![]()
内容推荐 本书较为全面地介绍华为MindSpore深度学习框架的系统架构及其典型应用。 全书从运辑上分为3个部分。第一部分由第1章和第2章组成,介绍深度学习基础、MindSpore概述。第二部分由第3~8章组成,介绍MindSpore框架各子系统的使用方法,包括数据处理、MindSpore算子、神经网络模型的开发、数据可视化组件MindInsight、推理和移动端AI框架MindSpore Lite。第三部分由第9章组成,介绍基于DCGAN的动浸头像生成实例。 本书既可以作为深度学习相关方向学生的专业用书,又可以作为相关科研人员和开发人员的参考用书。 目录 第1章 深度学习基础 1.1 深度学习的基础理论 1.1.1 人工智能的发展历程 1.1.2 深度学习是当前热度最高的AI技术 1.1.3 深度学习技术的常用概念 1.1.4 深度学习的基本工作流程 1.2 深度学习框架 1.2.1 常用的深度学习框架 1.2.2 深度学习框架的对比与选择 1.3 深度学习框架的执行模式 1.3.1 Eager模式和Graph模式的对比 1.3.2 计算图的概念 1.4 华为云AI平台ModelArts 1.4.1 功能概述 1.4.2 ModelArts平台对昇腾生态的支持 1.4.3 ModelArts开发工具 1.4.4 使用ModelArts平台的基本方法 第2章 MindSpore概述 2.1 总体架构 2.1.1 华为全栈全场景AI解决方案 2.1.2 MindSpore框架的总体架构 2.2 MindSpore库和子系统 2.2.1 ModelZoo模型库 2.2.2 Extend扩展库 2.2.3 MindScience子系统 2.2.4 MindExpression子系统 2.2.5 MindCompiler子系统 2.2.6 MindRT子系统 2.2.7 MindData子系统 2.2.8 MindInsight子系统 2.2.9 MindAmour子系统 2.3 搭建MindSpore环境 2.3.1 准备基础运行环境 2.3.2 安装MindSpore框架 2.3.3 MindSpore社区 2.4 Python模块编程 2.4.1 Python模块编程基础 2.4.2 常用的Python数据科学开发包 2.4.3 MindSpore Python API的常用模块 2.5 MindSpore编程基础 2.5.1 MindSpore的开发流程 2.5.2 配置MindSpore的运行信息 2.5.3 数据类型(DataType) 2.5.4 张量(Tensor) 2.5.5 数据集(Dataset) 2.5.6 算子(Operation) 2.5.7 神经网络基本单元(Cell) 2.5.8 模型(Model) 第3章 数据处理 3.1 背景知识 3.1.1 深度学习中的数据处理 3.1.2 MindSpore的数据处理流程 3.2 数据集加载 3.2.1 加载常用图像数据集 3.2.2 加载常用文本数据集 3.2.3 数据采样 3.2.4 生成和使用自定义数据集 3.3 通用数据处理 3.3.1 数据混洗 3.3.2 实现数据映射操作 3.3.3 对数据集进行分批 3.3.4 对数据集进行重复处理 3.3.5 对数据集进行拼接处理 3.3.6 Tensor对象的转置处理 3.4 文本数据处理 3.4.1 文本数据增强技术概述 3.4.2 构造和使用词汇表 3.4.3 文本分词技术 3.5 图像处理与增强 3.5.1 使用Matplotlib显示图像 3.5.2 图像裁剪 3.5.3 图像翻转 3.5.4 图像缩放 3.5.5 图像反相 3.5.6 图像格式的转换 3.5.7 图像数据类型的转换 3.6 自定义数据集MindRecord 3.6.1 将数据存储为MindRecord数据集 3.6.2 加载MindRecord数据集 3.7 优化数据处理 3.7.1 数据加载性能优化 3.7.2 数据增强性能优化 3.8 ModelArts数据处理 3.8.1 创建数据集 3.8.2 数据增强 第4章 MindSpore算子 4.1 深度学习的常用算法 4.1.1 激活函数 4.1.2 损失函数 4.1.3 优化器(optimizer) 4.1.4 归一化(normalization) 4.2 常用的激活函数算子 4.2.1 ReLU函数相关算子 4.2.2 Sigmoid函数相关算子 4.2.3 Tanh函数相关算子 4.2.4 Leaky ReLU函数相关算子 4.2.5 ELU函数相关算子 4.3 常用的损失函数算子 4.3.1 MSE损失函数相关算子 4.3.2 L1损失函数相关算子 4.3.3 SmoothL1损失函数相关算子 4.3.4 交叉熵损失函数相关算子 4.3.5 KLDiv损失函数相关算子 4.3.6 NLL损失函数相关算子 4.3.7 SoftMargin损失函数相关算子 4.4 常用的优化器和学习率相关算子 4.4.1 常用的优化器算子 4.4.2 学习率相关算子 4.5 常用的归一化算子 4.5.1 BN算法相关算子 4.5.2 LN算法相关算子 4.5.3 IN算法相关算子 4.5.4 GN算法相关算子 4.5.5 LRN算法相关算子 第5章 神经网络模型开发 5.1 神经网络模型基础 5.1.1 搭建神经网络的流程 5.1.2 CNN的工作原理 5.1.3 CNN的经典模型 5.2 MindSpore搭建神经网络 5.2.1 在MindSpore框架中搭建神经网络的流程 5.2.2 定义神经网络类 5.2.3 在神经网络中定义隐层 5.2.4 自动微分 5.2.5 设置超参初始值 5.2.6 设置损失函数和优化器 5.3 模型训练 5.3.1 创建模型对象 5.3.2 训练模型 5.3.3 保存模型 5.4 基于LeNet-5模型的手写数字识别实例 5.4.1 搭建环境 5.4.2 训练模型 5.4.3 LeNet-5模型的源代码解析 5.5 通过ModelArts云平台在线训练模型 5.5.1 本节案例的流程 5.5.2 准备训练数据 5.5.3 订阅算法 5.5.4 |