人工智能（Artificial Intelligence，簡稱AI）一詞在很久以前就有了，被大眾津津樂道卻是近幾年的事情，這和機器學(xué)習(xí)（Machine Learning）、深度學(xué)習(xí)（Deep Learning）等技術(shù)的崛起有著千絲萬縷的聯(lián)系，而這一切又得益于大數(shù)據(jù)的發(fā)展和計算機處理性能的不斷提升。
本書將帶領(lǐng)讀者了解人工智能的相關(guān)技術(shù)和發(fā)展近況，通過一些實例來掌握必備的技能，并能夠獨立使用相關(guān)技術(shù)完成對計算機視覺問題的分析和處理。本書各個章節(jié)的知識要點如下。
第1章主要介紹人工智能、神經(jīng)網(wǎng)絡(luò)和計算機視覺的發(fā)展歷史，讓讀者對這一領(lǐng)域有一個全面的認識。 第2章主要介紹在理解和掌握后面章節(jié)的內(nèi)容時需要用到的數(shù)學(xué)知識，以及在實戰(zhàn)操作的過程中進行環(huán)境搭建及安裝相關(guān)軟件的方法。本書中數(shù)學(xué)相關(guān)的大部分知識都集中在本章中，其主要目的是讓讀者先對這個領(lǐng)域的知識產(chǎn)生興趣，這樣才能更好地深入學(xué)習(xí)和研究。在本章中不會插入大量的數(shù)學(xué)公式，這樣做會讓初學(xué)者望而卻步，在不斷消化公式的過程中喪失學(xué)習(xí)興趣和動力。通過不斷實戰(zhàn)來學(xué)習(xí)，可以累積成就感，這種自頂向下的方式不失為一種更好的學(xué)習(xí)方法。
第3章主要介紹在學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的過程中會經(jīng)常遇到的一些概念和定義。比如后向傳播（Back Propagation）、激活函數(shù)（Activation Function）、監(jiān)督學(xué)習(xí)（Supervised Learning）、無監(jiān)督學(xué)習(xí)（Unsupervised Learning），等等，這也是為之后學(xué)習(xí)深度神經(jīng)網(wǎng)絡(luò)做準備。在搭建一個完整的深度神經(jīng)網(wǎng)絡(luò)模型時，就需要不斷地用到本章的內(nèi)容了。
第4章主要介紹深度神經(jīng)網(wǎng)絡(luò)中的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，簡稱CNN）。首先介紹卷積層、全連接層、池化層等相關(guān)內(nèi)容，之后又列舉了目前主流的一些卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，并對比它們之間的相同點和不同點，以便于掌握不同的卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和技術(shù)細節(jié)。
第5章主要介紹Python編程語言的相關(guān)知識，目的是讓讀者掌握Python語言的語法定義和使用方式，并使用Python語言進行功能代碼的編寫；還會介紹在處理計算機視覺問題時需要用到的兩個重要的Python包：NumPy和Matplotlib。本章內(nèi)容豐富，而且Python語言自身就很簡單且易上手，讀者很快就能掌握Python這門編程語言。
第6章主要介紹如何使用PyTorch深度學(xué)習(xí)框架。PyTorch非常簡單易用，能夠根據(jù)我們的需求快速搭建出我們想要的深度神經(jīng)網(wǎng)絡(luò)模型，這在很大程度上歸功于PyTorch基于動態(tài)圖計算的特性，它與基于靜態(tài)圖計算的深度學(xué)習(xí)框架相比，有更多的優(yōu)勢，比如PyTorch不僅速度快，還有許多功能強大的包可供調(diào)用。本章先介紹PyTorch中常用的包和類的使用方法；然后介紹如何使用PyTorch中的一些自動化方法來提升代碼的執(zhí)行效率和簡潔度；最后會通過一個綜合實例，使用本章的內(nèi)容解決一個實際的計算機視覺問題。
第7章一開始就是一個關(guān)于計算機視覺問題的實戰(zhàn)，介紹了一種非常實用的深度神經(jīng)網(wǎng)絡(luò)復(fù)用方法，即遷移學(xué)習(xí)（Transfer Learning）。在掌握遷移學(xué)習(xí)的原理之后，會基于PyTorch對遷移學(xué)習(xí)進行實戰(zhàn)，并解決比之前更復(fù)雜的計算機視覺問題。對實戰(zhàn)代碼的解析會貫穿本章，讓讀者更深刻地理解代碼。
第8章講解如何基于PyTorch實戰(zhàn)圖像風(fēng)格遷移（Neural Style）。通過對本章的學(xué)習(xí)，讀者會發(fā)現(xiàn)，利用卷積神經(jīng)網(wǎng)絡(luò)不僅能處理圖片分類問題，只要有想法和創(chuàng)意，還能做更多、更有趣的事情。
第9章介紹一種多模型融合方法，在現(xiàn)有的模型遭遇性能提升瓶頸時，可通過搭建一種經(jīng)過科學(xué)融合的新模型達到超過預(yù)期的泛化能力。本章依然會基于PyTorch對多模型融合方法進行實戰(zhàn)。
第10章介紹一種區(qū)別于卷積神經(jīng)網(wǎng)絡(luò)的新神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，即循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，簡稱RNN）。不同于卷積神經(jīng)網(wǎng)絡(luò)強大的圖像特征提取能力，循環(huán)神經(jīng)網(wǎng)絡(luò)主要用于處理有序輸入的數(shù)據(jù)。為了方便讀者理解模型如何對有序數(shù)據(jù)進行處理，本章會基于PyTorch使用循環(huán)神經(jīng)網(wǎng)絡(luò)來處理一個計算機視覺問題。
第11章講解自動編碼器，它是一種使用非監(jiān)督學(xué)習(xí)方法的神經(jīng)網(wǎng)絡(luò)。自編碼器能夠?qū)崿F(xiàn)很多功能，本章會選取一個圖像去噪問題來進行自動編碼器實戰(zhàn)。
本書前6章的內(nèi)容可作為后5章的鋪墊，前6章的知識偏向基礎(chǔ)和理論，不過，只有掌握了這些內(nèi)容，才能從容應(yīng)對后5章的實戰(zhàn)。這個循序漸進的過程會讓讀者對知識的理解更深刻，技能提升更迅速。
人工智能在近幾年大熱，網(wǎng)絡(luò)上的相關(guān)資料良莠不齊且沒有體系，即使有優(yōu)秀的干貨，對于基礎(chǔ)薄弱的初學(xué)者來說起點也太高。本書也是出于對這一現(xiàn)狀的考慮，通過從基礎(chǔ)到實戰(zhàn)、由淺入深的過程，讓讀者基于PyTorch來使用深度學(xué)習(xí)方法實際解決一些計算機視覺相關(guān)的問題，這樣，讀者在獲取知識的過程中會更有成就感，學(xué)起來也會更積極、主動。
感謝家人的鼓勵和支持，也感謝張國霞編輯的幫助和付出，筆者才能以更好的方式將這部作品呈現(xiàn)在讀者的面前。希望讀者能遵從敏捷學(xué)習(xí)的思路，多實戰(zhàn)、多思考并不斷進步。在本書中會有很多實例，讀者可以舉一反三、不斷實踐，在發(fā)現(xiàn)問題時要多思考，畢竟本書涉及的內(nèi)容有限，若想讓自己的能力得到更高層次的提升，則需要獲取更多的資料來充實自己。

唐進民
2018年5月

輕松注冊成為博文視點社區(qū)用戶（www.broadview.com.cn），掃碼直達本書頁面。

• 提交勘誤：您對書中內(nèi)容的修改意見可在 提交勘誤 處提交，若被采納，將獲贈博文視點社區(qū)積分（在您購買電子書時，積分可用來抵扣相應(yīng)金額）。
• 交流互動：在頁面下方 讀者評論 處留下您的疑問或觀點，與我們和其他讀者一同學(xué)習(xí)交流。

頁面入口：http://www.broadview.com.cn/34144