前言

第1章 人工智能與深度學習/

1.1人工智能簡介/

1.1.1人工智能的概念/

1.1.2人工智能的歷史/

1.1.3人工智能與深度學習的關繫/

1.1.4深度學習的應用/

1.2深度學習理論基礎/

1.2.1全連接層/

1.2.2卷積層/

1.2.3池化層/

1.2.4激活層/

1.2.5批歸一化層/

1.2.6隨機失活/

1.2.7損失函數/

1.2.8反向傳播/

1.3深度學習實踐細節/

1.3.1硬件選擇/

1.3.2超參數設定/

1.3.3網絡參數初始化/

1.4本章小結/

第2章 PyTorch指南/

2.1安裝與測試/

2.1.1安裝PyTorch和torchvision/

2.1.2顯卡測試/

2.1.3CPU和GPU切換/

2.2核心模塊/

2.3模型構建流程圖/

2.4張量Tensor/

2.4.1數值類型/

2.4.2創建方法/

2.4.3類型轉換/

2.4.4維度分析/

2.4.5常用操作/

2.5數據讀取與預處理/

2.5.1圖像讀取與存儲/

2.5.2調用PyTorch官方數據集/

2.5.3ImageFolder/

2.5.4圖像處理torchvision.transforms/

2.5.5數據讀取類Dataset/

2.5.6DataLoader的創建和遍歷/

2.5.7數據增強/

2.6nn模塊與網絡構建/

2.6.1卷積模塊的使用/

2.6.2批歸一化層/

2.6.3池化層/

2.6.4全連接層/

2.6.5常用激活函數/

2.6.6邊緣填充/

2.6.7Dropout層/

2.6.8損失函數層/

2.6.9模塊組合Sequential/

2.6.10網絡構建實例/

2.7train與eval模式/

2.8優化器選擇與綁定/

2.9自動求導機制與計算圖/

2.9.1requires_grad/

2.9.2自動求導backward/

2.9.3葉子節點is_leaf/

2.9.4梯度函數grad_fn/

2.9.5計算圖分離detach/

2.9.6圖保持retain_graph/

2.9.7關閉梯度計算no_grad/

2.10模型保存與加載/

2.10.1模型文件的保存/

2.10.2模型文件的加載/

2.10.3聯合保存與加載/

2.10.4保存與加載多個網絡模型/

2.11模型設計和實現的完整流程/

2.11.1參數定義/

2.11.2準備數據、定義存儲結果的容器/

2.11.3定義自編碼網絡/

2.11.4定義優化器與損失函數/

2.11.5訓練模型/

2.11.6效果分析/

2.12網絡結構可視化/

2.13拓展閱讀/

2.13.1學習率調整策略/

2.13.2獲取網絡的命名參數/

2.13.3參數初始化/

2.14本章小結/

第3章Android應用構建/

3.1Android Studio安裝與項目構建/

3.1.1Android Studio的下載和安裝/

3.1.2創建Android項目/

3.2Manifest文件/

3.3界面布局/

3.4項目主活動與App啟動/

3.5資源文件/

3.5.1顏色定義文件/

3.5.2字符串定義文件/

3.5.3形狀定義文件/

3.5.4圖像文件/

3.6核心控件使用/

3.6.1展示文字/

3.6.2展示圖像/

3.6.3按鈕和監聽機制/

3.7相機、相冊和圖像保存/

3.8生成APK/

3.8.1自定義APK圖標與名稱/

3.8.2創建發布版APK/

3.9Bitmap格式/

3.10部署庫下載/

3.11移動端神經網絡實例/

3.11.1定義神經網絡/

3.11.2Python端導出pt文件/

3.11.3將pt文件移入Android開發環境/

3.11.4在Java代碼中加載神經網絡模型/

3.11.5讀取圖像並進行縮放/

3.11.6構建輸入張量/

3.11.7進行前向推理/

3.11.8處理輸出結果/

3.11.9界面設計/

3.11.10完整代碼與界面效果/

3.12本章小結/

第4章圖像分類/

4.1圖像分類概述/

4.2MobileNet介紹/

4.3深度可分離卷積/

4.4MobileNet V1/

4.4.1網絡結構/

4.4.2網絡搭建/

4.5MobileNet V2/

4.5.1網絡結構/

4.5.2網絡搭建/

4.6數據處理/

4.6.1數據介紹/

4.6.2Kaggle API介紹/

4.6.3數據處理/

4.7模型訓練/

4.8圖像分類App/

4.8.1分類功能界面設計/

4.8.2分類推理與解析/

4.9本章小結/

第5章 圖像分割/

5.1前景背景與人像分割/

5.2圖像分割網絡/

5.2.1FCN/

5.2.2UNet/

5.2.3分割損失函數/

5.3分割數據集構建與讀取/

5.3.1標注工具介紹/

5.3.2分割數據集下載/

5.3.3成對圖像讀取與數據增強/

5.4分割網絡的訓練與驗證/

5.4.1項目構建與超參數設置/

5.4.2分割網絡訓練/

5.4.3分割損失函數收斂性分析/

5.4.4人像分割測試/

5.5人像分割App/

5.5.1分割功能界面設計/

5.5.2獲取掩碼與前景圖像應用/

5.6本章小結/

第6章 低光照圖像質量增強/

6.1伽馬變換與低光照圖像/

6.2場景分析與像素直方圖/

6.3增強算法LLCNN/

6.3.1殘差暗光增強網絡/

6.3.2增強網絡實現/

6.3.3增強損失函數/

6.4數據集構建和下載/

6.5增強網絡訓練與驗證/

6.5.1項目構建/

6.5.2增強網絡訓練/

6.5.3像素級損失函數收斂分析/

6.5.4增強算法能力驗證/

6.6低光照圖像增強App/

6.6.1功能設定與界面設計/

6.6.2模型前向推理/

6.7本章小結/

第7章 GAN動漫人臉生成/

7.1GAN動漫人臉生成概述/

7.2深度卷積對抗網絡DCGAN/

7.2.1生成器/

7.2.2判別器/

7.2.3損失函數/

7.2.4生成器搭建/

7.2.5判別器搭建/

7.2.6訓練代碼/

7.3條件式對抗網絡CGAN/

7.3.1CGAN原理/

7.3.2CGAN實現/

7.4輔助分類對抗網絡ACGAN/

7.4.1ACGAN原理/

7.4.2ACGAN實現/

7.5動漫頭像生成App/

7.5.1頭像生成界面設計/

7.5.2數據生成與解析/

7.6拓展閱讀/

7.7本章小結/

第8章 圖像風格遷移/

8.1風格遷移概述/

8.2風格遷移網絡/

8.2.1基礎原理/

8.2.2內容特征/

8.2.3風格特征/

8.2.4重構網絡/

8.2.5風格遷移代碼實現/

8.3快速風格遷移/

8.3.1生成網絡/

8.3.2損失網絡/

8.3.3快速風格遷移代碼實現/

8.4圖像風格化App/

8.4.1風格化功能界面設計/

8.4.2三種風格的生成與解析/

8.5本章小結/

第9章 無監督風格互換/

9.1成對數據與不成對數據/

9.2cycleGAN原理與實現/

9.2.1無監督設計原理/

9.2.2對稱生成器與判別器的設計及實現/

9.2.3對抗性損失和循環一致性損失/

9.3兩種風格數據集的構建與讀取/

9.3.1數據集獲取/

9.3.2數據讀取/

9.4無監督訓練與驗證/

9.4.1項目構建/

9.4.2無監督cycleGAN訓練/

9.4.3風格轉換驗證/

9.5水果風格互換應用/

9.5.1水果風格轉換界面設計/

9.5.2兩種風格模型的前向推理/

9.6本章小結/

蒸汽機、電動機和計算機的發明與應用極大地推動了人類文明的發展。現在，一項新的技術浪潮正在掀起——人工智能（Artificial Intelligence）。

在人工智能領域包含的諸多技術中，深度學習是當前受矚目的技術之一。自2012年AlexNet模型在ImageNet分類任務上獲得驚人的準確率開始，深度學習技術就被廣泛應用於多項計算機科學研究任務之中，包括計算機視覺、自然語言處理及強化學習等。

學術界和工業界的前沿深度學習模型通常依賴海量的數據和強大的計算設備來設計出高質量的應用模型。然而對於普通開發者的入門學習，通常隻需要一臺計算機就能動手編寫眾多的深度學習算法，並訓練出可用的模型。

深度學習技術具有如此強大的魅力，開發者要如何開展具體的學習、研究與應用呢？這時就需要一款高質量的輔助工具來完成算法的設計、實現、訓練與部署了，這款工具就是本書將要介紹的深度學習框架——PyTorch。

本書將帶領讀者實現多種有趣的AI算法，比如風景圖分類、人像前景背景分割、低光照圖像增強、動漫頭像生成、畫風遷移、風格轉換等。不僅如此，書中還提供了移動端的應用案例，手把手地教讀者如何將模型部署到Android手機上。

本書適合的讀者

本書面向的讀者群體主要包括：

1)人工智能相關專業的高校師生。

2)從事軟件開發、數據庫設計、編譯器設計、自然語言處理、計算機視覺等領域工作的技術人員。

當然，即使讀者並非上述群體，隻要具有強烈的興趣和學習意願，仍然能夠充分地學習並利用本書所講的知識內容，成為人工智能研究領域中的一員。

如何使用本書

在編寫此書前，筆者對網絡上大量的深度學習入門資料進行了梳理總結，發現它們大都存在以下三個問題。

1）所介紹的任務同質化嚴重，都集中於手寫字識別等簡單場景，難以引起初學者的興趣。因此本書精選了眾多具有實際價值的場景任務，由淺入深地進行編排，方便讀者學習。

2）由於深度學習框架在前幾年發展太過迅速，眾多早期資料已經因為API不兼容而無法運行，這非常考驗初學者的代碼調試能力。而現階段深度學習框架已經基本穩定，API的兼容性也能得到很好的保證。本書準備了大量代碼，它們都適合版本的框架，很大程度地規避了不兼容問題。

3）目前雖然有較多優質的開源代碼，甚至已經成功地應用於實際商業場景。但這些開源代碼並不適合初學者學習，它們往往出於工程角度設計，封裝得過於復雜，初學者難以在短時間內釐清關繫，容易把精力浪費在非核心的邏輯上。而本書針對每個任務給出了為核心的代碼，降低了學習成本，使讀者能夠專注在重要的內容上。

學習本書好的方式是理論結合實踐，不僅要掌握書中的各類知識點，還要能夠獨立編寫出對應的代碼。本書涉及大量的PyTorch基礎知識和常用代碼，建議讀者按照書中的例子動手敲出這些代碼。

本書的代碼托管在GitHub倉庫中，讀者可以下載本書所有源碼。此外，本書的代碼倉庫將會不斷更新，希望讀者能夠在GitHub平臺上提出意見或者建議，倉庫地址為https://github.com/cwpeng-cn/PyTorch-neural-network-practice。

本書主要內容

本書共9章，鋻於本書前後各章具有一定的關聯，希望讀者能夠按照章節順序進行閱讀，以達到的學習效果。各章主要內容如下。

第1章介紹了人工智能的研究起源與發展歷程，並指出了人工智能與深度學習之間的關繫。同時講解了深度學習的入門知識，以及神經網絡的基本原理與概念。

第2章對PyTorch的基礎知識和使用方法進行了歸納和梳理。如果讀者在閱讀本書之前不具備深度學習框架的使用經驗，或者所用的不是PyTorch框架，建議仔細閱讀並實現本章的示例。

第3章包含了Android Studio開發基礎和PyTorch移動端部署兩方面內容，第4~9章的部署案例都能夠通過本章的代碼邏輯完成。

第4章講解了圖像分類網絡，以及適合在移動端部署的輕量級分類模型，並向讀者展示了如何構建一個風景圖歸檔器。

第5章以人像的前景和背景分割為例，介紹了圖像分割任務的研究目標和經典算法，閱讀本章後讀者可以學會制作一款簡易的智能摳圖工具。

第6章針對黃昏和傍晚時拍照所獲圖像亮度較低的問題，介紹了低光照圖像增強算法，並設計了一款低光照圖像增強應用。

第7章的案例是動漫人臉生成，使用了基於生成對抗網絡的圖像生成技術。如果讀者能夠搜集真實人臉的數據，或者其他類型的具有明顯類別特征的數據，也可以擴展為其他圖像的生成應用。

第8章講述了圖像風格遷移任務，即用戶可以將某種風格的圖像改為其他風格。

第9章可以看作是第8章知識的擴展，從圖像風格轉換的角度設計並實現了蘋果風格和橘子風格互相轉換的應用，背後的技術是學術界公認為經典的循環一致性對抗網絡。

致謝

本書介紹了人工智能、深度學習、PyTorch框架、Android開發等理論與實踐知識，這些知識是各領域科研人員和軟件工程師共同創造的，感謝你們的辛苦付出。

在本書的寫作過程中，機械工業出版社的編輯團隊提出了眾多有價值的建議和意見，他們的豐富經驗與耐心指導是本書能夠順利完成的重要基礎。