深度學(xué)習：主流框架和編程實戰(zhàn)

CONTENTS
目　　錄
前言
第1章　緒論 1
1.1　機器學(xué)習與深度學(xué)習 1
1.1.1　機器學(xué)習與深度學(xué)習的關(guān)系 2
1.1.2　傳統(tǒng)機器學(xué)習與深度學(xué)習的對比 3
1.2　統(tǒng)計學(xué)與深度學(xué)習 5
1.2.1　統(tǒng)計學(xué)與深度學(xué)習的關(guān)系 5
1.2.2　基于統(tǒng)計的深度學(xué)習技術(shù) 6
1.3　本書涉及的深度學(xué)習框架 8
1.4　優(yōu)化深度學(xué)習的方法 8
1.5　深度學(xué)習展望 9
第2章　TensorFlow深度學(xué)習框架構(gòu)建方法與圖像分類的實現(xiàn) 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基于Anaconda的安裝 16
2.2.2　測試TensorFlow 19
2.3　基于TensorFlow框架的圖像分類實現(xiàn)（ResNet-34） 20
2.3.1　應(yīng)用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序?qū)崿F(xiàn) 24
2.3.4　詳細代碼解析 27
2.3.5　實驗結(jié)果及分析 51
第3章　Caffe深度學(xué)習框架搭建與圖像語義分割的實現(xiàn) 56
3.1　Caffe概述 56
3.1.1　Caffe的特點 56
3.1.2　Caffe框架結(jié)構(gòu) 57
3.2　Caffe框架安裝與調(diào)試 59
3.3　基于Caffe框架的圖像分割實現(xiàn)（FCN） 64
3.3.1　用Caffe構(gòu)建卷積神經(jīng)網(wǎng)絡(luò) 64
3.3.2　FCN-8s網(wǎng)絡(luò)簡介 69
3.3.3　詳細代碼解讀 85
3.3.4　實驗結(jié)果與結(jié)論 98
第4章　Torch深度學(xué)習框架搭建與目標檢測的實現(xiàn) 100
4.1　Torch概述 100
4.1.1　Torch的特點 100
4.1.2　Lua語言 102
4.2　Torch框架安裝 104
4.3　基于Torch框架的目標檢測實現(xiàn)（Faster R-CNN） 113
4.3.1　Torch的類和包的基本用法 113
4.3.2　用Torch構(gòu)建神經(jīng)網(wǎng)絡(luò) 116
4.3.3　Faster R-CNN介紹 119
4.3.4　Faster R-CNN實例 127
4.3.5　實驗結(jié)果分析 161
第5章　MXNet深度學(xué)習框架構(gòu)建與自然語言處理的實現(xiàn) 164
5.1　MXNet概述 164
5.1.1　MXNet基礎(chǔ)知識 164
5.1.2　編程接口 166
5.1.3　系統(tǒng)實現(xiàn) 169
5.1.4　MXNet的關(guān)鍵特性 171
5.2　MXNet框架安裝 172
5.3　基于MXNet框架的自然語言處理實現(xiàn)（LSTM） 179
5.3.1　自然語言處理應(yīng)用背景 179
5.3.2　RNN及LSTM網(wǎng)絡(luò) 180
5.3.3　Bucketing及不同長度的序列訓(xùn)練 183
5.3.4　詳細代碼實現(xiàn) 185
5.3.5　實驗過程及實驗結(jié)果分析 191
第6章　遷移學(xué)習 195
6.1　遷移學(xué)習發(fā)展概述 195
6.2　遷移學(xué)習的類型與模型 196
6.2.1　凍結(jié)源模型與微調(diào)源模型 197
6.2.2　神經(jīng)網(wǎng)絡(luò)遷移學(xué)習模型與分類器遷移學(xué)習模型 197
6.3　遷移學(xué)習方法實例指導(dǎo) 199
6.3.1　遷移學(xué)習應(yīng)用示例 199
6.3.2　實驗結(jié)論 202
第7章　并行計算與交叉驗證 203
7.1　并行計算 203
7.1.1　數(shù)據(jù)并行框架 204
7.1.2　模型并行框架 205
7.1.3　數(shù)據(jù)并行與模型并行的混合架構(gòu) 205
7.2　交叉驗證 207
7.2.1　留出法 207
7.2.2　K折交叉驗證 208
7.2.3　留一交叉驗證 209
參考文獻 211