 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習——Caffe之經典模型詳解與實戰 ( 簡體 字) |
| 作者：樂毅,王斌 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 45554
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：10/1/2016 |
| 頁數：344 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121301186 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：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。隨后，Google 在《Nature》雜志發表了關于AlphaGo 算法的論文“Mastering the game of Go with deep neural networks and tree search”。此論文提到了AlphaGo 用3,000 萬棋局訓練深度神經網絡的方法，展現了深度學習異常強大的學習能力。一時間，國內外掀起了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于深度學習應用領域的書籍，目前市場上關于人工智能、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，少有系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。鑒于此，我與朋友王斌從去年就計劃編寫一本關于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章介紹了人工智能和深度學習的背景和現狀；第2 章介紹了深度學習的基本理論和主流的深度學習框架；第3 章介紹了Caffe 的安裝、配置和運行環境；第4章介紹了Caffe 網絡模型的構成要素、常用的層類型和Solver 方法；第5∼10 章詳細解讀了LeNet、AlexNet、GoogLeNet、VGGNet、Siamese 和SqueezeNet 目標分類模型，并附上Caffe 實戰訓練；第11∼15 章詳細解讀了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只作了簡單介紹，更多的放在如何應用Caffe 解決實際問題，并把使用當中可能出現的問題也一一列舉出來，幫助讀者分析原因、解決問題。本書介紹了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，讀者并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。
由于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。筆者才疏學淺，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 |
內容簡介：本書首先介紹了深度學習相關的理論和主流的深度學習框架，然后從Caffe 深度學習框架為切入點，介紹了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別過程，進一步詳細解讀了AlexNet、VGGNet、GoogLeNet、Siamese 和SqueezeNet 網絡模型，并給出了這些模型基于Caffe 的訓練實戰方法。然后，本書解讀了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，并進行目標定位Caffe 實戰。本書的最后，從著名的Kaggle 網站引入了兩個經典的實戰項目，并進行了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出到利用Caffe 求解的完整工程經歷，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。 |
目錄：第1 章 緒論................1
1.1 引言...............1
1.2 人工智能的發展歷程............2
1.3 機器學習及相關技術............4
1.3.1 學習形式分類.............4
1.3.2 學習方法分類.............5
1.3.3 機器學習的相關技術...........7
1.4 國內外研究現狀............8
1.4.1 國外研究現狀.............8
1.4.2 國內研究現狀.............9
第2 章 深度學習...............11
2.1 神經網絡模型..............11
2.1.1 人腦視覺機理...........11
2.1.2 生物神經元.............13
2.1.3 人工神經網絡...........15
2.2 BP 神經網絡..............18
2.2.1 BP 神經元.............18
2.2.2 BP 神經網絡構成...........19
2.2.3 正向傳播.............21
2.2.4 反向傳播.............21
2.3 卷積神經網絡..............24
2.3.1 卷積神經網絡的歷史...........25
2.3.2 卷積神經網絡的網絡結構.........26
2.3.3 局部感知.............27
2.3.4 參數共享.............28
2.3.5 多卷積核.............28
2.3.6 池化（Pooling）...........29
2.4 深度學習框架..............30
2.4.1 Caffe ..............30
2.4.2 Torch ..............31
2.4.3 Keras..............32
2.4.4 MXNet .............32
2.4.5 TensorFlow ............33
2.4.6 CNTK ..............33
2.4.7 Theano .............34
第3 章 Caffe 簡介及其安裝配置...........36
3.1 Caffe 是什么..............36
3.1.1 Caffe 的特點............38
3.1.2 Caffe 的架構............38
3.2 Caffe 的安裝環境............39
3.2.1 Caffe 的硬件環境............39
3.2.2 Caffe 的軟件環境............43
3.2.3 Caffe 的依賴庫............44
3.2.4 Caffe 開發環境的安裝..........46
3.3 Caffe 接口..............52
3.3.1 Caffe Python 接口...........52
3.3.2 Caffe MATLAB 接口..........55
3.3.3 Caffe 命令行接口............56
第4 章 Caffe 網絡定義.............58
4.1 Caffe 模型要素............58
4.1.1 網絡模型.............58
4.1.2 參數配置.............62
4.2 Google Protobuf 結構化數據...........63
4.3 Caffe 數據庫..............65
4.3.1 LevelDB.............65
4.3.2 LMDB..............66
4.3.3 HDF5 .............66
4.4 Caffe Net...............66
4.5 Caffe Blob.............68
4.6 Caffe Layer .............70
4.6.1 Data Layers............71
4.6.2 Convolution Layers............75
4.6.3 Pooling Layers ...........76
4.6.4 InnerProduct Layers...........77
4.6.5 ReLU Layers............78
4.6.6 Sigmoid Layers............79
4.6.7 LRN Layers .............79
4.6.8 Dropout Layers ............80
4.6.9 SoftmaxWithLoss Layers...........80
4.6.10 Softmax Layers............81
4.6.11 Accuracy Layers ............81
4.7 Caffe Solver ..............82
Solver 方法..............83
第5 章 LeNet 模型..............88
5.1 LeNet 模型簡介.............88
5.2 LeNet 模型解讀.............89
5.3 Caffe 環境LeNet 模型...........91
5.3.1 mnist 實例詳解...........91
5.3.2 mnist 手寫測試...........103
5.3.3 mnist 樣本字庫的圖片轉換..........106
第6 章 AlexNet 模型..............107
6.1 AlexNet 模型介紹............107
6.2 AlexNet 模型解讀............108
6.3 AlexNet 模型特點............111
6.4 Caffe 環境AlexNet 模型訓練...........112
6.4.1 數據準備.............112
6.4.2 其他支持文件...........113
6.4.3 圖片預處理.............113
6.4.4 ImageNet 數據集介紹...........113
6.4.5 ImageNet 圖片介紹...........115
6.4.6 ImageNet 模型訓練...........115
6.4.7 Caffe 的AlexNet 模型與論文的不同........124
6.4.8 ImageNet 模型測試...........124
第7 章 GoogLeNet 模型............126
7.1 GoogLeNet 模型簡介............126
7.1.1 背景和動機.............127
7.1.2 Inception 結構...........127
7.2 GoogLeNet 模型解讀............129
7.2.1 GoogLeNet 模型結構..........129
7.2.2 GoogLeNet 模型特點..........134
7.3 GoogLeNet 模型的Caffe 實現..........135
第8 章 VGGNet 模型.............146
8.1 VGGNet 網絡模型.............146
8.1.1 VGGNet 模型介紹..........146
8.1.2 VGGNet 模型特點..........147
8.1.3 VGGNet 模型解讀..........147
8.2 VGGNet 網絡訓練.............149
8.2.1 VGGNet 訓練參數設置..........149
8.2.2 Multi-Scale 訓練...........149
8.2.3 測試.............150
8.2.4 部署.............150
8.3 VGGNet 模型分類實驗...........150
8.3.1 Single-scale 對比...........150
8.3.2 Multi-scale 對比............151
8.3.3 模型融合.............152
8.4 VGGNet 網絡結構.............153
第9 章 Siamese 模型.............158
9.1 Siamese 網絡模型............159
9.1.1 Siamese 模型原理...........159
9.1.2 Siamese 模型實現...........160
9.2 Siamese 網絡訓練............165
9.2.1 數據準備.............165
9.2.2 生成side............165
9.2.3 對比損失函數...........166
9.2.4 定義solver.............166
9.2.5 網絡訓練.............166
第10 章 SqueezeNet 模型............168
10.1 SqueezeNet 網絡模型............168
10.1.1 SqueezeNet 模型原理...........168
10.1.2 Fire Module ...........169
10.1.3 SqueezeNet 模型結構...........170
10.1.4 SqueezeNet 模型特點...........171
10.2 SqueezeNet 網絡實現............172
第11 章 FCN 模型..............177
11.1 FCN 模型簡介............177
11.2 FCN 的特點和使用場景..........178
11.3 Caffe FCN 解讀............179
11.3.1 FCN 模型訓練準備...........180
11.3.1 FCN 模型訓練...........183
第12 章 R-CNN 模型.............196
12.1 R-CNN 模型簡介.............196
12.2 R-CNN 的特點和使用場景...........197
12.3 Caffe R-CNN 解讀...........198
12.3.1 R-CNN 模型訓練準備..........198
12.3.2 R-CNN 模型訓練..........201
第13 章 Fast-RCNN 模型.............217
13.1 Fast-RCNN 模型簡介............217
13.2 Fast-RCNN 的特點和使用場景..........218
13.3 Caffe Fast-RCNN 解讀............220
13.3.1 Fast-RCNN 模型訓練準備.........220
13.3.2 Fast-RCNN 模型訓練...........222
第14 章 Faster-RCNN 模型............239
14.1 Faster-RCNN 模型簡介...........239
14.2 Faster-RCNN 的特點和使用場景.........241
14.3 Caffe Faster-RCNN 解讀...........242
14.3.1 Faster-RCNN 模型訓練準備........242
14.3.2 Faster-RCNN 模型訓練..........244
第15 章 SSD 模型..............264
15.1 SSD 模型簡介............264
15.2 SSD 的特點和使用場景..........266
15.3 Caffe SSD 解讀............267
15.3.1 SSD 模型訓練準備...........267
15.3.2 SSD 模型訓練...........268
第16 章 Kaggle 項目實踐：人臉特征檢測..........290
16.1 項目簡介..............290
16.2 賽題和數據..............291
16.3 Caffe 訓練和測試數據庫...........293
16.3.1 數據庫生成...........293
16.3.2 網絡對比.............295
16.3.3 網絡一.............296
16.3.4 網絡二.............300
16.3.5 Python 人臉特征預測程序.........306
第17 章 Kaggle 項目實踐：貓狗分類檢測..........311
17.1 項目簡介..............311
17.2 賽題和數據..............312
17.3 Caffe 訓練和測試數據庫...........312
17.3.1 數據庫生成...........312
17.3.2 Caffe 實現............316
17.3.3 CatdogNet 訓練...........328
17.3.4 CatdogNet 模型驗證...........332 |
| 序： |
|
