PyTorch神經(jīng)網(wǎng)絡(luò)實戰(zhàn)：移動端圖像處理主要介紹人工智能研究領(lǐng)域中神經(jīng)網(wǎng)絡(luò)的PyTorch架構(gòu)，對其在多個領(lǐng)域的應(yīng)用進行系統(tǒng)性的歸納和梳理。書中的案例有風景圖分類、人像前景背景分割、低光照圖像增法、動漫頭像生成、畫風遷移、風格轉(zhuǎn)換等，對每項視覺任務(wù)的研究背景、應(yīng)用價值、算法原理、代碼實現(xiàn)和移動端部署流程進行了詳細描述，并提供相應(yīng)的源碼，適合讀者從0到1構(gòu)建移動端智能應(yīng)用。
PyTorch神經(jīng)網(wǎng)絡(luò)實戰(zhàn)：移動端圖像處理適合對人工智能實際應(yīng)用感興趣的本科生、研究生、深度學習算法工程師、計算機視覺從業(yè)人員和人工智能愛好者閱讀，書中介紹的各項視覺任務(wù)均含有相應(yīng)的安卓平臺部署案例，不僅對學生參加比賽、課程設(shè)計具有參考意義，對相關(guān)從業(yè)人員的軟件架構(gòu)和研發(fā)也具有啟發(fā)價值。
◆ 前言：◆
蒸汽機、電動機和計算機的發(fā)明與應(yīng)用極大地推動了人類文明的發(fā)展�，F(xiàn)在，一項新的技術(shù)浪潮正在掀起——人工智能（Artificial Intelligence）。
在人工智能領(lǐng)域包含的諸多技術(shù)中，深度學習是當前最受矚目的技術(shù)之一。自2012年AlexNet模型在ImageNet分類任務(wù)上獲得驚人的準確率開始，深度學習技術(shù)就被廣泛應(yīng)用于多項計算機科學研究任務(wù)之中，包括計算機視覺、自然語言處理及強化學習等。
學術(shù)界和工業(yè)界的前沿深度學習模型通常依賴海量的數(shù)據(jù)和強大的計算設(shè)備來設(shè)計出高質(zhì)量的應(yīng)用模型。然而對于普通開發(fā)者的入門學習，通常只需要一臺計算機就能動手編寫眾多的深度學習算法，并訓練出可用的模型。
深度學習技術(shù)具有如此強大的魅力，開發(fā)者要如何開展具體的學習、研究與應(yīng)用呢？這時就需要一款高質(zhì)量的輔助工具來完成算法的設(shè)計、實現(xiàn)、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(lǐng)讀者實現(xiàn)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(zhuǎn)換等。不僅如此，書中還提供了移動端的應(yīng)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(guān)專業(yè)的高校師生。
2)從事軟件開發(fā)、數(shù)據(jù)庫設(shè)計、編譯器設(shè)計、自然語言處理、計算機視覺等領(lǐng)域工作的技術(shù)人員。
當然，即使讀者并非上述群體，只要具有強烈的興趣和學習意愿，仍然能夠充分地學習并利用本書所講的知識內(nèi)容，成為人工智能研究領(lǐng)域中的一員。
如何使用本書
在編寫此書前，筆者對網(wǎng)絡(luò)上大量的深度學習入門資料進行了梳理總結(jié)，發(fā)現(xiàn)它們大都存在以下三個問題。
1）所介紹的任務(wù)同質(zhì)化嚴重，都集中于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(wù)，由淺入深地進行編排，方便讀者學習。
2）由于深度學習框架在前幾年發(fā)展太過迅速，眾多早期資料已經(jīng)因為API不兼容而無法運行，這非常考驗初學者的代碼調(diào)試能力。而現(xiàn)階段深度學習框架已經(jīng)基本穩(wěn)定，API的兼容性也能得到很好的保證。本書準備了大量代碼，它們都適合最新版本的框架，很大程度地規(guī)避了不兼容問題。
3）目前雖然有較多優(yōu)質(zhì)的開源代碼，甚至已經(jīng)成功地應(yīng)用于實際商業(yè)場景。但這些開源代碼并不適合初學者學習，它們往往出于工程角度設(shè)計，封裝得過于復(fù)雜，初學者難以在短時間內(nèi)厘清關(guān)系，容易把精力浪費在非核心的邏輯上。而本書針對每個任務(wù)給出了最為核心的代碼，降低了學習成本，使讀者能夠?qū)Ｗ⒃谥匾膬?nèi)容上。
學習本書最好的方式是理論結(jié)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(yīng)的代碼。本書涉及大量的PyTorch基礎(chǔ)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(nèi)容
本書共9章，鑒于本書前后各章具有一定的關(guān)聯(lián)，希望讀者能夠按照章節(jié)順序進行閱讀，以達到最佳的學習效果。各章主要內(nèi)容如下。
第1章介紹了人工智能的研究起源與發(fā)展歷程，并指出了人工智能與深度學習之間的關(guān)系。同時講解了深度學習的入門知識，以及神經(jīng)網(wǎng)絡(luò)的基本原理與概念。
第2章對PyTorch的基礎(chǔ)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(jīng)驗，或者所用的不是PyTorch框架，建議仔細閱讀并實現(xiàn)本章的示例。
第3章包含了Android Studio開發(fā)基礎(chǔ)和PyTorch移動端部署兩方面內(nèi)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(wǎng)絡(luò)，以及適合在移動端部署的輕量級分類模型，并向讀者展示了如何構(gòu)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(wù)的研究目標和經(jīng)典算法，閱讀本章后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，并設(shè)計了一款低光照圖像增強應(yīng)用。
第7章的案例是動漫人臉生成，使用了基于生成對抗網(wǎng)絡(luò)的圖像生成技術(shù)。如果讀者能夠搜集真實人臉的數(shù)據(jù)，或者其他類型的具有明顯類別特征的數(shù)據(jù)，也可以擴展為其他圖像的生成應(yīng)用。
第8章講述了圖像風格遷移任務(wù)，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(zhuǎn)換的角度設(shè)計并實現(xiàn)了蘋果風格和橘子風格互相轉(zhuǎn)換的應(yīng)用，背后的技術(shù)是學術(shù)界公認為經(jīng)典的循環(huán)一致性對抗網(wǎng)絡(luò)。
致謝
本書介紹了人工智能、深度學習、PyTorch框架、Android開發(fā)等理論與實踐知識，這些知識是各領(lǐng)域科研人員和軟件工程師共同創(chuàng)造的，感謝你們的辛苦付出。
在本書的寫作過程中，機械工業(yè)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(jīng)驗與耐心指導是本書能夠順利完成的重要基礎(chǔ)。
書單推薦
