的概念

1.1.2人工神经网络的起源

1.2人工神经网络技术的发展过程

1.3人工神经网络应用的成功案例

1.3.1案例一： 图像识别——ImageNet大规模图像分类(2012年)

1.3.2案例二： 目标检测——特斯拉Autopilot实时物体检测(2020年)

1.3.3信息预测——DeepMind AlphaFold 2蛋白质结构预测(2020年)

1.3.4创新应用——OpenAI GPT4多模态交互(2023年) 

1.4怎样学习神经网络

1.4.1前期准备工作

1.4.2具体技术的常规学习路线图

1.4.3其他注意事项

第2章人工神经网络基础

2.1感知器模型

2.1.1背景介绍

2.1.2感知器模型的基本概念

2.1.3感知器的收敛性分析

2.1.4感知器的局限性

2.1.5感知器模型的重要性与应用前景

2.2多层感知器模型

2.2.1背景介绍

2.2.2多层感知器模型的基本概念

2.2.3前向传播与误差计算

2.2.4反向传播与梯度下降 

2.2.5多层感知器的收敛性

2.2.6多层感知器模型的重要性与应用前景

2.3模型训练调优及应用流程

2.3.1模型训练调优的基本方法

2.3.2模型训练与应用的完整流程

第3章PyTorch编程基础

3.1PyTorch环境搭建

3.1.1PyTorch 简介

3.1.2PyTorch安装过程说明

3.2张量及其基本操作

3.2.1张量简介

3.2.2PyTorch中张量的数据类型

3.2.3PyTorch中张量的生成

3.2.4PyTorch中张量操作

3.2.5PyTorch中张量计算

3.3常用库的使用

第4章卷积神经网络理论与实践(一)——图像识别

4.1卷积神经网络理论概述

4.1.1什么是卷积神经网络

4.1.2CNN的工作原理

4.1.3ResNet残差网络

4.2图像识别案例实战

4.2.1应用背景

4.2.2数据说明

4.2.3数据准备

4.2.4模型训练

4.2.5模型评估

第5章卷积神经网络理论与实践(二)——目标检测

5.1什么是目标检测： 从“是什么”到“在哪里”

5.1.1快速案例： 用几行代码实现目标检测

5.1.2从分类到检测： 思维的转变

5.2目标检测的解决思路： 二阶段与一阶段的哲学

5.2.1二阶段方法 (RCNN系列)： 分段优化的范式与固有瓶颈

5.2.2一阶段方法 (YOLO系列)： 统一建模的范式革命

5.3深入经典检测器YOLO——以YOLOv5为例

5.3.1YOLOv5的训练数据： COCO数据集及其加载

5.3.2网络结构： 模块化与精细化的设计

5.3.3输出的奥秘： Anchor与预测张量

5.3.4优化目标： 损失函数的构成

5.4目标检测案例实战

5.4.1使用预训练模型进行快速推理

5.4.2超越调库——自定义数据训练与微调

第6章卷积神经网络理论与实践(三)——语义分割

6.1什么是语义分割： 像素级的场景理解

6.2语义分割的目标函数： 像素级分类的优化之道

6.2.1基础： 逐像素交叉熵损失

6.2.2关注小目标： 加权交叉熵损失

6.2.3关注结构相似性： Dice Loss

6.3经典语义分割方法： 从不同的尺度理解目标区域

6.3.1开创者： FCN

6.3.2升华者： UNet

6.3.3优化者： DeepLab系列

6.4语义分割案例实战

6.4.1使用预训练模型进行快速推理

6.4.2微调优化以适应自定义任务

第7章循环神经网络理论与实践

7.1循环神经网络理论概述

7.1.1什么是循环神经网络

7.1.2RNN的工作原理

7.1.3长短时记忆网络

7.2循环神经网络案例实战

7.2.1应用背景

7.2.2数据说明

7.2.3数据准备

7.2.4模型训练

7.2.5模型评估

第8章生成对抗网络理论与实践

8.1生成对抗网络理论概述

8.1.1什么是生成对抗网络

8.1.2GAN的基本原理与训练机制

8.1.3常见的改进模型

8.2生成对抗网络案例实战

8.2.1应用背景

8.2.2数据说明

8.2.3模型构建

8.2.4结果分析

第9章图神经网络理论与实践

9.1图神经网络理论概述

9.1.1什么是图神经网络

9.1.2GNN的基本原理

9.1.3常见GNN模型

9.1.4GNN的训练与优化

9.2图神经网络案例实战

9.2.1应用背景

9.2.2数据集与预处理

9.2.3模型构建

9.2.4模型训练

9.2.5结果分析

第10章其他相关技术与实践

10.1背景说明

10.2相关理论概述

10.2.1一致性正则化

10.2.2伪标签

10.2.3图形方法

10.2.4生成式方法

10.3案例实战

10.3.1步骤一： 模型选择

10.3.2步骤二： 全监督学习模型训练与分析

10.3.3步骤三： 有限标签数据下的网络训练与分析

10.3.4步骤四： 半监督分类训练

后记