第1章 深度学习简介 1
1.1 深度学习的发展 1
1.2 深度学习的应用及研究方向 3
1.3 深度学习工具介绍和对比 4
1.3.1 Caffe 4
1.3.2 TensorFlow 5
1.3.3 Torch 6
1.4 小结 7
第2章 深度学习基本理论 9
2.1 深度学习的基本概念 9
2.2 深度学习的训练过程 13
2.3 深度学习的常用模型和方法 14
2.4 小结 20
第3章 深度学习环境搭建 23
3.1 Caffe安装 23
3.1.1 安装Caffe的相关依赖项 24
3.1.2 安装NVIDIA驱动 24
3.1.3 安装CUDA 27
3.1.4 配置cuDNN 30
3.1.5 源代码编译安装OpenCV 32
3.1.6 编译Caffe，并配置Python接口 34
3.2 Caffe框架下的MNIST数字识别问题 41
3.3 TensorFlow安装 42
3.3.1 基于pip安装 42
3.3.2 基于Anaconda安装 46
3.3.3 基于源代码安装 51
3.3.4 常见安装问题 56
3.4 TensorFlow框架下的CIFAR图像识别问题 59
3.5 Torch安装 61
3.5.1 无CUDA的Torch 7安装 61
3.5.2 CUDA的Torch 7安装 61
3.6 Torch框架下neural-style图像合成问题 62
3.7 小结 74
第4章 人脸识别 75
4.1 人脸识别概述 75
4.2 人脸识别系统设计 76
4.2.1 需求分析 76
4.2.2 功能设计 77
4.2.3 模块设计 78
4.3 系统生产环境部署及验证 81
4.3.1 抽帧环境部署 81
4.3.2 抽帧功能验证 82
4.3.3 OpenFace环境部署 82
4.3.4 OpenFace环境验证 84
4.4 批量生产 90
4.5 小结 102
第5章 车辆识别 103
5.1 概述 103
5.2 系统设计 104
5.2.1 需求分析 104
5.2.2 功能设计 104
5.2.3 模块设计 105
5.3 系统生产环境部署及验证 106
5.3.1 生产环境部署 106
5.3.2 项目部署 107
5.3.3 环境验证 108
5.4 批量生产 109
5.5 小结 117
第6章 不良视频识别 119
6.1 概述 119
6.2 不良图片模型简介 120
6.3 系统设计 122
6.4 系统部署及系统测试验证 123
6.5 批量生产 125
6.5.1 批量节目元数据信息检索与筛选 125
6.5.2 基于FFmpeg的SDK抽取视频I帧 126
6.5.3 基于肤色比例检测的快速筛查 128
6.5.4 基于Caffe框架的不良图片检测 128
6.6 小结 129
第7章 集群部署与运营维护 131
7.1 认识Docker 131
7.2 基于Docker的TensorFlow实验环境 134
7.3 运营维护 137
7.4 小结 138
参考文献 139