PyTorch神经网络实战：移动端图像处理

1. 内容新颖。使用新框架实现多种有趣的AI算法。
2. 实用性强。结合多个案例，手把手带领读者将模型部署到移动端。

PyTorch神经网络实战：移动端图像处理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。
PyTorch神经网络实战：移动端图像处理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A/
3.8.1自定义A图标与名称/
3.8.2创建发布版A/
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/