深度學(xué)習(xí) Caffe之經(jīng)典模型詳解與實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	樂毅著
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	計(jì)算機(jī)/網(wǎng)絡(luò) 軟件工程/開發(fā)項(xiàng)目管理

購(gòu)買這本書可以去

ISBN：	9787121301186	出版時(shí)間：	2016-10-01	包裝：	平裝
開本：	16開	頁(yè)數(shù)：	344	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書首先介紹了深度學(xué)習(xí)相關(guān)的理論和主流的深度學(xué)習(xí)框架，然后從Caffe 深度學(xué)習(xí)框架為切入點(diǎn)，介紹了Caffe 的安裝、配置、編譯和接口等運(yùn)行環(huán)境，剖析Caffe 網(wǎng)絡(luò)模型的構(gòu)成要素和常用的層類型和Solver 方法。通過(guò)LeNet 網(wǎng)絡(luò)模型的Mnist 手寫實(shí)例介紹其樣本訓(xùn)練和識(shí)別過(guò)程，進(jìn)一步詳細(xì)解讀了AlexNet、VGGNet、GoogLeNet、Siamese 和SqueezeNet 網(wǎng)絡(luò)模型，并給出了這些模型基于Caffe 的訓(xùn)練實(shí)戰(zhàn)方法。然后，本書解讀了利用深度學(xué)習(xí)進(jìn)行目標(biāo)定位的經(jīng)典網(wǎng)絡(luò)模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD，并進(jìn)行目標(biāo)定位Caffe 實(shí)戰(zhàn)。本書的最后，從著名的Kaggle 網(wǎng)站引入了兩個(gè)經(jīng)典的實(shí)戰(zhàn)項(xiàng)目，并進(jìn)行了有針對(duì)性的原始數(shù)據(jù)分析、網(wǎng)絡(luò)模型設(shè)計(jì)和Caffe 訓(xùn)練策略實(shí)踐，以求帶給讀者從問題提出到利用Caffe 求解的完整工程經(jīng)歷，從而使讀者能盡快掌握Caffe 框架的使用技巧和實(shí)戰(zhàn)經(jīng)驗(yàn)。針對(duì)Caffe 和深度學(xué)習(xí)領(lǐng)域的初學(xué)者，本書是一本不可多得的參考資料。本書的內(nèi)容既有易懂的理論背景，又有豐富的應(yīng)用實(shí)踐，是深度學(xué)習(xí)初學(xué)者的指導(dǎo)手冊(cè)，也可作為深度學(xué)習(xí)相關(guān)領(lǐng)域工程師和愛好者的參考用書。

作者簡(jiǎn)介

　　樂毅：計(jì)算機(jī)專業(yè)碩士，現(xiàn)任職于某數(shù)據(jù)通信公司，高級(jí)系統(tǒng)工程師。負(fù)責(zé)公司深度學(xué)習(xí)技術(shù)領(lǐng)域的應(yīng)用及相關(guān)項(xiàng)目，對(duì)深度學(xué)習(xí)及大數(shù)據(jù)深度挖掘具有濃厚的興趣。擅長(zhǎng)Caffe等深度學(xué)習(xí)框架及網(wǎng)絡(luò)模型應(yīng)用。王斌：通信與信息系統(tǒng)碩士，現(xiàn)任職于某數(shù)據(jù)通信公司，高級(jí)系統(tǒng)工程師。多年致力于深度學(xué)習(xí)技術(shù)的前沿研究與應(yīng)用，對(duì)Caffe等深度學(xué)習(xí)框架在圖像識(shí)別領(lǐng)域有深刻理解，承擔(dān)公司多項(xiàng)與機(jī)器學(xué)習(xí)相關(guān)的研究工作。

圖書目錄

第1 章緒論
1 1 引言
1 2 人工智能的發(fā)展歷程
1 3 機(jī)器學(xué)習(xí)及相關(guān)技術(shù)
1 3 1 學(xué)習(xí)形式分類
1 3 2 學(xué)習(xí)方法分類
1 3 3 機(jī)器學(xué)習(xí)的相關(guān)技術(shù)
1 4 國(guó)內(nèi)外研究現(xiàn)狀
1 4 1 國(guó)外研究現(xiàn)狀
1 4 2 國(guó)內(nèi)研究現(xiàn)狀
第2 章深度學(xué)習(xí)
2 1 神經(jīng)網(wǎng)絡(luò)模型
2 1 1 人腦視覺機(jī)理
2 1 2 生物神經(jīng)元
2 1 3 人工神經(jīng)網(wǎng)絡(luò)
2 2 BP 神經(jīng)網(wǎng)絡(luò)
2 2 1 BP 神經(jīng)元
2 2 2 BP 神經(jīng)網(wǎng)絡(luò)構(gòu)成
2 2 3 正向傳播
2 2 4 反向傳播
2 3 卷積神經(jīng)網(wǎng)絡(luò)
2 3 1 卷積神經(jīng)網(wǎng)絡(luò)的歷史
2 3 2 卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)
2 3 3 局部感知
2 3 4 參數(shù)共享
2 3 5 多卷積核
2 3 6 池化（Pooling）
2 4 深度學(xué)習(xí)框架
2 4 1 Caffe
2 4 2 Torch
2 4 3 Keras
2 4 4 MXNet
2 4 5 TensorFlow
2 4 6 CNTK
2 4 7 Theano
第3 章 Caffe 簡(jiǎn)介及其安裝配置
3 1 Caffe 是什么
3 1 1 Caffe 的特點(diǎn)
3 1 2 Caffe 的架構(gòu)
3 2 Caffe 的安裝環(huán)境
3 2 1 Caffe 的硬件環(huán)境
3 2 2 Caffe 的軟件環(huán)境
3 2 3 Caffe 的依賴庫(kù)
3 2 4 Caffe 開發(fā)環(huán)境的安裝
3 3 Caffe 接口
3 3 1 Caffe Python 接口
3 3 2 Caffe MATLAB 接口
3 3 3 Caffe 命令行接口
第4 章 Caffe 網(wǎng)絡(luò)定義
4 1 Caffe 模型要素
4 1 1 網(wǎng)絡(luò)模型
4 1 2 參數(shù)配置
4 2 Google Protobuf 結(jié)構(gòu)化數(shù)據(jù)
4 3 Caffe 數(shù)據(jù)庫(kù)
4 3 1 LevelDB
4 3 2 LMDB
4 3 3 HDF5
4 4 Caffe Net
4 5 Caffe Blob
4 6 Caffe Layer
4 6 1 Data Layers
4 6 2 Convolution Layers
4 6 3 Pooling Layers
4 6 4 InnerProduct Layers
4 6 5 ReLU Layers
4 6 6 Sigmoid Layers
4 6 7 LRN Layers
4 6 8 Dropout Layers
4 6 9 SoftmaxWithLoss Layers
4 6 10 Softmax Layers
4 6 11 Accuracy Layers
4 7 Caffe Solver
Solver 方法
第5 章 LeNet 模型
5 1 LeNet 模型簡(jiǎn)介
5 2 LeNet 模型解讀
5 3 Caffe 環(huán)境LeNet 模型
5 3 1 mnist 實(shí)例詳解
5 3 2 mnist 手寫測(cè)試
5 3 3 mnist 樣本字庫(kù)的圖片轉(zhuǎn)換
第6 章 AlexNet 模型
6 1 AlexNet 模型介紹
6 2 AlexNet 模型解讀
6 3 AlexNet 模型特點(diǎn)
6 4 Caffe 環(huán)境AlexNet 模型訓(xùn)練
6 4 1 數(shù)據(jù)準(zhǔn)備
6 4 2 其他支持文件
6 4 3 圖片預(yù)處理
6 4 4 ImageNet 數(shù)據(jù)集介紹
6 4 5 ImageNet 圖片介紹
6 4 6 ImageNet 模型訓(xùn)練
6 4 7 Caffe 的AlexNet 模型與論文的不同
6 4 8 ImageNet 模型測(cè)試
第7 章 GoogLeNet 模型
7 1 GoogLeNet 模型簡(jiǎn)介
7 1 1 背景和動(dòng)機(jī)
7 1 2 Inception 結(jié)構(gòu)
7 2 GoogLeNet 模型解讀
7 2 1 GoogLeNet 模型結(jié)構(gòu)
7 2 2 GoogLeNet 模型特點(diǎn)
7 3 GoogLeNet 模型的Caffe 實(shí)現(xiàn)
第8 章 VGGNet 模型
8 1 VGGNet 網(wǎng)絡(luò)模型
8 1 1 VGGNet 模型介紹
8 1 2 VGGNet 模型特點(diǎn)
8 1 3 VGGNet 模型解讀
8 2 VGGNet 網(wǎng)絡(luò)訓(xùn)練
8 2 1 VGGNet 訓(xùn)練參數(shù)設(shè)置
8 2 2 Multi-Scale 訓(xùn)練
8 2 3 測(cè)試
8 2 4 部署
8 3 VGGNet 模型分類實(shí)驗(yàn)
8 3 1 Single-scale 對(duì)比
8 3 2 Multi-scale 對(duì)比
8 3 3 模型融合
8 4 VGGNet 網(wǎng)絡(luò)結(jié)構(gòu)
第9 章 Siamese 模型
9 1 Siamese 網(wǎng)絡(luò)模型
9 1 1 Siamese 模型原理
9 1 2 Siamese 模型實(shí)現(xiàn)
9 2 Siamese 網(wǎng)絡(luò)訓(xùn)練
9 2 1 數(shù)據(jù)準(zhǔn)備
9 2 2 生成side
9 2 3 對(duì)比損失函數(shù)
9 2 4 定義solver
9 2 5 網(wǎng)絡(luò)訓(xùn)練
第10 章 SqueezeNet 模型
10 1 SqueezeNet 網(wǎng)絡(luò)模型
10 1 1 SqueezeNet 模型原理
10 1 2 Fire Module
10 1 3 SqueezeNet 模型結(jié)構(gòu)
10 1 4 SqueezeNet 模型特點(diǎn)
10 2 SqueezeNet 網(wǎng)絡(luò)實(shí)現(xiàn)
第11 章 FCN 模型
11 1 FCN 模型簡(jiǎn)介
11 2 FCN 的特點(diǎn)和使用場(chǎng)景
11 3 Caffe FCN 解讀
11 3 1 FCN 模型訓(xùn)練準(zhǔn)備
11 3 1 FCN 模型訓(xùn)練
第12 章 R-CNN 模型
12 1 R-CNN 模型簡(jiǎn)介
12 2 R-CNN 的特點(diǎn)和使用場(chǎng)景
12 3 Caffe R-CNN 解讀
12 3 1 R-CNN 模型訓(xùn)練準(zhǔn)備
12 3 2 R-CNN 模型訓(xùn)練
第13 章 Fast-RCNN 模型
13 1 Fast-RCNN 模型簡(jiǎn)介
13 2 Fast-RCNN 的特點(diǎn)和使用場(chǎng)景
13 3 Caffe Fast-RCNN 解讀
13 3 1 Fast-RCNN 模型訓(xùn)練準(zhǔn)備
13 3 2 Fast-RCNN 模型訓(xùn)練
第14 章 Faster-RCNN 模型
14 1 Faster-RCNN 模型簡(jiǎn)介
14 2 Faster-RCNN 的特點(diǎn)和使用場(chǎng)景
14 3 Caffe Faster-RCNN 解讀
14 3 1 Faster-RCNN 模型訓(xùn)練準(zhǔn)備
14 3 2 Faster-RCNN 模型訓(xùn)練
第15 章 SSD 模型
15 1 SSD 模型簡(jiǎn)介
15 2 SSD 的特點(diǎn)和使用場(chǎng)景
15 3 Caffe SSD 解讀
15 3 1 SSD 模型訓(xùn)練準(zhǔn)備
15 3 2 SSD 模型訓(xùn)練
第16 章 Kaggle 項(xiàng)目實(shí)踐：人臉特征檢測(cè)
16 1 項(xiàng)目簡(jiǎn)介
16 2 賽題和數(shù)據(jù)
16 3 Caffe 訓(xùn)練和測(cè)試數(shù)據(jù)庫(kù)
16 3 1 數(shù)據(jù)庫(kù)生成
16 3 2 網(wǎng)絡(luò)對(duì)比
16 3 3 網(wǎng)絡(luò)一
16 3 4 網(wǎng)絡(luò)二
16 3 5 Python 人臉特征預(yù)測(cè)程序
第17 章 Kaggle 項(xiàng)目實(shí)踐：貓狗分類檢測(cè)
17 1 項(xiàng)目簡(jiǎn)介
17 2 賽題和數(shù)據(jù)
17 3 Caffe 訓(xùn)練和測(cè)試數(shù)據(jù)庫(kù)
17 3 1 數(shù)據(jù)庫(kù)生成
17 3 2 Caffe 實(shí)現(xiàn)
17 3 3 CatdogNet 訓(xùn)練
17 3 4 CatdogNet 模型驗(yàn)證