舉報 
會員
華為MindSpore深度學習框架應用開發實戰
最新章節：
9.3.15 展示生成的卡通頭像
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。
最新章節
- 9.3.15 展示生成的卡通頭像
- 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
- 9.3.13 訓練模型
- 9.3.12 完成生成器和判別器的實例化工作
- 9.3.11 定義DCGAN網絡
- 9.3.10 定義損失函數和優化器
品牌：人郵圖書
上架時間：2024-11-21 15:35:52
出版社：人民郵電出版社
本書數字版權由人郵圖書提供，并由其授權上海閱文信息技術有限公司制作發行
- 9.3.15 展示生成的卡通頭像 更新時間：2024-11-21 15:42:11
- 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
- 9.3.13 訓練模型
- 9.3.12 完成生成器和判別器的實例化工作
- 9.3.11 定義DCGAN網絡
- 9.3.10 定義損失函數和優化器
- 9.3.9 連接判別器和損失函數
- 9.3.8 連接生成器和損失函數
- 9.3.7 定義判別器模型
- 9.3.6 定義生成器模型
- 9.3.5 初始化權重參數
- 9.3.4 可視化部分訓練數據
- 9.3.3 圖像數據處理與增強
- 9.3.2 設置MindSpore運行屬性及訓練參數
- 9.3.1 下載并解壓數據集
- 9.3 實例的在線運行與代碼解析
- 9.2.2 在ModelArts中創建Notebook實例并上傳代碼
- 9.2.1 下載實例代碼
- 9.2 為在線運行實例準備環境
- 9.1.3 DCGAN的原理
- 9.1.2 什么是GAN
- 9.1.1 生成模型和判別模型
- 9.1 GAN和DCGAN理論基礎
- 第9章 基于DCGAN的動漫頭像生成實例
- 8.5.8 端側推理的C++程序
- 8.5.7 本實例執行端側推理的流程
- 8.5.6 構建和運行本實例App項目
- 8.5.5 搭建本實例的開發環境
- 8.5.4 下載本實例的源代碼
- 8.5.3 本實例使用的圖像分類模型
- 8.5.2 本實例的開發流程
- 8.5.1 本實例的運行效果
- 8.5 開發圖像分類的Android App實例
- 8.4.7 實例中端側模型推理代碼解析
- 8.4.6 實例中端側模型評估代碼解析
- 8.4.5 實例中端側模型訓練代碼解析
- 8.4.4 運行實例
- 8.4.3 為運行實例做準備
- 8.4.2 解析實例的主腳本prepare_and_run.sh
- 8.4.1 實例的目錄結構
- 8.4 端側訓練、評估和推理實例
- 8.3.3 單純的端側推理場景編程
- 8.3.2 端側模型訓練可以使用的回調函數
- 8.3.1 完整的遷移學習過程編程
- 8.3 MindSpore Lite C++編程
- 8.2.3 下載MindSpore Lite壓縮包
- 8.2.2 編譯MindSpore Lite
- 8.2.1 安裝依賴的軟件
- 8.2 在Ubuntu環境下安裝MindSpore Lite
- 8.1.2 在線模塊
- 8.1.1 離線模塊
- 8.1 MindSpore Lite的總體架構
- 第8章 移動端AI框架MindSpore Lite
- 7.4.4 Python使用ONNX Runtime進行推理的流程
- 7.4.3 在Python環境中安裝ONNX Runtime
- 7.4.2 使用MindSpore導出ONNX模型
- 7.4.1 ONNX Runtime概述
- 7.4 MindSpore離線推理
- 7.3.3 測試模型
- 7.3.2 驗證模型
- 7.3.1 使用MindSpore Hub從華為云加載模型
- 7.3 MindSpore在線推理
- 7.2.3 加載模型
- 7.2.2 MindSpore模型的文件格式
- 7.2.1 MindSpore推理的流程
- 7.2 MindSpore推理概述
- 7.1.2 訓練和推理的區別與聯系
- 7.1.1 推理的基本概念
- 7.1 推理概述
- 第7章 推理
- 6.4.3 對比看板
- 6.4.2 溯源
- 6.4.1 溯源與對比看板的數據采集實例
- 6.4 溯源與對比看板
- 6.3.7 損失函數多維分析
- 6.3.6 數據抽樣
- 6.3.5 數據圖可視化
- 6.3.4 計算圖可視化
- 6.3.3 張量可視化
- 6.3.2 參數分布圖
- 6.3.1 訓練標量可視化
- 6.3 訓練看板
- 6.2.2 解析Summary日志文件
- 6.2.1 收集Summary日志文件
- 6.2 收集和解析Summary日志文件
- 6.1.2 安裝MindInsight
- 6.1.1 MindInsight的工作原理
- 6.1 MindInsight概述
- 第6章 數據可視化組件MindInsight
- 5.5 通過ModelArts云平臺在線訓練模型
- 5.4.3 LeNet-5模型的源代碼解析
- 5.4.2 訓練模型
- 5.4.1 搭建環境
- 5.4 基于LeNet-5模型的手寫數字識別實例
- 5.3.3 保存模型
- 5.3.2 訓練模型
- 5.3.1 創建模型對象
- 5.3 模型訓練
- 5.2.6 設置損失函數和優化器
- 5.2.5 設置超參初始值
- 5.2.4 自動微分
- 5.2.3 在神經網絡中定義隱藏層
- 5.2.2 定義神經網絡類
- 5.2.1 在MindSpore框架中搭建神經網絡的流程
- 5.2 在MindSpore框架中搭建神經網絡
- 5.1.3 卷積神經網絡的經典模型
- 5.1.2 卷積神經網絡的工作原理
- 5.1.1 搭建神經網絡的流程
- 5.1 神經網絡模型的基礎
- 第5章 神經網絡模型的開發
- 4.5.5 LRN算法相關算子
- 4.5.4 GN算法相關算子
- 4.5.3 IN算法相關算子
- 4.5.2 LN算法相關算子
- 4.5.1 BN算法相關算子
- 4.5 常用的歸一化算子
- 4.4.2 學習率相關算子
- 4.4.1 常用的優化器算子
- 4.4 常用的優化器和學習率相關算子
- 4.3.7 SoftMargin損失函數相關算子
- 4.3.6 NLL損失函數相關算子
- 4.3.5 KLDiv損失函數相關算子
- 4.3.4 交叉熵損失函數相關算子
- 4.3.3 SmoothL1損失函數相關算子
- 4.3.2 L1損失函數相關算子
- 4.3.1 MSE損失函數相關算子
- 4.3 常用的損失函數算子
- 4.2.5 ELU函數相關算子
- 4.2.4 Leaky ReLU函數相關算子
- 4.2.3 Tanh函數相關算子
- 4.2.2 Sigmoid函數相關算子
- 4.2.1 ReLU函數相關算子
- 4.2 常用的激活函數算子
- 4.1.4 歸一化
- 4.1.3 優化器
- 4.1.2 損失函數
- 4.1.1 激活函數
- 4.1 深度學習的常用算法
- 第4章 MindSpore算子
- 3.8.2 數據增強
- 3.8.1 創建數據集
- 3.8 ModelArts數據處理
- 3.7.2 數據增強性能優化
- 3.7.1 數據加載性能優化
- 3.7 優化數據處理
- 3.6.2 加載MindRecord數據集
- 3.6.1 將數據存儲為MindRecord數據集
- 3.6 自定義數據集MindRecord
- 3.5.7 圖像數據類型的轉換
- 3.5.6 圖像格式的轉換
- 3.5.5 圖像反相
- 3.5.4 圖像縮放
- 3.5.3 圖像翻轉
- 3.5.2 圖像裁剪
- 3.5.1 使用Matplotlib顯示圖像
- 3.5 圖像處理與增強
- 3.4.3 文本分詞技術
- 3.4.2 構造和使用詞匯表
- 3.4.1 文本數據增強技術概述
- 3.4 文本數據處理
- 3.3.6 Tensor對象的轉置處理
- 3.3.5 對數據集進行拼接處理
- 3.3.4 對數據集進行重復處理
- 3.3.3 對數據集進行分批
- 3.3.2 實現數據映射操作
- 3.3.1 數據混洗
- 3.3 通用數據處理
- 3.2.4 生成和使用自定義數據集
- 3.2.3 數據采樣
- 3.2.2 加載常用文本數據集
- 3.2.1 加載常用圖像數據集
- 3.2 數據集加載
- 3.1.2 MindSpore的數據處理流程
- 3.1.1 深度學習中的數據處理
- 3.1 背景知識
- 第3章 數據處理
- 2.5.8 模型
- 2.5.7 神經網絡基本單元
- 2.5.6 算子
- 2.5.5 數據集
- 2.5.4 張量
- 2.5.3 數據類型
- 2.5.2 配置MindSpore的運行信息
- 2.5.1 MindSpore的開發流程
- 2.5 MindSpore編程基礎
- 2.4.3 MindSpore Python API的常用模塊
- 2.4.2 常用的Python數據科學開發包
- 2.4.1 Python模塊編程基礎
- 2.4 Python模塊編程
- 2.3.3 MindSpore社區
- 2.3.2 安裝MindSpore框架
- 2.3.1 準備基礎運行環境
- 2.3 搭建MindSpore環境
- 2.2.9 MindArmour子系統
- 2.2.8 MindInsight子系統
- 2.2.7 MindData子系統
- 2.2.6 MindRT子系統
- 2.2.5 MindCompiler子系統
- 2.2.4 MindExpression子系統
- 2.2.3 MindScience子系統
- 2.2.2 Extend擴展庫
- 2.2.1 ModelZoo模型庫
- 2.2 MindSpore庫和子系統
- 2.1.2 MindSpore框架的總體架構
- 2.1.1 華為全棧全場景AI解決方案
- 2.1 總體架構
- 第2章 MindSpore概述
- 1.4.4 使用ModelArts平臺的基本方法
- 1.4.3 ModelArts開發工具
- 1.4.2 ModelArts平臺對昇騰生態的支持
- 1.4.1 功能概述
- 1.4 華為云AI平臺ModelArts
- 1.3.2 計算圖的概念
- 1.3.1 Eager模式和Graph模式的對比
- 1.3 深度學習框架的執行模式
- 1.2.2 深度學習框架的對比與選擇
- 1.2.1 常用的深度學習框架
- 1.2 深度學習框架
- 1.1.4 深度學習的基本工作流程
- 1.1.3 深度學習的概念
- 1.1.2 深度學習受到的關注
- 1.1.1 人工智能的發展歷程
- 1.1 深度學習的基礎理論
- 第1章 深度學習基礎
- 前言
- 內容提要
- 版權信息
- 封面
- 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
