深度学习――Caffe之经典模型详解与实战 下载 mobi epub pdf 电子书 2024

产品特色

编辑推荐

1 着重于深度学习的应用实践能力提升。

2 以Caffe 深度学习框架为切入点，剖析了Caffe 网络模型的构成。

3 深入解读了利用深度学习进行目标定位的经典网络模型。

4 以两大经典实战项目引领读者经历从问题提出到利用Caffe 求解的完整工程。

内容简介

本书首先介绍了深度学习相关的理论和主流的深度学习框架，然后从Caffe 深度学习框架为切入点，介绍了Caffe 的安装、配置、编译和接口等运行环境，剖析Caffe 网络模型的构成要素和常用的层类型和Solver 方法。通过LeNet 网络模型的Mnist 手写实例介绍其样本训练和识别过程，进一步详细解读了AlexNet、VGGNet、GoogLeNet、Siamese 和SqueezeNet 网络模型，并给出了这些模型基于Caffe 的训练实战方法。然后，本书解读了利用深度学习进行目标定位的经典网络模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD，并进行目标定位Caffe 实战。本书的最后，从著名的Kaggle 网站引入了两个经典的实战项目，并进行了有针对性的原始数据分析、网络模型设计和Caffe 训练策略实践，以求带给读者从问题提出到利用Caffe 求解的完整工程经历，从而使读者能尽快掌握Caffe 框架的使用技巧和实战经验。针对Caffe 和深度学习领域的初学者，本书是一本不可多得的参考资料。本书的内容既有易懂的理论背景，又有丰富的应用实践，是深度学习初学者的指导手册，也可作为深度学习相关领域工程师和爱好者的参考用书。

作者简介

乐毅：计算机专业硕士，现任职于某数据通信公司，高级系统工程师。负责公司深度学习技术领域的应用及相关项目，对深度学习及大数据深度挖掘具有浓厚的兴趣。擅长Caffe等深度学习框架及网络模型应用。王斌：通信与信息系统硕士，现任职于某数据通信公司，高级系统工程师。多年致力于深度学习技术的前沿研究与应用，对Caffe等深度学习框架在图像识别领域有深刻理解，承担公司多项与机器学习相关的研究工作。

目录

第1 章 绪论
1 1 引言
1 2 人工智能的发展历程
1 3 机器学习及相关技术
1 3 1 学习形式分类
1 3 2 学习方法分类
1 3 3 机器学习的相关技术
1 4 国内外研究现状
1 4 1 国外研究现状
1 4 2 国内研究现状
第2 章 深度学习
2 1 神经网络模型
2 1 1 人脑视觉机理
2 1 2 生物神经元
2 1 3 人工神经网络
2 2 BP 神经网络
2 2 1 BP 神经元
2 2 2 BP 神经网络构成
2 2 3 正向传播
2 2 4 反向传播
2 3 卷积神经网络
2 3 1 卷积神经网络的历史
2 3 2 卷积神经网络的网络结构
2 3 3 局部感知
2 3 4 参数共享
2 3 5 多卷积核
2 3 6 池化（Pooling）
2 4 深度学习框架
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 简介及其安装配置
3 1 Caffe 是什么
3 1 1 Caffe 的特点
3 1 2 Caffe 的架构
3 2 Caffe 的安装环境
3 2 1 Caffe 的硬件环境
3 2 2 Caffe 的软件环境
3 2 3 Caffe 的依赖库
3 2 4 Caffe 开发环境的安装
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 网络定义
4 1 Caffe 模型要素
4 1 1 网络模型
4 1 2 参数配置
4 2 Google Protobuf 结构化数据
4 3 Caffe 数据库
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 模型简介
5 2 LeNet 模型解读
5 3 Caffe 环境LeNet 模型
5 3 1 mnist 实例详解
5 3 2 mnist 手写测试
5 3 3 mnist 样本字库的图片转换
第6 章 AlexNet 模型
6 1 AlexNet 模型介绍
6 2 AlexNet 模型解读
6 3 AlexNet 模型特点
6 4 Caffe 环境AlexNet 模型训练
6 4 1 数据准备
6 4 2 其他支持文件
6 4 3 图片预处理
6 4 4 ImageNet 数据集介绍
6 4 5 ImageNet 图片介绍
6 4 6 ImageNet 模型训练
6 4 7 Caffe 的AlexNet 模型与论文的不同
6 4 8 ImageNet 模型测试
第7 章 GoogLeNet 模型
7 1 GoogLeNet 模型简介
7 1 1 背景和动机
7 1 2 Inception 结构
7 2 GoogLeNet 模型解读
7 2 1 GoogLeNet 模型结构
7 2 2 GoogLeNet 模型特点
7 3 GoogLeNet 模型的Caffe 实现
第8 章 VGGNet 模型
8 1 VGGNet 网络模型
8 1 1 VGGNet 模型介绍
8 1 2 VGGNet 模型特点
8 1 3 VGGNet 模型解读
8 2 VGGNet 网络训练
8 2 1 VGGNet 训练参数设置
8 2 2 Multi-Scale 训练
8 2 3 测试
8 2 4 部署
8 3 VGGNet 模型分类实验
8 3 1 Single-scale 对比
8 3 2 Multi-scale 对比
8 3 3 模型融合
8 4 VGGNet 网络结构
第9 章 Siamese 模型
9 1 Siamese 网络模型
9 1 1 Siamese 模型原理
9 1 2 Siamese 模型实现
9 2 Siamese 网络训练
9 2 1 数据准备
9 2 2 生成side
9 2 3 对比损失函数
9 2 4 定义solver
9 2 5 网络训练
第10 章 SqueezeNet 模型
10 1 SqueezeNet 网络模型
10 1 1 SqueezeNet 模型原理
10 1 2 Fire Module
10 1 3 SqueezeNet 模型结构
10 1 4 SqueezeNet 模型特点
10 2 SqueezeNet 网络实现
第11 章 FCN 模型
11 1 FCN 模型简介
11 2 FCN 的特点和使用场景
11 3 Caffe FCN 解读
11 3 1 FCN 模型训练准备
11 3 1 FCN 模型训练
第12 章 R-CNN 模型
12 1 R-CNN 模型简介
12 2 R-CNN 的特点和使用场景
12 3 Caffe R-CNN 解读
12 3 1 R-CNN 模型训练准备
12 3 2 R-CNN 模型训练
第13 章 Fast-RCNN 模型
13 1 Fast-RCNN 模型简介
13 2 Fast-RCNN 的特点和使用场景
13 3 Caffe Fast-RCNN 解读
13 3 1 Fast-RCNN 模型训练准备
13 3 2 Fast-RCNN 模型训练
第14 章 Faster-RCNN 模型
14 1 Faster-RCNN 模型简介
14 2 Faster-RCNN 的特点和使用场景
14 3 Caffe Faster-RCNN 解读
14 3 1 Faster-RCNN 模型训练准备
14 3 2 Faster-RCNN 模型训练
第15 章 SSD 模型
15 1 SSD 模型简介
15 2 SSD 的特点和使用场景
15 3 Caffe SSD 解读
15 3 1 SSD 模型训练准备
15 3 2 SSD 模型训练
第16 章 Kaggle 项目实践：人脸特征检测
16 1 项目简介
16 2 赛题和数据
16 3 Caffe 训练和测试数据库
16 3 1 数据库生成
16 3 2 网络对比
16 3 3 网络一
16 3 4 网络二
16 3 5 Python 人脸特征预测程序
第17 章 Kaggle 项目实践：猫狗分类检测
17 1 项目简介
17 2 赛题和数据
17 3 Caffe 训练和测试数据库
17 3 1 数据库生成
17 3 2 Caffe 实现
17 3 3 CatdogNet 训练
17 3 4 CatdogNet 模型验证

前言/序言

2016 年3 月，Google 开发的一款人工智能程序阿尔法围棋（AlphaGo）对战世界围棋冠军、职业九段选手李世石，以4:1 的总比分获胜。众多媒体和网络新闻纷纷直播或转载此次人工智能应用领域内的盛况。随后，Google 在《Nature》杂志发表了关于AlphaGo 算法的论文“Mastering the game of Go with deep neural networks and tree search”。此论文提到了AlphaGo 用3,000 万棋局训练深度神经网络的方法，展现了深度学习异常强大的学习能力。一时间，国内外掀起了研究和学习人工智能的热潮。然而，很多读者朋友希望能找到一本关于深度学习应用领域的书籍，目前市场上关于人工智能、机器学习或深度学习领域内的各类书目很多，遗憾的是这些书籍大多是理论性质的，少有系统介绍深度学习的应用实践参考书。

与此同时，笔者认为深度学习的应用能力会成为一个爆发性需求的知识技能，也会是未来科技的至高点。鉴于此，我与朋友王斌从去年就计划编写一本关于深度学习的应用实践书籍，希望能够对深度学习爱好者或初学者提供一些帮助。

全书共17 章，第１章介绍了人工智能和深度学习的背景和现状；第2 章介绍了深度学习的基本理论和主流的深度学习框架；第3 章介绍了Caffe 的安装、配置和运行环境；第4章介绍了Caffe 网络模型的构成要素、常用的层类型和Solver 方法；第5～10 章详细解读了LeNet、AlexNet、GoogLeNet、VGGNet、Siamese 和SqueezeNet 目标分类模型，并附上Caffe 实战训练；第11～15 章详细解读了FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD目标定位模型；第16～17 章利用Caffe 深度学习框架解求Kaggle 网站的两个经典项目。

本书在内容上对深度学习相关的机器学习理论只作了简单介绍，更多的放在如何应用Caffe 解决实际问题，并把使用当中可能出现的问题也一一列举出来，帮助读者分析原因、解决问题。本书介绍了十多种非常经典的网络模型，学习这些模型可以帮助读者很好地理解和应用Caffe 框架和工具。当然，读者并无必要对这些网络模型一一阅读，也可根据自身情况选择对自己有实际帮助的案例进行分析学习。

由于深度学习技术发展迅速，各种知识和应用工具变化很快，Github 上许多开源的项目也在不断更新和修正。笔者才疏学浅，理解有限，加之编写时间也较仓促，书中难免有错谬之处，敬请广大读者朋友批评指正，不胜感激。

乐 毅

2016 年11 月

讲的 故事 很有发挥。 有些点还是不太好理解。

通过微信公众号得知出书了，必须要支持一下，买来之后看了两章，技术通过故事讲得通俗易懂，很赞。

再说一分理由：京东总给我送严重破损的书。是不是以前送过几次破书，看我没退货，就用大数据给我标记了一个可以送破烂货的标记？？？今年的新书，我不信一路成这样了？2016年在京东买了40本左右的书，就有一本稍微折角，17年下半年到现在买了80多本了，外观明显破损的有30本（各种奇葩划痕，严重的摩擦痕迹等等，根本不可能是运输中造成的）。给京东个呵呵吧

618优惠，屯了一堆书，很便宜，够看挺长一段时间的了。

这次618买的书又可以让我好好收藏了，嗯，就只当作是收藏了，连薄膜都不用撕了

有一次手贱买了不少书，希望自己能看，要是这些书看不完，以后再便宜我也不买了

有趣有料有干货，非码农居的产品经理居然也能看懂，受益颇多。