深度學習――Caffe之經典模型詳解與實戰 下載 mobi epub pdf 電子書 2024

産品特色

編輯推薦

1 著重於深度學習的應用實踐能力提升。

2 以Caffe 深度學習框架為切入點，剖析瞭Caffe 網絡模型的構成。

3 深入解讀瞭利用深度學習進行目標定位的經典網絡模型。

4 以兩大經典實戰項目引領讀者經曆從問題提齣到利用Caffe 求解的完整工程。

內容簡介

本書首先介紹瞭深度學習相關的理論和主流的深度學習框架，然後從Caffe 深度學習框架為切入點，介紹瞭Caffe 的安裝、配置、編譯和接口等運行環境，剖析Caffe 網絡模型的構成要素和常用的層類型和Solver 方法。通過LeNet 網絡模型的Mnist 手寫實例介紹其樣本訓練和識彆過程，進一步詳細解讀瞭AlexNet、VGGNet、GoogLeNet、Siamese 和SqueezeNet 網絡模型，並給齣瞭這些模型基於Caffe 的訓練實戰方法。然後，本書解讀瞭利用深度學習進行目標定位的經典網絡模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD，並進行目標定位Caffe 實戰。本書的最後，從著名的Kaggle 網站引入瞭兩個經典的實戰項目，並進行瞭有針對性的原始數據分析、網絡模型設計和Caffe 訓練策略實踐，以求帶給讀者從問題提齣到利用Caffe 求解的完整工程經曆，從而使讀者能盡快掌握Caffe 框架的使用技巧和實戰經驗。針對Caffe 和深度學習領域的初學者，本書是一本不可多得的參考資料。本書的內容既有易懂的理論背景，又有豐富的應用實踐，是深度學習初學者的指導手冊，也可作為深度學習相關領域工程師和愛好者的參考用書。

作者簡介

樂毅：計算機專業碩士，現任職於某數據通信公司，高級係統工程師。負責公司深度學習技術領域的應用及相關項目，對深度學習及大數據深度挖掘具有濃厚的興趣。擅長Caffe等深度學習框架及網絡模型應用。王斌：通信與信息係統碩士，現任職於某數據通信公司，高級係統工程師。多年緻力於深度學習技術的前沿研究與應用，對Caffe等深度學習框架在圖像識彆領域有深刻理解，承擔公司多項與機器學習相關的研究工作。

目錄

第1 章 緒論
1 1 引言
1 2 人工智能的發展曆程
1 3 機器學習及相關技術
1 3 1 學習形式分類
1 3 2 學習方法分類
1 3 3 機器學習的相關技術
1 4 國內外研究現狀
1 4 1 國外研究現狀
1 4 2 國內研究現狀
第2 章 深度學習
2 1 神經網絡模型
2 1 1 人腦視覺機理
2 1 2 生物神經元
2 1 3 人工神經網絡
2 2 BP 神經網絡
2 2 1 BP 神經元
2 2 2 BP 神經網絡構成
2 2 3 正嚮傳播
2 2 4 反嚮傳播
2 3 捲積神經網絡
2 3 1 捲積神經網絡的曆史
2 3 2 捲積神經網絡的網絡結構
2 3 3 局部感知
2 3 4 參數共享
2 3 5 多捲積核
2 3 6 池化（Pooling）
2 4 深度學習框架
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 簡介及其安裝配置
3 1 Caffe 是什麼
3 1 1 Caffe 的特點
3 1 2 Caffe 的架構
3 2 Caffe 的安裝環境
3 2 1 Caffe 的硬件環境
3 2 2 Caffe 的軟件環境
3 2 3 Caffe 的依賴庫
3 2 4 Caffe 開發環境的安裝
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 網絡定義
4 1 Caffe 模型要素
4 1 1 網絡模型
4 1 2 參數配置
4 2 Google Protobuf 結構化數據
4 3 Caffe 數據庫
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 模型簡介
5 2 LeNet 模型解讀
5 3 Caffe 環境LeNet 模型
5 3 1 mnist 實例詳解
5 3 2 mnist 手寫測試
5 3 3 mnist 樣本字庫的圖片轉換
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
6 4 Caffe 環境AlexNet 模型訓練
6 4 1 數據準備
6 4 2 其他支持文件
6 4 3 圖片預處理
6 4 4 ImageNet 數據集介紹
6 4 5 ImageNet 圖片介紹
6 4 6 ImageNet 模型訓練
6 4 7 Caffe 的AlexNet 模型與論文的不同
6 4 8 ImageNet 模型測試
第7 章 GoogLeNet 模型
7 1 GoogLeNet 模型簡介
7 1 1 背景和動機
7 1 2 Inception 結構
7 2 GoogLeNet 模型解讀
7 2 1 GoogLeNet 模型結構
7 2 2 GoogLeNet 模型特點
7 3 GoogLeNet 模型的Caffe 實現
第8 章 VGGNet 模型
8 1 VGGNet 網絡模型
8 1 1 VGGNet 模型介紹
8 1 2 VGGNet 模型特點
8 1 3 VGGNet 模型解讀
8 2 VGGNet 網絡訓練
8 2 1 VGGNet 訓練參數設置
8 2 2 Multi-Scale 訓練
8 2 3 測試
8 2 4 部署
8 3 VGGNet 模型分類實驗
8 3 1 Single-scale 對比
8 3 2 Multi-scale 對比
8 3 3 模型融閤
8 4 VGGNet 網絡結構
第9 章 Siamese 模型
9 1 Siamese 網絡模型
9 1 1 Siamese 模型原理
9 1 2 Siamese 模型實現
9 2 Siamese 網絡訓練
9 2 1 數據準備
9 2 2 生成side
9 2 3 對比損失函數
9 2 4 定義solver
9 2 5 網絡訓練
第10 章 SqueezeNet 模型
10 1 SqueezeNet 網絡模型
10 1 1 SqueezeNet 模型原理
10 1 2 Fire Module
10 1 3 SqueezeNet 模型結構
10 1 4 SqueezeNet 模型特點
10 2 SqueezeNet 網絡實現
第11 章 FCN 模型
11 1 FCN 模型簡介
11 2 FCN 的特點和使用場景
11 3 Caffe FCN 解讀
11 3 1 FCN 模型訓練準備
11 3 1 FCN 模型訓練
第12 章 R-CNN 模型
12 1 R-CNN 模型簡介
12 2 R-CNN 的特點和使用場景
12 3 Caffe R-CNN 解讀
12 3 1 R-CNN 模型訓練準備
12 3 2 R-CNN 模型訓練
第13 章 Fast-RCNN 模型
13 1 Fast-RCNN 模型簡介
13 2 Fast-RCNN 的特點和使用場景
13 3 Caffe Fast-RCNN 解讀
13 3 1 Fast-RCNN 模型訓練準備
13 3 2 Fast-RCNN 模型訓練
第14 章 Faster-RCNN 模型
14 1 Faster-RCNN 模型簡介
14 2 Faster-RCNN 的特點和使用場景
14 3 Caffe Faster-RCNN 解讀
14 3 1 Faster-RCNN 模型訓練準備
14 3 2 Faster-RCNN 模型訓練
第15 章 SSD 模型
15 1 SSD 模型簡介
15 2 SSD 的特點和使用場景
15 3 Caffe SSD 解讀
15 3 1 SSD 模型訓練準備
15 3 2 SSD 模型訓練
第16 章 Kaggle 項目實踐：人臉特徵檢測
16 1 項目簡介
16 2 賽題和數據
16 3 Caffe 訓練和測試數據庫
16 3 1 數據庫生成
16 3 2 網絡對比
16 3 3 網絡一
16 3 4 網絡二
16 3 5 Python 人臉特徵預測程序
第17 章 Kaggle 項目實踐：貓狗分類檢測
17 1 項目簡介
17 2 賽題和數據
17 3 Caffe 訓練和測試數據庫
17 3 1 數據庫生成
17 3 2 Caffe 實現
17 3 3 CatdogNet 訓練
17 3 4 CatdogNet 模型驗證

前言/序言

2016 年3 月，Google 開發的一款人工智能程序阿爾法圍棋（AlphaGo）對戰世界圍棋冠軍、職業九段選手李世石，以4:1 的總比分獲勝。眾多媒體和網絡新聞紛紛直播或轉載此次人工智能應用領域內的盛況。隨後，Google 在《Nature》雜誌發錶瞭關於AlphaGo 算法的論文“Mastering the game of Go with deep neural networks and tree search”。此論文提到瞭AlphaGo 用3,000 萬棋局訓練深度神經網絡的方法，展現瞭深度學習異常強大的學習能力。一時間，國內外掀起瞭研究和學習人工智能的熱潮。然而，很多讀者朋友希望能找到一本關於深度學習應用領域的書籍，目前市場上關於人工智能、機器學習或深度學習領域內的各類書目很多，遺憾的是這些書籍大多是理論性質的，少有係統介紹深度學習的應用實踐參考書。

與此同時，筆者認為深度學習的應用能力會成為一個爆發性需求的知識技能，也會是未來科技的至高點。鑒於此，我與朋友王斌從去年就計劃編寫一本關於深度學習的應用實踐書籍，希望能夠對深度學習愛好者或初學者提供一些幫助。

全書共17 章，第１章介紹瞭人工智能和深度學習的背景和現狀；第2 章介紹瞭深度學習的基本理論和主流的深度學習框架；第3 章介紹瞭Caffe 的安裝、配置和運行環境；第4章介紹瞭Caffe 網絡模型的構成要素、常用的層類型和Solver 方法；第5～10 章詳細解讀瞭LeNet、AlexNet、GoogLeNet、VGGNet、Siamese 和SqueezeNet 目標分類模型，並附上Caffe 實戰訓練；第11～15 章詳細解讀瞭FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD目標定位模型；第16～17 章利用Caffe 深度學習框架解求Kaggle 網站的兩個經典項目。

本書在內容上對深度學習相關的機器學習理論隻作瞭簡單介紹，更多的放在如何應用Caffe 解決實際問題，並把使用當中可能齣現的問題也一一列舉齣來，幫助讀者分析原因、解決問題。本書介紹瞭十多種非常經典的網絡模型，學習這些模型可以幫助讀者很好地理解和應用Caffe 框架和工具。當然，讀者並無必要對這些網絡模型一一閱讀，也可根據自身情況選擇對自己有實際幫助的案例進行分析學習。

由於深度學習技術發展迅速，各種知識和應用工具變化很快，Github 上許多開源的項目也在不斷更新和修正。筆者纔疏學淺，理解有限，加之編寫時間也較倉促，書中難免有錯謬之處，敬請廣大讀者朋友批評指正，不勝感激。

樂 毅

2016 年11 月

寶貝不錯，618價格又實惠，物流一如既往的贊，包裝也很好，下單不久就送到瞭，下次還會光顧的。

強化學習應該會在我的工作中起到作用

不錯，東西挺好，質量不錯纔匆匆。

東西是不錯的，下次繼續購買的

好書，很好看，618優惠瞭很多，買瞭幾本書看看，很好

好棒的書，內容充實詳盡，以架構師角度解釋每個內容

贊贊贊贊，強烈推薦該書，簡單明瞭，直截瞭當，棒棒噠。。。

贊贊贊贊，強烈推薦該書，簡單明瞭，直截瞭當，棒棒噠。。。

每次618都是一大堆書，買書真的上癮。不行！要戒掉，看完再買！