《MXNet深度學習實戰》是一本機械工業出版社出版的圖書，作者是魏凱峰，本書融合了作者豐富的工程實踐經驗，一方面詳細講解了深度學習框架MXNet的技術原理和套用方法，一方面以MXNet為工具講解了算法實現的具體細節。輔以大量簡潔的代碼，助你從零基礎開始實現深度學習算法。
基本介紹
- 中文名：MXNet深度學習實戰
- 作者：魏凱峰
- 出版社：機械工業出版社
- ISBN：9787111626800
內容簡介,圖書目錄,作者簡介,
內容簡介
這是一本詳細講解計算機視覺算法實現以及MXNet框架的原理和使用的工具書。
作者是網易的資深計算機視覺算法工程師，本書融合了他豐富的工程實踐經驗，一方面詳細講解了深度學習框架MXNet的技術原理和套用方法，一方面以MXNet為工具講解了算法實現的具體細節。輔以大量簡潔的代碼，助你從零基礎開始實現深度學習算法。
全書共12章，分為4個部分：
*部分 準備篇（第1~2章）
介紹了MXNet的發展、優勢、預備知識、各種深度學習框架的對比，以及開發環境的搭建，包括Docker的使用。
第二部分 基礎篇（第3~7章）
纖細講解了MXNet主要模組使用和原理，如MXNet的數據讀取、數據增強操作、常用網路層的含義及使用、常見網路結構的設計思想、模型訓練相關的參數配置等。
第三部分 實戰篇（第8~10章）
圖書目錄
前言
第1章 全面認識MXNet1
1.1 人工智慧、機器學習與深度學習2
1.1.1 人工智慧2
1.1.2 機器學習2
1.1.3 深度學習4
1.2 深度學習框架4
1.2.1 MXNet6
1.2.2 PyTorch6
1.2.3 Caffe/Caffe27
1.2.4 TensorFlow7
1.2.5 其他7
1.3 關於MXNet8
1.3.1 MXNet的發展歷程8
1.3.2 MXNet的優勢9
1.4 MXNet開發需要具備的知識10
1.4.1 接口語言11
1.4.2 NumPy11
1.4.3 神經網路11
1.5 本章小結12
第2章 搭建開發環境13
2.1 環境配置14
2.2 使用Docker安裝MXNet19
2.2.1 準備部分19
2.2.2 使用倉庫安裝Docker20
2.2.3 基於安裝包安裝Docker23
2.2.4 安裝nvidia-docker23
2.2.5 通過Docker使用MXNet25
2.3 本地pip安裝MXNet27
2.4 本章小結29
第3章 MXNet基礎31
3.1 NDArray31
3.2 Symbol37
3.3 Module43
3.4 本章小結48
第4章 MNIST手寫數字型分類50
4.1 訓練代碼初探52
4.2 訓練代碼詳細解讀55
4.2.1 訓練參數配置56
4.2.2 數據讀取59
4.2.3 網路結構搭建59
4.2.4 模型訓練61
4.3 測試代碼初探62
4.4 測試代碼詳細解讀64
4.4.1 模型導入64
4.4.2 數據讀取66
4.4.3 預測輸出67
4.5 本章小結68
第5章 數據讀取及增強69
5.1 直接讀取原圖像數據70
5.1.1 優點及缺點70
5.1.2 使用方法71
5.2 基於RecordIO檔案讀取數據75
5.2.1 什麼是RecordIO檔案75
5.2.2 優點及缺點76
5.2.3 使用方法76
5.3 數據增強78
5.3.1 resize79
5.3.2 crop83
5.3.3 鏡像89
5.3.4 亮度90
5.3.5 對比度92
5.3.6 飽和度 94
5.4 本章小結95
第6章 網路結構搭建97
6.1 網路層98
6.1.1 卷積層98
6.1.2 BN層106
6.1.3 激活層108
6.1.4 池化層111
6.1.5 全連線層114
6.1.6 損失函式層116
6.1.7 通道合併層119
6.1.8 逐點相加層121
6.2 圖像分類網路結構122
6.2.1 AlexNet123
6.2.2 VGG124
6.2.3 GoogleNet125
6.2.4 ResNet128
6.2.5 ResNeXt130
6.2.6 DenseNet131
6.2.7 SENet132
6.2.8 MobileNet134
6.2.9 ShuffleNet136
6.3 本章小結138
第7章 模型訓練配置140
7.1 問題定義141
7.2 參數及訓練配置142
7.2.1 參數初始化142
7.2.2 最佳化函式設定144
7.2.3 保存模型145
7.2.4 訓練日誌的保存146
7.2.5 選擇或定義評價指標147
7.2.6 多GPU訓練150
7.3 遷移學習151
7.4 斷點訓練153
7.5 本章小結154
第8章 圖像分類156
8.1 圖像分類基礎知識157
8.1.1 評價指標158
8.1.2 損失函式160
8.2 貓狗分類實戰160
8.2.1 數據準備161
8.2.2 訓練參數及配置165
8.2.3 數據讀取168
8.2.4 網路結構搭建170
8.2.5 訓練模型171
8.2.6 測試模型176
8.3 本章小結179
第9章 目標檢測180
9.1 目標檢測基礎知識182
9.1.1 數據集184
9.1.2 SSD算法簡介188
9.1.3 anchor189
9.1.4 IoU194
9.1.5 模型訓練目標195
9.1.6 NMS199
9.1.7 評價指標mAP201
9.2 通用目標檢測202
9.2.1 數據準備203
9.2.2 訓練參數及配置205
9.2.3 網路結構搭建208
9.2.4 數據讀取215
9.2.5 定義訓練評價指標218
9.2.6 訓練模型220
9.2.7 測試模型221
9.4 本章小結224
第10章 圖像分割225
10.1 圖像分割226
10.1.1 數據集227
10.1.2 評價指標229
10.1.3 語義分割算法230
10.2 語義分割實戰231
10.2.1 數據準備232
10.2.2 訓練參數及配置233
10.2.3 數據讀取237
10.2.4 網路結構搭建240
10.2.5 定義評價指標245
10.2.6 訓練模型249
10.2.7 測試模型效果251
10.3 本章小結253
第11章 Gluon255
11.1 Gluon基礎256
11.1.1 data模組256
11.1.2 nn模組260
11.1.3 model zoo模組265
11.2 CIFAR10數據集分類267
11.2.1 基於CPU的訓練代碼267
11.2.2 基於GPU的訓練代碼272
11.2.3 測試代碼275
11.3 本章小結276
第12章 GluonCV278
12.1 GluonCV基礎279
12.1.1 data模組280
12.1.2 model zoo模組285
12.1.3 utils模組292
12.2 解讀ResNet復現代碼293
12.2.1 導入模組296
12.2.2 命令行參數設定296
12.2.3 日誌信息設定297
12.2.4 訓練參數配置298
12.2.5 模型導入300
12.2.6 數據讀取301
12.2.7 定義評價指標303
12.2.8 模型訓練303
12.3 本章小結308
作者簡介
魏凱峰
資深AI算法工程師和計算機視覺工程師，在MXNet、Pytorch、深度學習相關算法等方面有深入的研究和豐富的實踐經驗。
目前就職於網易杭州研究院，從事計算機視覺算法相關的工作，主要研究方向包括目標檢測、圖像分類、圖像對抗算法、模型加速和壓縮。
熱衷於分享，堅持在Github上分享算法相關的代碼，堅持在CSDN上撰寫算法相關的部落格，累計百餘篇，訪問量過百萬。
