《深度学习 Caffe之经典模型详解与实战》PDF下载

  • 购买积分:12 如何计算积分?
  • 作  者:乐毅,王斌编著
  • 出 版 社:北京:电子工业出版社
  • 出版年份:2016
  • ISBN:7121301186
  • 页数:333 页
图书介绍:

第1章 绪论 1

1.1 引言 1

1.2 人工智能的发展历程 2

1.3 机器学习及相关技术 4

1.3.1 学习形式分类 4

1.3.2 学习方法分类 5

1.3.3 机器学习的相关技术 7

1.4 国内外研究现状 8

1.4.1 国外研究现状 8

1.4.2 国内研究现状 9

第2章 深度学习 11

2.1 神经网络模型 11

2.1.1 人脑视觉机理 11

2.1.2 生物神经元 13

2.1.3 人工神经网络 15

2.2 BP神经网络 18

2.2.1 BP神经元 18

2.2.2 BP神经网络构成 19

2.2.3 正向传播 21

2.2.4 反向传播 21

2.3 卷积神经网络 24

2.3.1 卷积神经网络的历史 25

2.3.2 卷积神经网络的网络结构 26

2.3.3 局部感知 27

2.3.4 参数共享 28

2.3.5 多卷积核 28

2.3.6 池化(Pooling) 29

2.4 深度学习框架 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简介及其安装配置 36

3.1 Caffe是什么 36

3.1.1 Caffe的特点 38

3.1.2 Caffe的架构 38

3.2 Caffe的安装环境 39

3.2.1 Caffe的硬件环境 39

3.2.2 Caffe的软件环境 43

3.2.3 Caffe的依赖库 44

3.2.4 Caffe开发环境的安装 46

3.3 Caffe接口 52

3.3.1 Caffe Python接口 52

3.3.2 CaffeMATLAB接口 55

3.3.3 Caffe命令行接口 56

第4章 Caffe网络定义 58

4.1 Caffe模型要素 58

4.1.1 网络模型 58

4.1.2 参数配置 62

4.2 Google Protobuf结构化数据 63

4.3 Caffe数据库 65

4.3.1 LeveDB 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模型简介 88

5.2 LeNet模型解读 89

5.3 Caffe环境LeNet模型 91

5.3.1 mnist实例详解 91

5.3.2 mnist手写测试 103

5.3.3 mnist样本字库的图片转换 106

第6章 AlexNet模型 107

6.1 AlexNet模型介绍 107

6.2 AlexNet模型解读 108

6.3 AlexNet模型特点 111

6.4 Caffe环境AlexNet模型训练 112

6.4.1 数据准备 112

6.4.2 其他支持文件 113

6.4.3 图片预处理 113

6.4.4 ImageNet数据集介绍 113

6.4.5 ImageNet图片介绍 115

6.4.6 ImageNet模型训练 115

6.4.7 Caffe的AlexNet模型与论文的不同 124

6.4.8 ImageNet模型测试 124

第7章 GoogLeNet模型 126

7.1 GoogLeNet模型简介 126

7.1.1 背景和动机 127

7.1.2 Inception结构 127

7.2 GoogLeNet模型解读 129

7.2.1 GoogLeNet模型结构 129

7.2.2 GoogLeNet模型特点 134

7.3 GoogLeNet模型的Caffe实现 135

第8章 VGGNet模型 146

8.1 VGGNet网络模型 146

8.1.1 VGGNet模型介绍 146

8.1.2 VGGNet模型特点 147

8.1.3 VGGNet模型解读 147

8.2 VGGNet网络训练 149

8.2.1 VGGNet训练参数设置 149

8.2.2 Multi-Scale训练 149

8.2.3 测试 150

8.2.4 部署 150

8.3 VGGNet模型分类实验 150

8.3.1 Single-scale对比 150

8.3.2 Multi-scale对比 151

8.3.3 模型融合 152

8.4 VGGNet网络结构 153

第9章 Siamese模型 158

9.1 Siamese网络模型 159

9.1.1 Siamese模型原理 159

9.1.2 Siamese模型实现 160

9.2 Siamese网络训练 165

9.2.1 数据准备 165

9.2.2 生成side 165

9.2.3 对比损失函数 166

9.2.4 定义solver 166

9.2.5 网络训练 166

第10章 SqueezeNet模型 168

10.1 SqueezeNet网络模型 168

10.1.1 SqueezeNet模型原理 168

10.1.2 Fire Module 169

10.1.3 SqueezeNet模型结构 170

10.1.4 SqueezeNet模型特点 171

10.2 SqueezeNet网络实现 172

第11章 FCN模型 177

11.1 FCN模型简介 177

11.2 FCN的特点和使用场景 178

11.3 Caffe FCN解读 179

11.3.1 FCN模型训练准备 180

11.3.1 FCN模型训练 183

第12章 R-CNN模型 196

12.1 R-CNN模型简介 196

12.2 R-CNN的特点和使用场景 197

12.3 Caffe R-CNN解读 198

12.3.1 R-CNN模型训练准备 198

12.3.2 R-CNN模型训练 201

第13章 Fast-RCNN模型 217

13.1 Fast-RCNN模型简介 217

13.2 Fast-RCNN的特点和使用场景 218

13.3 Caffe Fast-RCNN解读 220

13.3.1 Fast-RCNN模型训练准备 220

13.3.2 Fast-RCNN模型训练 222

第14章 Faster-RCNN模型 239

14.1 Faster-RCNN模型简介 239

14.2 Faster-RCNN的特点和使用场景 241

14.3 Caffe Faster-RCNN解读 242

14.3.1 Faster-RCNN模型训练准备 242

14.3.2 Faster-RCNN模型训练 244

第15章 SSD模型 264

15.1 SSD模型简介 264

15.2 SSD的特点和使用场景 266

15.3 Caffe SSD解读 267

15.3.1 SSD模型训练准备 267

15.3.2 SSD模型训练 268

第16章 Kaggle项目实践:人脸特征检测 290

16.1 项目简介 290

16.2 赛题和数据 291

16.3 Caffe训练和测试数据库 293

16.3.1 数据库生成 293

16.3.2 网络对比 295

16.3.3 网络一 296

16.3.4 网络二 300

16.3.5 Python人脸特征预测程序 306

第17章 Kaggle项目实践:猫狗分类检测 311

17.1 项目简介 311

17.2 赛题和数据 312

17.3 Caffe训练和测试数据库 312

17.3.1 数据库生成 312

17.3.2 Caffe实现 316

17.3.3 CatdogNet训练 328

17.3.4 CatdogNet模型验证 332