深度學習實踐：基於Caffe的解析

深度學習實踐：基於Caffe的解析

《深度學習實踐：基於Caffe的解析》薛雲峰編著的圖書，由機械工業出版社出版。

基本介紹

  • 中文名：深度學習實踐：基於Caffe的解析
  • 作者：薛雲峰 
  • 出版社：機械工業出版社 
  • ISBN：9787111610434 
內容簡介,圖書目錄,

內容簡介

本書主要介紹Caffe的技術原理和一些高級使用技巧，首先介紹深度學習的趨勢和業內動態。然後是關於Caffe的基礎知識，介紹如何安裝和武器庫。在理解Caffe算法基礎上，介紹Caffe的技術原理和特點，包括數學知識和設計知識。之後是Caffe各層使用的進階，介紹每一層是什麼，作用和實現及其使用的一般性原則和原理。最後是Caffe深度學習多任務網路，介紹多任務網路的現狀，基本的網路配置，高級網路配置和網路解決方案的進階。本書實踐內容和現有系統進行無縫對接，並提供了各種調參技巧的黑魔法。

圖書目錄

  1. 前言
  2. 第1章　深度學習簡介
  3. 1.1　深度學習的歷史
  4. 1.2　深度學習工具簡介
  5. 1.3　深度學習的未來趨勢
  6. 第2章　搭建你的Caffe武器庫
  7. 2.1　硬體選型
  8. 2.2　Caffe在Windows下的安裝
  9. 2.3　Caffe在Linux下的安裝
  10. 2.4　OpenCV的安裝和編譯
  11. 2.5　Boost庫的安裝和編譯
  12. 2.6　Python相關庫的安裝
  13. 2.7　MATLAB接口的配置
  14. 2.8　其他庫的安裝
  15. 第3章　Caffe的簡單訓練
  16. 3.1　Caffe轉化數據工具的使用介紹
  17. 3.2　Caffe提取特徵的工具使用說明
  18. 3.3　Caffe訓練需要的幾個部件
  19. 3.4　Caffe簡單訓練分類任務
  20. 3.5　測試訓練結果
  21. 3.6　使用訓練好的模型進行預測
  22. 第4章　認識深度學習網路中的層
  23. 4.1　卷積層的作用與類別
  24. 4.2　激活層的作用與類別
  25. 4.3　池化層的作用與類別
  26. 4.4　全連線層的作用與類別
  27. 4.5　dropout層的作用
  28. 4.6　損失函式層
  29. 第5章　Caffe的框架設計
  30. 5.1　Caffe中CPU和GPU結構的融合
  31. 5.2　Caffe訓練時層的各個成員函式的調用順序
  32. 5.3　Caffe網路構建函式的解析
  33. 5.4　Caffe層如何使用proto檔案實現反射機制
  34. 5.5　Caffe的調用流程圖及函式順序導視
  35. 5.6　Caffe框架使用的編碼思想
  36. 第6章　基礎數學知識
  37. 6.1　卷積層的數學公式及求導
  38. 6.2　激活層的數學公式圖像及求導
  39. 6.3　三種池化層的數學公式及反向計算
  40. 6.4　全連線層的數學公式及求導
  41. 6.5　反卷積層的數學公式及求導
  42. 第7章　卷積層和池化層的使用
  43. 7.1　卷積層參數初始化介紹
  44. 7.2　池化層的物理意義
  45. 7.3　卷積層和池化層輸出計算及參數說明
  46. 7.4　實踐：在Caffe框架下用Prototxt定義卷積層和池化層
  47. 第8章　激活函式的介紹
  48. 8.1　用ReLU解決sigmoid的缺陷
  49. 8.2　ReLU及其變種的對比
  50. 8.3　實踐：在Caffe框架下用Prototxt定義激活函式
  51. 第9章　損失函式
  52. 9.1　contrastive_loss函式和對應層的介紹和使用場景
  53. 9.2　multinomial_logistic_loss函式和對應層的介紹和使用說明
  54. 9.3　sigmoid_cross_entropy函式和對應層的介紹和使用說明
  55. 9.4　softmax_loss函式和對應層的介紹和使用說明
  56. 9.5　euclidean_loss函式和對應層的介紹和使用說明
  57. 9.6　hinge_loss函式和對應層的介紹和使用說明
  58. 9.7　infogain_loss函式和對應層的介紹和使用說明
  59. 9.8　TripletLoss的添加及其使用
  60. 9.9　Coupled Cluster Loss的添加及其使用
  61. 第10章　Batch Normalize層的使用
  62. 10.1　batch_normalize層的原理和作用
  63. 10.2　batch_normalize層的優勢
  64. 10.3　常見網路結構batch_normalize層的位置
  65. 10.4　proto的具體寫法
  66. 10.5　其他歸一化層的介紹
  67. 第11章　回歸網路的構建
  68. 11.1　如何生成回歸網路訓練數據
  69. 11.2　回歸任務和分類任務的異同點
  70. 11.3　回歸網路收斂性的判斷
  71. 11.4　回歸任務與級聯模型
  72. 第12章　多任務網路的構建
  73. 12.1　多任務歷史
  74. 12.2　多任務網路的數據生成
  75. 12.3　如何簡單建立多任務
  76. 12.4　近年的多任務深度學習網路
  77. 12.5　多任務中通用指導性調參和網路構建結論
  78. 第13章　圖像檢索和人臉識別系統實踐
  79. 13.1　深度學習如何構建成自動化服務，在記憶體中做測試
  80. 13.2　Poco庫構建伺服器指南
  81. 13.3　深度學習服務和傳統服務的區別
  82. 13.4　深度學習服務如何與傳統後台服務進行互動
  83. 13.5　人臉識別的數據準備和所使用的相關技術
  84. 13.6　圖像檢索任務的介紹
  85. 13.7　在Caffe中添加數據輸入層
  86. 第14章　深度學習的調參技巧總結
  87. 14.1　不變數據的調參的基本原則
  88. 14.2　Caffe fine-tuning調參的原則和方法
  89. 14.3　綜合數據調參的指導性建議
  90. 14.4　2012年以後的經典網路結構概述

相關詞條

熱門詞條

聯絡我們