會員

華為MindSpore深度學習框架應用開發實戰

李曉黎編著著

更新時間：2024-11-21 15:42:11

開會員，本書免費讀 >

全書從邏輯上共分3部分。第一部分由第1章和第2章組成，介紹深度學習的基礎理論、MindSpore總體架構和編程基礎。第二部分由第3～8章組成，介紹MindSpore框架各子系統的具體情況，包括數據處理、算子、神經網絡模型開發、數據可視化組件MindInsight、推理、以及移動端AI框架MindSporeLite。第三部分由第9章和第10章組成，介紹使用MindSpore框架開發和訓練的經典深度學習模型實例。本書既可以作為深度學習相關方向學生的專業用書，又可以作為相關科研人員和開發人員的參考用書。

目錄(228章)

倒序

封面
版權信息
內容提要
前言
第1章深度學習基礎
1.1 深度學習的基礎理論
1.1.1 人工智能的發展歷程
1.1.2 深度學習受到的關注
1.1.3 深度學習的概念
1.1.4 深度學習的基本工作流程
1.2 深度學習框架
1.2.1 常用的深度學習框架
1.2.2 深度學習框架的對比與選擇
1.3 深度學習框架的執行模式
1.3.1 Eager模式和Graph模式的對比
1.3.2 計算圖的概念
1.4 華為云AI平臺ModelArts
1.4.1 功能概述
1.4.2 ModelArts平臺對昇騰生態的支持
1.4.3 ModelArts開發工具
1.4.4 使用ModelArts平臺的基本方法
第2章 MindSpore概述
2.1 總體架構
2.1.1 華為全棧全場景AI解決方案
2.1.2 MindSpore框架的總體架構
2.2 MindSpore庫和子系統
2.2.1 ModelZoo模型庫
2.2.2 Extend擴展庫
2.2.3 MindScience子系統
2.2.4 MindExpression子系統
2.2.5 MindCompiler子系統
2.2.6 MindRT子系統
2.2.7 MindData子系統
2.2.8 MindInsight子系統
2.2.9 MindArmour子系統
2.3 搭建MindSpore環境
2.3.1 準備基礎運行環境
2.3.2 安裝MindSpore框架
2.3.3 MindSpore社區
2.4 Python模塊編程
2.4.1 Python模塊編程基礎
2.4.2 常用的Python數據科學開發包
2.4.3 MindSpore Python API的常用模塊
2.5 MindSpore編程基礎
2.5.1 MindSpore的開發流程
2.5.2 配置MindSpore的運行信息
2.5.3 數據類型
2.5.4 張量
2.5.5 數據集
2.5.6 算子
2.5.7 神經網絡基本單元
2.5.8 模型
第3章數據處理
3.1 背景知識
3.1.1 深度學習中的數據處理
3.1.2 MindSpore的數據處理流程
3.2 數據集加載
3.2.1 加載常用圖像數據集
3.2.2 加載常用文本數據集
3.2.3 數據采樣
3.2.4 生成和使用自定義數據集
3.3 通用數據處理
3.3.1 數據混洗
3.3.2 實現數據映射操作
3.3.3 對數據集進行分批
3.3.4 對數據集進行重復處理
3.3.5 對數據集進行拼接處理
3.3.6 Tensor對象的轉置處理
3.4 文本數據處理
3.4.1 文本數據增強技術概述
3.4.2 構造和使用詞匯表
3.4.3 文本分詞技術
3.5 圖像處理與增強
3.5.1 使用Matplotlib顯示圖像
3.5.2 圖像裁剪
3.5.3 圖像翻轉
3.5.4 圖像縮放
3.5.5 圖像反相
3.5.6 圖像格式的轉換
3.5.7 圖像數據類型的轉換
3.6 自定義數據集MindRecord
3.6.1 將數據存儲為MindRecord數據集
3.6.2 加載MindRecord數據集
3.7 優化數據處理
3.7.1 數據加載性能優化
3.7.2 數據增強性能優化
3.8 ModelArts數據處理
3.8.1 創建數據集
3.8.2 數據增強
第4章 MindSpore算子
4.1 深度學習的常用算法
4.1.1 激活函數
4.1.2 損失函數
4.1.3 優化器
4.1.4 歸一化
4.2 常用的激活函數算子
4.2.1 ReLU函數相關算子
4.2.2 Sigmoid函數相關算子
4.2.3 Tanh函數相關算子
4.2.4 Leaky ReLU函數相關算子
4.2.5 ELU函數相關算子
4.3 常用的損失函數算子
4.3.1 MSE損失函數相關算子
4.3.2 L1損失函數相關算子
4.3.3 SmoothL1損失函數相關算子
4.3.4 交叉熵損失函數相關算子
4.3.5 KLDiv損失函數相關算子
4.3.6 NLL損失函數相關算子
4.3.7 SoftMargin損失函數相關算子
4.4 常用的優化器和學習率相關算子
4.4.1 常用的優化器算子
4.4.2 學習率相關算子
4.5 常用的歸一化算子
4.5.1 BN算法相關算子
4.5.2 LN算法相關算子
4.5.3 IN算法相關算子
4.5.4 GN算法相關算子
4.5.5 LRN算法相關算子
第5章神經網絡模型的開發
5.1 神經網絡模型的基礎
5.1.1 搭建神經網絡的流程
5.1.2 卷積神經網絡的工作原理
5.1.3 卷積神經網絡的經典模型
5.2 在MindSpore框架中搭建神經網絡
5.2.1 在MindSpore框架中搭建神經網絡的流程
5.2.2 定義神經網絡類
5.2.3 在神經網絡中定義隱藏層
5.2.4 自動微分
5.2.5 設置超參初始值
5.2.6 設置損失函數和優化器
5.3 模型訓練
5.3.1 創建模型對象
5.3.2 訓練模型
5.3.3 保存模型
5.4 基于LeNet-5模型的手寫數字識別實例
5.4.1 搭建環境
5.4.2 訓練模型
5.4.3 LeNet-5模型的源代碼解析
5.5 通過ModelArts云平臺在線訓練模型
第6章數據可視化組件MindInsight
6.1 MindInsight概述
6.1.1 MindInsight的工作原理
6.1.2 安裝MindInsight
6.2 收集和解析Summary日志文件
6.2.1 收集Summary日志文件
6.2.2 解析Summary日志文件
6.3 訓練看板
6.3.1 訓練標量可視化
6.3.2 參數分布圖
6.3.3 張量可視化
6.3.4 計算圖可視化
6.3.5 數據圖可視化
6.3.6 數據抽樣
6.3.7 損失函數多維分析
6.4 溯源與對比看板
6.4.1 溯源與對比看板的數據采集實例
6.4.2 溯源
6.4.3 對比看板
第7章推理
7.1 推理概述
7.1.1 推理的基本概念
7.1.2 訓練和推理的區別與聯系
7.2 MindSpore推理概述
7.2.1 MindSpore推理的流程
7.2.2 MindSpore模型的文件格式
7.2.3 加載模型
7.3 MindSpore在線推理
7.3.1 使用MindSpore Hub從華為云加載模型
7.3.2 驗證模型
7.3.3 測試模型
7.4 MindSpore離線推理
7.4.1 ONNX Runtime概述
7.4.2 使用MindSpore導出ONNX模型
7.4.3 在Python環境中安裝ONNX Runtime
7.4.4 Python使用ONNX Runtime進行推理的流程
第8章移動端AI框架MindSpore Lite
8.1 MindSpore Lite的總體架構
8.1.1 離線模塊
8.1.2 在線模塊
8.2 在Ubuntu環境下安裝MindSpore Lite
8.2.1 安裝依賴的軟件
8.2.2 編譯MindSpore Lite
8.2.3 下載MindSpore Lite壓縮包
8.3 MindSpore Lite C++編程
8.3.1 完整的遷移學習過程編程
8.3.2 端側模型訓練可以使用的回調函數
8.3.3 單純的端側推理場景編程
8.4 端側訓練、評估和推理實例
8.4.1 實例的目錄結構
8.4.2 解析實例的主腳本prepare_and_run.sh
8.4.3 為運行實例做準備
8.4.4 運行實例
8.4.5 實例中端側模型訓練代碼解析
8.4.6 實例中端側模型評估代碼解析
8.4.7 實例中端側模型推理代碼解析
8.5 開發圖像分類的Android App實例
8.5.1 本實例的運行效果
8.5.2 本實例的開發流程
8.5.3 本實例使用的圖像分類模型
8.5.4 下載本實例的源代碼
8.5.5 搭建本實例的開發環境
8.5.6 構建和運行本實例App項目
8.5.7 本實例執行端側推理的流程
8.5.8 端側推理的C++程序
第9章基于DCGAN的動漫頭像生成實例
9.1 GAN和DCGAN理論基礎
9.1.1 生成模型和判別模型
9.1.2 什么是GAN
9.1.3 DCGAN的原理
9.2 為在線運行實例準備環境
9.2.1 下載實例代碼
9.2.2 在ModelArts中創建Notebook實例并上傳代碼
9.3 實例的在線運行與代碼解析
9.3.1 下載并解壓數據集
9.3.2 設置MindSpore運行屬性及訓練參數
9.3.3 圖像數據處理與增強
9.3.4 可視化部分訓練數據
9.3.5 初始化權重參數
9.3.6 定義生成器模型
9.3.7 定義判別器模型
9.3.8 連接生成器和損失函數
9.3.9 連接判別器和損失函數
9.3.10 定義損失函數和優化器
9.3.11 定義DCGAN網絡
9.3.12 完成生成器和判別器的實例化工作
9.3.13 訓練模型
9.3.14 繪制訓練過程中生成器和判別器的損失值的變化趨勢圖
9.3.15 展示生成的卡通頭像更新時間：2024-11-21 15:42:11

官术网_书友最值得收藏!

華為MindSpore深度學習框架應用開發實戰