深度学习是近年来计算机视觉应用在多个方面取得进步的驱动力。本书以实践为驱动，结合具体应用场景，基于真实数据集全面系统地介绍如何使用PyTorch解决50多个计算机视觉问题。 首先，你将学习使用NumPy和PyTorch从头开始构建神经网络（NN），并了解调整神经网络超参数的最佳实践。然后，你将学习如何使用卷积神经网络（CNN）和迁移学习完成图像分类任务，并理解其中的工作原理。随后，你将学习二维和三维多目标检测、图像分割、人体姿态估计等多个实际任务，并使用R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO、U-Net、Mask R-CNN、Detectron2等框架实现这些任务。在自编码器和GAN部分，本书将指导你学习面部表情替换、面部图像生成和面部表情处理技术。之后，你将学习如何将计算机视觉与NLP技术（如LSTM、transformer等）和强化学习技术（如深度Q学习等）相结合，实现OCR、图像标题生成、目标检测和汽车自动驾驶智能体等应用。最后，你将学习如何将神经网络模型部署到AWS云等实际应用场景。

译者序
前言
第一部分 面向计算机视觉的深度学习基础知识
第1章 人工神经网络基础
1.1 比较人工智能与传统机器学习
1.2 人工神经网络的构建模块
1.3 实现前向传播
1.3.1 计算隐藏层的值
1.3.2 应用激活函数
1.3.3 计算输出层的值
1.3.4 计算损失值
1.3.5 前向传播的代码
1.4 实现反向传播
1.4.1 梯度下降的代码
1.4.2 使用链式法则实现反向传播
1.5 整合前向传播与反向传播
1.6 理解学习率的影响
1.7 总结神经网络的训练过程
1.8 小结
1.9 课后习题
第2章 PyTorch基础
2.1 安装PyTorch
2.2 PyTorch张量
2.2.1 初始化张量
2.2.2 张量运算
2.2.3 张量对象的自动梯度
2.2.4 PyTorch的张量较NumPy的ndarrays的优势
2.3 使用PyTorch构建神经网络
2.3.1 数据集、数据加载器和批大小
2.3.2 预测新的数据点
2.3.3 实现自定义损失函数
2.3.4 获取中间层的值
2.4 使用序贯方法构建神经网络
2.5 保存并加载PyTorch模型
2.5.1 statedict
2.5.2 保存
2.5.3 加载
2.6 小结
2.7 课后习题
第3章 使用PyTorch构建深度神经网络
3.1 表示图像
……
第二部分 物体分类与目标检测
第4章 卷积神经网络
第5章 面向图像分类的迁移学习
第6章 图像分类的实战技术
第7章 目标检测基础
第8章 目标检测进阶
第9章 图像分割
第10章 目标检测与分割的应用
第三部分 图像处理
第11章 自编码器与图像处理
第12章 基于GAN的图像生成
第13章 高级GAN图像处理
第四部分 计算机视觉与其他技术
第14章 使用小样本进行模型训练
第15章 计算机视觉与NLP
第16章 计算机视觉与强化学习
第17章 模型的实际应用部署
第18章 使用OpenCV实用程序进行图像分析
附录 课后习题答案