第 1 章 圖片分類模型
1.1 深度神經網路起源
1.2 Inception 系列模型
1.3 ResNet 模型
1.4 DenseNet 模型
1.5 PNASNet 模型
1.6 EfficientNet 模型
1.7 實例：使用預訓練模型辨識圖片內容
1.8 實例：使用遷移學習辨識多種鳥類
1.9 從深度卷積模型中提取視覺特徵

第 2 章 機器視覺的進階應用
2.1 基於圖片內容的處理任務
2.2 實例: 使用Mask R-CNN 模型進行目標檢測與語義分割
2.3 基於視訊內容的處理任務
2.4 實例: 用GaitSet 模型分析人走路的姿態，並進行身份辨識
2.5 偵錯技巧

第 3 章 自然語言處理的相關應用
3.1 BERT 模型與NLP 任務的發展階段
3.2 NLP 中的常見任務
3.3 實例: 訓練中文詞向量
3.4 常用文字處理工具
3.5 實例: 用TextCNN 模型分析評論者是否滿意
3.6 了解Transformers 函數庫
3.7 實例: 使用Transformers 函數庫的管道方式完成多種NLP任務
3.8 Transformers 函數庫中的AutoModel 類別
3.9 Transformers 函數庫中的BERTology 系列模型
3.10 Transformers 函數庫中的詞表工具
3.11 BERTology 系列模型
3.12 實例: 用遷移學習訓練BERT 模型來對中文分類
3.13 實例: 用R-GCN 模型了解文字中的代詞

第 4 章 神經網路的可解釋性
4.1 了解模型解釋函數庫
4.2 實例: 用可解釋性了解數值分析神經網路模型
4.3 實例: 用可解釋性了解NLP 相關的神經網路模型
4.4 實例: 用Bertviz 工具視覺化BERT 模型權重
4.5 實例: 用可解釋性了解影像處理相關的神經網路模型
4.6 實例: 用可解釋性了解圖片分類相關的神經網路模型

第 5 章 辨識未知分類的方法-- 零次學習
5.1 了解零次學習
5.2 零次學習中的常見問題
5.3 帶有視覺結構約束的VSC 模型
5.4 詳解Sinkhorn 演算法
5.5 實例: 使用VSC 模型來辨識未知類別的鳥類圖片
5.6 針對零次學習的性能分析

第 6 章 異質圖神經網路
6.1 異質圖的基礎知識
6.2 二分圖的實現方式
6.3 異質圖的實現方式
6.4 隨機行走取樣
6.5 DGL 函數庫中的區塊圖結構
6.6 實例: 使用PinSAGE 模型架設推薦系統
6.7 複習

 

序

　　圖神經網路（GNN）是一類基於深度學習的處理圖域資訊的方法。因為圖神經網路具有較好的性能和可解釋性，所以它已成為一種廣泛應用的圖型分析方法。

　　本書透過介紹一些深度學習實例，從可解釋性角度出發，說明深度學習的原理，然後將圖神經網路與深度學習結合，實現一些圖神經網路的實例。這些實例是在PyTorch 框架上完成的，具有很高的實用價值。本書中的實例涉及人工智慧的多個應用領域，具體包括影像處理領域、視訊處理領域、文字分析領域、深度學習的可解釋性、零次學習、異質圖型處理領域等。在每個實例中，都會穿插介紹一些進階的最佳化技巧和模型架設方法。

　　本書具有以下4 個特色。

　　（1）知識系統，逐層遞進。本書主要介紹圖神經網路的相關知識和基礎原理，內容涵蓋與圖神經網路相關的完整技術堆疊（更多基礎內容可參考《全格局使用PyTorch - 深度學習和圖神經網路基礎篇》），結合實踐，分別講解了圖型、視訊、文字、可解釋性等項目級實戰案例，並列出實現程式。同時，針對圖片分類中常見的樣本不足的問題，介紹了零次學習技術及應用實例。

　　（2）緊接前端技術。本書介紹的知識接近前端技術。在介紹與圖神經網路相關的原理和應用的同時，為了拓寬讀者的知識面，本書引用了與講解的原理相關的論文，並列出這些論文的出處，方便讀者對感興趣的知識進行溯源，並可以自主擴充閱讀。

　　（3）配以簡單易懂的圖形，學習更直觀。在介紹模型結構和原理的同時，本書還提供了大量插圖，用以視覺化模型中的資料流程向、展示模型擬合能力、細緻呈現某種技術的內部原理、直觀化模型的內部結構，幫助讀者快速了解和掌握書中內容。

　　（4）理論和實踐結合，並融入作者的經驗和技巧。本書採用了兩種講解基礎知識的方式：一是先介紹基礎知識原理，再對該基礎知識進行程式實現；二是直接從實例入手，在實現過程中，將相關的基礎知識展開並詳解開發技巧。為了不讓讀者閱讀時感到枯燥，本書將這兩種方式結合使用。同時，在一些重要的基礎知識後面，還會以特殊的樣式列出提示和注意內容。這些提示和注意內容中融合了作者的經驗，希望幫助讀者掃清障礙、解除困惑、抓住重點。

　　本書作者對書中的原理部分和實戰程式進行了反覆推敲與更改，限於時間和能力，書中存在紕漏在所難免，真誠地希望讀者批評指正。本書編輯聯繫電子郵件：zhangtao@ptpress.com.cn。本書由大蛇智慧網站提供有關內容的技術支援。在閱讀過程中，如有不了解之處，可到討論區bbs.aianaconda.com 提問。