在人工智能的浩瀚星空中，深度学习犹如一颗耀眼的明星，引领着计算机视觉技术的发展。本书带领读者领略深度学习在计算视觉领域的魅力，详解使用PyTorch 2.0进行计算机视觉应用实战的技巧。本书配套示例源码、PPT课件。 本书共分15章，内容包括深度学习与计算机视觉、PyTorch 2.0深度学习环境搭建、从0开始PyTorch 2.0、一学就会的深度学习基础算法、基于PyTorch卷积层的MNIST分类实战、PyTorch数据处理与模型可视化、残差神经网络实战、基于OpenCV与PyTorch的人脸识别实战、词映射与循环神经网络、注意力机制与注意力模型详解、基于注意力机制的图像识别实战、基于Diffusion Model的从随机到可控的图像生成实战、基于注意力的单目摄像头目标检测实战、基于注意力与Unet的全画幅适配图像全景分割实战、基于预训练模型的可控零样本图像迁移合成实战。 本书既适合深度学习初学者、PyTorch初学者、PyTorch深度学习计算机视觉应用开发人员阅读，也可作为高等院校或高职高专计算机技术、人工智能、智能科学与技术、数据科学与大数据技术等相关专业的教材。

第1章 深度学习与计算机视觉
1.1 深度学习的历史与发展
1.1.1 深度学习的起源
1.1.2 深度学习的发展脉络
1.1.3 为什么是PyTorch 2.0
1.2 计算机视觉之路
1.2.1 计算机视觉的基本概念
1.2.2 计算机视觉深度学习的主要任务
1.2.3 计算机视觉中的深度学习方法
1.2.4 深度学习在计算机视觉中的应用
1.3 本章小结
第2章 PyTorch 2.0深度学习环境搭建
2.1 环境搭建1：安装Python
2.1.1 Miniconda的下载与安装
2.1.2 PyCharm的下载与安装
2，1.3 Python代码小练习：计算softmax函数
2.2 环境搭建2：安装PyTorch 2.0
2.2.1 NVIDIA 10/20/30/40系列显卡选择的GPU版本
2.2.2 PyTorch 2.0 GPUNVIDIA运行库的安装
2.2.3 Hello PyTorch
2.3 Unet图像降噪——第一个深度学习项目实战
2.3.1 MNIST数据集的准备
2.3.2 MNIST数据集特征介绍
2.3.3 Hello PyTorch 2.0——模型的准备和介绍
2.3.4 对目标的逼近——模型的损失函数与优化函数
2.3.5 Let's do it！——基于深度学习的模型训练
2.4 本章小结
第3章 从0开始PyTorch 2.0
3.1 实战MNIST手写体识别
3.1.1 数据图像的获取与标签的说明
3.1.2 实成基于PyTorch 2.0的手写体识别模型
3.2 PyTorch 2.0常用函数解析与使用指南
3.2.1 数据加载和预处理
3.2.2 张量的处理
3.2.3 模型的参数与初始化操作
3.3 本章小结
第4章 一学就会的深度学习基础算法
4.1 反向传播神经网络的发展历程
4.2 反向传播神经网络的两个基础算法详解
4.2.1 最小二乘法
4.2.2 随机梯度下降算法
4.2.3 最小二乘法的梯度下降算法及其Python实现
4.3 反馈神经网络反向传播算法介绍
4.3.1 深度学习基础
4.3.2 链式求导法则
4.3.3 反馈神经网络原理与公式推导
4.3.4 反馈神经网络原理的激活函数
4.3.5 反馈神经网络原理的Python实现
4.4 本章小结
第5章 基于PyTorch卷积层的MNIST分类实战
5.1 卷积运算的基本概念
5.1.1 基本卷积运算示例
5.1.2 PyTorch中卷积函数实现详解
5.1.3 池化运算
5.1.4 softmax激活函数
5.1.5 卷积神经网络原理
5.2 基于卷积的MNIST手写体分类
5.2.1 数据的准备
5.2.2 模型的设计
5.2.3 基于卷积的MNIST分类模型
5.3 PyTorch的深度可分离膨胀卷积详解
5.3.1 深度可分离卷积的定义
5.3.2 深度的定义以及不同计算层待训练参数的比较
5.3.3 膨胀卷积详解
5.3.4 PyTorch中基于深度可分离膨胀卷积的MNIST手写体识别
5.4 本章小结
第6章 PyTorch数据处理与模型可视化
6.1 用于自定义数据集的torch.utils.data工具箱的用法
6.1.1 使用torch.utils.data.Dataset封装自定义数据集
6.1.2 改变数据类型的Dataset类中的transform详解
6.1.3 批量输出数据的DatalLoader类详解
6.2 基于tensorboard的训练可视化展示
6.2.1 PyTorch 2.0模型可视化组件tensorboardX的安装
6.2.2 tensorboardX可视化组件的使用
6.2.3 tensorboardX对模型训练过程的展示
6.3 本章小结
第7章 残差神经网络实战
7.1 ResNet的原理与程序设计基础
7.1.1 ResNet诞生的背景
7.1.2 不要重复造轮子PyTorch 2.0中的模块
7.1.3 ResNet残差模块的实现
7.1.4 ResNet的实现
7.2 ResNet实战：CIFAR-10数据集分类
7.2.1 CIFAR-10数据集简介
7.2.2 基于ResNet的CIFAR-10数据集分类
7.3 本章小结
第8章 基于OpenCV与PyTorch的人脸识别实战
8.1 找到人脸——人脸识别数据集的建立
8.1.1 LFW数据集简介
8.1.2 Dlib库简介
8.1.3 OpenCV简介
8.1.4 使用Dlib检测人脸位置
8.1.5 使用Dlib和OpenCV制作人脸检测数据集
8.1.6 基于人脸定位制作适配深度学习的人脸识别数据集地址路径
8.2 人脸是谁——基于深度学习的人脸识别模型基本架构
8.2.1 人脸识别的基本模型SiameseModel
8.2.2 基于PyTorch 2.0的SiameseModel的实现
8.2.3 人脸识别的Contrastive Loss详解与实现
8.2.4 基于PyTorch 2.0的人脸识别模型
8.3 本章小结
第9章 词映射与循环神经网络
9.1 樱桃—红色+紫色=？——有趣的词映射
9.1.1 什么是词映射
9.1.2 PyTorch中embedding的处理函数详解
9.2 循环神经网络与情感分类实战
9.2.1 基于循环神经网络的中文情感分类实战的准备工作
9.2.2 基于循环神经网络的中文情感分类实战
9.3 循环神经网络理论讲解
9.3.1 什么是GRU
9.3.2 单向不行，那就双向
9.4 本章小结
第10章 注意力机制与注意力模型详解
10.1 注意力机制