深度学习――Caffe之经典模型详解与实战

图书标准信息

• 作者 乐毅 著
• 出版社 电子工业出版社
• 出版时间 2016-10
• 版次 1
• ISBN 9787121301186
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 344页
• 字数 99999千字
• 正文语种 简体中文

【内容简介】

本书首先介绍了深度学习相关的理论和主流的深度学习框架，然后从Caffe 深度学习框架为切入点，介绍了Caffe 的安装、配置、编译和接口等运行环境，剖析Caffe 网络模型的构成要素和常用的层类型和Solver 方法。通过LeNet 网络模型的Mnist 手写实例介绍其样本训练和识别过程，进一步详细解读了AlexNet、VGGNet、GoogLeNet、Siamese 和SqueezeNet 网络模型，并给出了这些模型基于Caffe 的训练实战方法。然后，本书解读了利用深度学习进行目标定位的经典网络模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD，并进行目标定位Caffe 实战。本书的最后，从著名的Kaggle 网站引入了两个经典的实战项目，并进行了有针对性的原始数据分析、网络模型设计和Caffe 训练策略实践，以求带给读者从问题提出到利用Caffe 求解的完整工程经历，从而使读者能尽快掌握Caffe 框架的使用技巧和实战经验。针对Caffe 和深度学习领域的初学者，本书是一本不可多得的参考资料。本书的内容既有易懂的理论背景，又有丰富的应用实践，是深度学习初学者的指导手册，也可作为深度学习相关领域工程师和爱好者的参考用书。

【作者简介】

乐毅：计算机专业硕士，现任职于某数据通信公司，高级系统工程师。负责公司深度学习技术领域的应用及相关项目，对深度学习及大数据深度挖掘具有浓厚的兴趣。擅长Caffe等深度学习框架及网络模型应用。王斌：通信与信息系统硕士，现任职于某数据通信公司，高级系统工程师。多年致力于深度学习技术的前沿研究与应用，对Caffe等深度学习框架在图像识别领域有深刻理解，承担公司多项与机器学习相关的研究工作。

【目录】

第1 章 绪论
1 1 引言
1 2 人工智能的发展历程
1 3 机器学习及相关技术
1 3 1 学习形式分类
1 3 2 学习方法分类
1 3 3 机器学习的相关技术
1 4 国内外研究现状
1 4 1 国外研究现状
1 4 2 国内研究现状
第2 章 深度学习
2 1 神经网络模型
2 1 1 人脑视觉机理
2 1 2 生物神经元
2 1 3 人工神经网络
2 2 BP 神经网络
2 2 1 BP 神经元
2 2 2 BP 神经网络构成
2 2 3 正向传播
2 2 4 反向传播
2 3 卷积神经网络
2 3 1 卷积神经网络的历史
2 3 2 卷积神经网络的网络结构
2 3 3 局部感知
2 3 4 参数共享
2 3 5 多卷积核
2 3 6 池化（Pooling）
2 4 深度学习框架
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 简介及其安装配置
3 1 Caffe 是什么
3 1 1 Caffe 的特点
3 1 2 Caffe 的架构
3 2 Caffe 的安装环境
3 2 1 Caffe 的硬件环境
3 2 2 Caffe 的软件环境
3 2 3 Caffe 的依赖库
3 2 4 Caffe 开发环境的安装
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 网络定义
4 1 Caffe 模型要素
4 1 1 网络模型
4 1 2 参数配置
4 2 Google Protobuf 结构化数据
4 3 Caffe 数据库
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 模型简介
5 2 LeNet 模型解读
5 3 Caffe 环境LeNet 模型
5 3 1 mnist 实例详解
5 3 2 mnist 手写测试
5 3 3 mnist 样本字库的图片转换
第6 章 AlexNet 模型
6 1 AlexNet 模型介绍
6 2 AlexNet 模型解读
6 3 AlexNet 模型特点
6 4 Caffe 环境AlexNet 模型训练
6 4 1 数据准备
6 4 2 其他支持文件
6 4 3 图片预处理
6 4 4 ImageNet 数据集介绍
6 4 5 ImageNet 图片介绍
6 4 6 ImageNet 模型训练
6 4 7 Caffe 的AlexNet 模型与论文的不同
6 4 8 ImageNet 模型测试
第7 章 GoogLeNet 模型
7 1 GoogLeNet 模型简介
7 1 1 背景和动机
7 1 2 Inception 结构
7 2 GoogLeNet 模型解读
7 2 1 GoogLeNet 模型结构
7 2 2 GoogLeNet 模型特点
7 3 GoogLeNet 模型的Caffe 实现
第8 章 VGGNet 模型
8 1 VGGNet 网络模型
8 1 1 VGGNet 模型介绍
8 1 2 VGGNet 模型特点
8 1 3 VGGNet 模型解读
8 2 VGGNet 网络训练
8 2 1 VGGNet 训练参数设置
8 2 2 Multi-Scale 训练
8 2 3 测试
8 2 4 部署
8 3 VGGNet 模型分类实验
8 3 1 Single-scale 对比
8 3 2 Multi-scale 对比
8 3 3 模型融合
8 4 VGGNet 网络结构
第9 章 Siamese 模型
9 1 Siamese 网络模型
9 1 1 Siamese 模型原理
9 1 2 Siamese 模型实现
9 2 Siamese 网络训练
9 2 1 数据准备
9 2 2 生成side
9 2 3 对比损失函数
9 2 4 定义solver
9 2 5 网络训练
第10 章 SqueezeNet 模型
10 1 SqueezeNet 网络模型
10 1 1 SqueezeNet 模型原理
10 1 2 Fire Module
10 1 3 SqueezeNet 模型结构
10 1 4 SqueezeNet 模型特点
10 2 SqueezeNet 网络实现
第11 章 FCN 模型
11 1 FCN 模型简介
11 2 FCN 的特点和使用场景
11 3 Caffe FCN 解读
11 3 1 FCN 模型训练准备
11 3 1 FCN 模型训练
第12 章 R-CNN 模型
12 1 R-CNN 模型简介
12 2 R-CNN 的特点和使用场景
12 3 Caffe R-CNN 解读
12 3 1 R-CNN 模型训练准备
12 3 2 R-CNN 模型训练
第13 章 Fast-RCNN 模型
13 1 Fast-RCNN 模型简介
13 2 Fast-RCNN 的特点和使用场景
13 3 Caffe Fast-RCNN 解读
13 3 1 Fast-RCNN 模型训练准备
13 3 2 Fast-RCNN 模型训练
第14 章 Faster-RCNN 模型
14 1 Faster-RCNN 模型简介
14 2 Faster-RCNN 的特点和使用场景
14 3 Caffe Faster-RCNN 解读
14 3 1 Faster-RCNN 模型训练准备
14 3 2 Faster-RCNN 模型训练
第15 章 SSD 模型
15 1 SSD 模型简介
15 2 SSD 的特点和使用场景
15 3 Caffe SSD 解读
15 3 1 SSD 模型训练准备
15 3 2 SSD 模型训练
第16 章 Kaggle 项目实践：人脸特征检测
16 1 项目简介
16 2 赛题和数据
16 3 Caffe 训练和测试数据库
16 3 1 数据库生成
16 3 2 网络对比
16 3 3 网络一
16 3 4 网络二
16 3 5 Python 人脸特征预测程序
第17 章 Kaggle 项目实践：猫狗分类检测
17 1 项目简介
17 2 赛题和数据
17 3 Caffe 训练和测试数据库
17 3 1 数据库生成
17 3 2 Caffe 实现
17 3 3 CatdogNet 训练
17 3 4 CatdogNet 模型验证