学习使用 CNN 进行图像分类，了解二分类与多分类图像分类模型的区别，以及如何在 PyTorch 中使用迁移学习完成图像分类。

二分类与多分类图像分类

类别数量

二分类模型

多类别分类模型

用于图像的卷积层

RGB、灰度，还是 alpha？

添加新的卷积层

创建顺序模块（sequential block）

使用预训练模型

保存并加载模型

加载预训练模型

使用 ResNet 进行图像分类

使用 CNN 的图像分类

通过预测目标的边界框来检测图像中的对象，并评估目标识别模型的性能。

边界框

目标识别

图像张量

绘制边界框

评估目标识别模型

计算 IoU

边界框预测

计算 NMS

使用 R-CNN 进行目标检测

预训练模型的骨干网络

分类器模块

框回归器模块

使用 Faster R-CNN 的区域建议网络

Anchor 生成器

Faster R-CNN 模型

为 RPN 和 R-CNN 定义损失函数

学习三种图像分割类型（语义分割、实例分割和全景分割）、其应用场景，以及各自适用的机器学习模型架构。

图像分割入门

选项

语义分割

实例分割

全景分割

分割类型

创建二值掩码

使用掩码分割图像

使用 Mask R-CNN 进行实例分割

使用预训练的 Mask R-CNN 进行分割

分析模型输出

显示软掩膜

使用 U-Net 的语义分割

构建 U-Net：层的定义

构建 U-Net：forward 方法

运行语义分割

设置语义掩码

叠加实例掩码

图像分割

使用生成对抗网络（GAN）生成全新的图像。学习搭建并训练深度卷积 GAN，以及如何评估其输出的质量与多样性。

GAN 简介

理解 GAN 的直觉

生成器

判别器

Deep Convolutional GAN（深度卷积 GAN）

卷积生成器

卷积判别器

训练 GAN

生成器损失

判别器损失

训练循环

评估 GAN

生成图像

Fréchet Inception Distance

总结

使用 GAN 的图像生成

在本课程中，您将使用 PyTorch 学习图像分类、目标识别、分割与图像生成。您将实践二分类与多分类图像分类模型，在深度学习任务中利用预训练模型，并掌握使用边界框的目标检测。此外，您还将深入图像分割，包括语义分割、实例分割与全景分割，并了解其真实应用。最后，您将探索生成对抗网络（GAN），并学习如何评估生成图像的质量与多样性。

这门使用 PyTorch 进行图像深度学习的课程将为您提供在图像分类、目标检测、分割和生成方面脱颖而出的实用技能和知识。 

<h2>使用卷积神经网络（CNN）对图像进行分类</h2>

你将应用 CNN 进行二分类和多分类图像分类，并了解如何在 PyTorch 中利用预训练模型。 借助边界框，你还可以检测图像中的对象，并评估对象识别模型的性能。

<h2>通过应用掩码对图像进行分割</h2>

探索图像分割，包括语义分割、实例分割和全景分割，通过将掩码应用于图像，并了解每种分割类型所需的不同模型架构。 

<h2>使用 GAN 生成图像</h2>

最后，你将学习如何使用生成对抗网络（GAN）生成自己的图像。 你将学习构建和训练深度卷积生成对抗网络（DCGAN）的技能，以及如何评估生成图像的质量和多样性。

在本课程结束时，你将掌握使用 PyTorch 模型处理各种图像任务所需的技能和经验。

Intermediate Deep Learning with PyTorch

使用PyTorch对图像进行处理，利用深度学习模型进行目标检测和图像分割生成。

使用 PyTorch 进行图像深度学习

将 PyTorch 应用于图像，并使用深度学习模型进行带边界框的目标检测和图像分割生成。

深度学习 在 Python 中

运行语义分割

使用 PyTorch 进行图像深度学习

练习说明

交互式实操练习