掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
智能系統(tǒng)與技術(shù)叢書深度學習實踐:基于CAFFE的解析 版權(quán)信息
- ISBN：9787111610434
- 條形碼：9787111610434 ; 978-7-111-61043-4
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
智能系統(tǒng)與技術(shù)叢書深度學習實踐:基于CAFFE的解析 本書特色
從編程實現(xiàn)角度對深度學習實踐進行總結(jié)，以C++語言來實現(xiàn)理論公式，重點說明工程實踐。
智能系統(tǒng)與技術(shù)叢書深度學習實踐:基于CAFFE的解析 內(nèi)容簡介
本書主要介紹Caffe的技術(shù)原理和一些不錯使用技巧，首先介紹深度學習的趨勢和業(yè)內(nèi)動態(tài)，然后介紹Caffe的基礎(chǔ)知識。在理解了Caffe算法的基礎(chǔ)上，介紹Caffe的技術(shù)原理和特點，包括數(shù)學知識和設(shè)計知識。*后介紹Caffe深度學習多任務網(wǎng)絡(luò)。本書將實踐和現(xiàn)有系統(tǒng)進行無縫對接，并詳述了各種調(diào)參技巧。
智能系統(tǒng)與技術(shù)叢書深度學習實踐:基于CAFFE的解析 目錄
前言
第1章 深度學習簡介 1
1.1 深度學習的歷史 1
1.2 深度學習工具簡介 4
1.3 深度學習的未來趨勢 12
第2章 搭建你的Caffe武器庫 13
2.1 硬件選型 13
2.2 Caffe在Windows下的安裝 14
2.3 Caffe在Linux下的安裝 16
2.3.1 Linux安裝 16
2.3.2 Nvidia CUDA Toolkit的安裝（*.deb方法） 17
2.3.3 Caffe的安裝和測試 20
2.4 OpenCV的安裝和編譯 23
2.4.1 OpenCV的下載 23
2.4.2 配置環(huán)境變量 24
2.5 Boost庫的安裝和編譯 27
2.6 Python相關(guān)庫的安裝 31
2.7 MATLAB接口的配置 33
2.8 其他庫的安裝 44
2.8.1 LMDB的編譯與安裝 44
2.8.2 LevelDB的編譯與安裝 51
2.8.3 glog的編譯與安裝 57
2.8.4 安裝gflags 63
第3章 Caffe的簡單訓練 69
3.1 Caffe轉(zhuǎn)化數(shù)據(jù)工具的使用介紹 69
3.1.1 命令參數(shù)介紹 69
3.1.2 生成文件列表 70
3.1.3 使用的Linux命令簡介 70
3.1.4 生成文件結(jié)果 71
3.1.5 圖片參數(shù)組詳解 71
3.2 Caffe提取特征的工具使用說明 72
3.3 Caffe訓練需要的幾個部件 73
3.3.1 網(wǎng)絡(luò)proto文件的編寫 73
3.3.2 Solver配置 74
3.3.3 訓練腳本的編寫 76
3.3.4 訓練log解析 76
3.4 Caffe簡單訓練分類任務 79
3.5 測試訓練結(jié)果 86
3.6 使用訓練好的模型進行預測 87
第4章 認識深度學習網(wǎng)絡(luò)中的層 97
4.1 卷積層的作用與類別 97
4.1.1 卷積層的作用 97
4.1.2 卷積分類 98
4.2 激活層的作用與類別 99
4.2.1 激活函數(shù)的定義及相關(guān)概念 99
4.2.2 激活函數(shù)的類別 101
4.3 池化層的作用與類別 101
4.3.1 池化層的歷史 101
4.3.2 池化層的作用 102
4.3.3 池化層分類 103
4.4 全連接層的作用與類別 105
4.5 dropout層的作用 106
4.6 損失函數(shù)層 106
第5章 Caffe的框架設(shè)計 110
5.1 Caffe中CPU和GPU結(jié)構(gòu)的融合 110
5.1.1 SyncedMemory函數(shù)及其功能 110
5.1.2 SyncedMemory類的作用 112
5.2 Caffe訓練時層的各個成員函數(shù)的調(diào)用順序 112
5.3 Caffe網(wǎng)絡(luò)構(gòu)建函數(shù)的解析 115
5.4 Caffe層如何使用proto文件實現(xiàn)反射機制 116
5.4.1 工廠模式 116
5.4.2 層的創(chuàng)建 118
5.5 Caffe的調(diào)用流程圖及函數(shù)順序?qū)б?122
5.6 Caffe框架使用的編碼思想 125
5.6.1 Caffe的總體結(jié)構(gòu) 125
5.6.2 Caffe數(shù)據(jù)存儲設(shè)計 128
第6章 基礎(chǔ)數(shù)學知識 130
6.1 卷積層的數(shù)學公式及求導 130
6.2 激活層的數(shù)學公式圖像及求導 132
6.3 三種池化層的數(shù)學公式及反向計算 134
6.4 全連接層的數(shù)學公式及求導 135
6.4.1 全連接層的前向計算及公式推導 135
6.4.2 全連接層的反向傳播及公式推導 136
6.5 反卷積層的數(shù)學公式及求導 137
第7章 卷積層和池化層的使用 139
7.1 卷積層參數(shù)初始化介紹 139
7.2 池化層的物理意義 141
7.3 卷積層和池化層輸出計算及參數(shù)說明 141
7.4 實踐：在Caffe框架下用Prototxt定義卷積層和池化層 142
7.4.1 卷積層參數(shù)的編寫 142
7.4.2 必須設(shè)置的參數(shù) 143
7.4.3 其他可選的設(shè)置參數(shù) 143
7.4.4 卷積參數(shù)編寫具體示例 144
7.4.5 卷積參數(shù)編寫小建議 145
第8章 激活函數(shù)的介紹 146
8.1 用ReLU解決sigmoid的缺陷 146
8.2 ReLU及其變種的對比 148
8.3 實踐：在Caffe框架下用Prototxt定義激活函數(shù) 150
8.3.1 ReLU 150
8.3.2 PReLU 150
8.3.3 Sigmoid 151
第9章 損失函數(shù) 152
9.1 contrastive_loss函數(shù)和對應層的介紹和使用場景 152
9.2 multinomial_logistic_loss函數(shù)和對應層的介紹和使用說明 154
9.3 sigmoid_cross_entropy函數(shù)和對應層的介紹和使用說明 155
9.4 softmax_loss函數(shù)和對應層的介紹和使用說明 158
9.5 euclidean_loss函數(shù)和對應層的介紹和使用說明 161
9.6 hinge_loss函數(shù)和對應層的介紹和使用說明 162
9.7 infogain_loss函數(shù)和對應層的介紹和使用說明 163
9.8 TripletLoss的添加及其使用 165
9.8.1 TripletLoss的思想 165
9.8.2 TripletLoss梯度推導 166
9.8.3 新增加TripletLossLayer 167
9.9 Coupled Cluster Loss的添加及其使用 176
9.9.1 增加loss層 176
9.9.2 實現(xiàn)具體示例 177
第10章 Batch Normalize層的使用 194
10.1 batch_normalize層的原理和作用 194
10.2 batch_normalize層的優(yōu)勢 196
10.3 常見網(wǎng)絡(luò)結(jié)構(gòu)batch_normalize層的位置 197
10.4 proto的具體寫法 202
10.5 其他歸一化層的介紹 204
第11章 回歸網(wǎng)絡(luò)的構(gòu)建 205
11.1 如何生成回歸網(wǎng)絡(luò)訓練數(shù)據(jù) 205
11.2 回歸任務和分類任務的異同點 206
11.3 回歸網(wǎng)絡(luò)收斂性的判斷 207
11.4 回歸任務與級聯(lián)模型 210
第12章 多任務網(wǎng)絡(luò)的構(gòu)建 214
12.1 多任務歷史 214
12.2 多任務網(wǎng)絡(luò)的數(shù)據(jù)生成 216
12.3 如何簡單建立多任務 216
12.4 近年的多任務深度學習網(wǎng)絡(luò) 217
12.5 多任務中通用指導性調(diào)參和網(wǎng)絡(luò)構(gòu)建結(jié)論 221
12.5.1 如何避免出現(xiàn)多任務后性能下降的情況 221
12.5.2 怎樣
第1章 深度學習簡介 1
1.1 深度學習的歷史 1
1.2 深度學習工具簡介 4
1.3 深度學習的未來趨勢 12
第2章 搭建你的Caffe武器庫 13
2.1 硬件選型 13
2.2 Caffe在Windows下的安裝 14
2.3 Caffe在Linux下的安裝 16
2.3.1 Linux安裝 16
2.3.2 Nvidia CUDA Toolkit的安裝（*.deb方法） 17
2.3.3 Caffe的安裝和測試 20
2.4 OpenCV的安裝和編譯 23
2.4.1 OpenCV的下載 23
2.4.2 配置環(huán)境變量 24
2.5 Boost庫的安裝和編譯 27
2.6 Python相關(guān)庫的安裝 31
2.7 MATLAB接口的配置 33
2.8 其他庫的安裝 44
2.8.1 LMDB的編譯與安裝 44
2.8.2 LevelDB的編譯與安裝 51
2.8.3 glog的編譯與安裝 57
2.8.4 安裝gflags 63
第3章 Caffe的簡單訓練 69
3.1 Caffe轉(zhuǎn)化數(shù)據(jù)工具的使用介紹 69
3.1.1 命令參數(shù)介紹 69
3.1.2 生成文件列表 70
3.1.3 使用的Linux命令簡介 70
3.1.4 生成文件結(jié)果 71
3.1.5 圖片參數(shù)組詳解 71
3.2 Caffe提取特征的工具使用說明 72
3.3 Caffe訓練需要的幾個部件 73
3.3.1 網(wǎng)絡(luò)proto文件的編寫 73
3.3.2 Solver配置 74
3.3.3 訓練腳本的編寫 76
3.3.4 訓練log解析 76
3.4 Caffe簡單訓練分類任務 79
3.5 測試訓練結(jié)果 86
3.6 使用訓練好的模型進行預測 87
第4章 認識深度學習網(wǎng)絡(luò)中的層 97
4.1 卷積層的作用與類別 97
4.1.1 卷積層的作用 97
4.1.2 卷積分類 98
4.2 激活層的作用與類別 99
4.2.1 激活函數(shù)的定義及相關(guān)概念 99
4.2.2 激活函數(shù)的類別 101
4.3 池化層的作用與類別 101
4.3.1 池化層的歷史 101
4.3.2 池化層的作用 102
4.3.3 池化層分類 103
4.4 全連接層的作用與類別 105
4.5 dropout層的作用 106
4.6 損失函數(shù)層 106
第5章 Caffe的框架設(shè)計 110
5.1 Caffe中CPU和GPU結(jié)構(gòu)的融合 110
5.1.1 SyncedMemory函數(shù)及其功能 110
5.1.2 SyncedMemory類的作用 112
5.2 Caffe訓練時層的各個成員函數(shù)的調(diào)用順序 112
5.3 Caffe網(wǎng)絡(luò)構(gòu)建函數(shù)的解析 115
5.4 Caffe層如何使用proto文件實現(xiàn)反射機制 116
5.4.1 工廠模式 116
5.4.2 層的創(chuàng)建 118
5.5 Caffe的調(diào)用流程圖及函數(shù)順序?qū)б?122
5.6 Caffe框架使用的編碼思想 125
5.6.1 Caffe的總體結(jié)構(gòu) 125
5.6.2 Caffe數(shù)據(jù)存儲設(shè)計 128
第6章 基礎(chǔ)數(shù)學知識 130
6.1 卷積層的數(shù)學公式及求導 130
6.2 激活層的數(shù)學公式圖像及求導 132
6.3 三種池化層的數(shù)學公式及反向計算 134
6.4 全連接層的數(shù)學公式及求導 135
6.4.1 全連接層的前向計算及公式推導 135
6.4.2 全連接層的反向傳播及公式推導 136
6.5 反卷積層的數(shù)學公式及求導 137
第7章 卷積層和池化層的使用 139
7.1 卷積層參數(shù)初始化介紹 139
7.2 池化層的物理意義 141
7.3 卷積層和池化層輸出計算及參數(shù)說明 141
7.4 實踐：在Caffe框架下用Prototxt定義卷積層和池化層 142
7.4.1 卷積層參數(shù)的編寫 142
7.4.2 必須設(shè)置的參數(shù) 143
7.4.3 其他可選的設(shè)置參數(shù) 143
7.4.4 卷積參數(shù)編寫具體示例 144
7.4.5 卷積參數(shù)編寫小建議 145
第8章 激活函數(shù)的介紹 146
8.1 用ReLU解決sigmoid的缺陷 146
8.2 ReLU及其變種的對比 148
8.3 實踐：在Caffe框架下用Prototxt定義激活函數(shù) 150
8.3.1 ReLU 150
8.3.2 PReLU 150
8.3.3 Sigmoid 151
第9章 損失函數(shù) 152
9.1 contrastive_loss函數(shù)和對應層的介紹和使用場景 152
9.2 multinomial_logistic_loss函數(shù)和對應層的介紹和使用說明 154
9.3 sigmoid_cross_entropy函數(shù)和對應層的介紹和使用說明 155
9.4 softmax_loss函數(shù)和對應層的介紹和使用說明 158
9.5 euclidean_loss函數(shù)和對應層的介紹和使用說明 161
9.6 hinge_loss函數(shù)和對應層的介紹和使用說明 162
9.7 infogain_loss函數(shù)和對應層的介紹和使用說明 163
9.8 TripletLoss的添加及其使用 165
9.8.1 TripletLoss的思想 165
9.8.2 TripletLoss梯度推導 166
9.8.3 新增加TripletLossLayer 167
9.9 Coupled Cluster Loss的添加及其使用 176
9.9.1 增加loss層 176
9.9.2 實現(xiàn)具體示例 177
第10章 Batch Normalize層的使用 194
10.1 batch_normalize層的原理和作用 194
10.2 batch_normalize層的優(yōu)勢 196
10.3 常見網(wǎng)絡(luò)結(jié)構(gòu)batch_normalize層的位置 197
10.4 proto的具體寫法 202
10.5 其他歸一化層的介紹 204
第11章 回歸網(wǎng)絡(luò)的構(gòu)建 205
11.1 如何生成回歸網(wǎng)絡(luò)訓練數(shù)據(jù) 205
11.2 回歸任務和分類任務的異同點 206
11.3 回歸網(wǎng)絡(luò)收斂性的判斷 207
11.4 回歸任務與級聯(lián)模型 210
第12章 多任務網(wǎng)絡(luò)的構(gòu)建 214
12.1 多任務歷史 214
12.2 多任務網(wǎng)絡(luò)的數(shù)據(jù)生成 216
12.3 如何簡單建立多任務 216
12.4 近年的多任務深度學習網(wǎng)絡(luò) 217
12.5 多任務中通用指導性調(diào)參和網(wǎng)絡(luò)構(gòu)建結(jié)論 221
12.5.1 如何避免出現(xiàn)多任務后性能下降的情況 221
12.5.2 怎樣
展開全部
智能系統(tǒng)與技術(shù)叢書深度學習實踐:基于CAFFE的解析 作者簡介
薛云峰，深度學習圖像算法工程師，曾在中科院計算所、百度擔任工程師，目前主要從事圖像相關(guān)算法在產(chǎn)品落地中的工程架構(gòu)以及算法優(yōu)化工作。
書友推薦
- >
姑媽的寶刀
- >
【精裝繪本】畫給孩子的中國神話
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
名家?guī)阕x魯迅:故事新編
- >
小考拉的故事-套裝共3冊
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術(shù)叢書(紅燭學術(shù)叢書)
- >
李白與唐代文化
- >
二體千字文
本類暢銷
