幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度學習--Caffe之經典模型詳解與實戰

  • 作者：編者:樂毅//王斌
  • 出版社：電子工業
  • ISBN：9787121301186
  • 出版日期：2016/12/01
  • 裝幀：平裝
  • 頁數：333
人民幣：RMB 79 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    樂毅、王斌編著的《深度學習--Caffe之經典模型詳解與實戰》首先介紹了深度學習相關的理論和主流的深度學習框架，然後從caffe深度學習框架為切入點，介紹了Caffe的安裝、配置、編譯和介面等運行環境，剖析Caffe網路模型的構成要素和常用的層類型和Solver方法。通過LeNel網路模型的Mnist手寫實例介紹其樣本訓練和識別過程，進一步詳細解讀了AlexNet、VGGNet、GoogLeNet、Siamese和SqueezeNet網路模型，並給出了這些模型基於Caffe的訓練實戰方法。然後，本書解讀了利用深度學習進行目標定位的經典網路模型：FCN、R-CNN、Fast—RCNN、Faster-RCNN和SSD，並進行目標定位Caffe實戰。本書的最後，從著名的Kaggle網站引入了兩個經典的實戰項目，並進行了有針對性的原始數據分析、網路模型設計和Caffe訓練策略實踐，以求帶給讀者從問題提出到利用Caffe求解的完整工程經歷，從而使讀者能儘快掌握Caffe框架的使用技巧和實戰經驗。
    針對Caffe和深度學習領域的初學者，本書是一本不可多得的參考資料。本書的內容既有易懂的理論背景，又有豐富的應用實踐，是深度學習初學者的指導手冊，也可作為深度學習相關領域工程師和愛好者的參考用書。
作者介紹
編者:樂毅//王斌
目錄
第1章  緒論
  1.1  引言
  1.2  人工智慧的發展歷程
  1.3  機器學習及相關技術
    1.3.1  學習形式分類
    1.3.2  學習方法分類
    1.3.3  機器學習的相關技術
  1.4  國內外研究現狀
    1.4.1  國外研究現狀
    1.4.2  國內研究現狀
第2章  深度學習
  2.1  神經網路模型
    2.1.1  人腦視覺機理
    2.1.2  生物神經元
    2.1.3  人工神經網路
  2.2  BP 神經網路
    2.2.1  BP 神經元
    2.2.2  BP 神經網路構成
    2.2.3  正向傳播
    2.2.4  反向傳播
  2.3  卷積神經網路
    2.3.1  卷積神經網路的歷史
    2.3.2  卷積神經網路的網路結構
    2.3.3  局部感知
    2.3.4  參數共享
    2.3.5  多卷積核
    2.3.6  池化（Pooling）
  2.4  深度學習框架
    2.4.1  Caffe
    2.4.2  Torch
    2.4.3  Keras
    2.4.4  MXNet
    2.4.5  TensorFlow
    2.4.6  TK
    2.4.7  Theano
第3章  Caffe 簡介及其安裝配置
  3.1  Caffe 是什麼
    3.1.1  Caffe 的特點
    3.1.2  Caffe 的架構
  3.2  Caffe 的安裝環境
    3.2.1  Caffe 的硬體環境
    3.2.2  Caffe 的軟體環境
    3.2.3  Caffe 的依賴庫
    3.2.4  Caffe 開發環境的安裝
  3.3  Caffe 介面
    3.3.1  Caffe Python 介面
    3.3.2  Caffe MATLAB 介面
    3.3.3  Caffe 命令行介面
第4章  Caffe 網路定義
  4.1  Caffe 模型要素

    4.1.1  網路模型
    4.1.2  參數配置
  4.2  Google Protobuf 結構化數據
  4.3  Caffe 資料庫
    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 模型簡介
  5.2  LeNet 模型解讀
  5.3  Caffe 環境LeNet 模型
    5.3.1  mnist 實例詳解
    5.3.2  mnist 手寫測試
    5.3.3  mnist 樣本字型檔的圖片轉換
第6章  AlexNet 模型
  6.1  AlexNet 模型介紹
  6.2  AlexNet 模型解讀
  6.3  AlexNet 模型特點
  6.4  Caffe 環境AlexNet 模型訓練
    6.4.1  數據準備
    6.4.2  其他支持文件
    6.4.3  圖片預處理
    6.4.4  ImageNet 數據集介紹
    6.4.5  ImageNet 圖片介紹
    6.4.6  ImageNet 模型訓練
    6.4.7  Caffe 的AlexNet 模型與論文的不同
    6.4.8  ImageNet 模型測試
第7章  GoogLeNet 模型
  7.1  GoogLeNet 模型簡介
    7.1.1  背景和動機
    7.1.2  Inception 結構
  7.2  GoogLeNet 模型解讀
    7.2.1  GoogLeNet 模型結構
    7.2.2  GoogLeNet 模型特點

  7.3  GoogLeNet 模型的Caffe 實現
第8章  VGGNet 模型
  8.1  VGGNet 網路模型
    8.1.1  VGGNet 模型介紹
    8.1.2  VGGNet 模型特點
    8.1.3  VGGNet 模型解讀
  8.2  VGGNet 網路訓練
    8.2.1  VGGNet 訓練參數設置
    8.2.2  Multi-Scale 訓練
    8.2.3  測試
    8.2.4  部署
  8.3  VGGNet 模型分類實驗
    8.3.1  Single-scale 對比
    8.3.2  Multi-scale 對比
    8.3.3  模型融合
  8.4  VGGNet 網路結構
第9章  Siamese 模型
  9.1  Siamese 網路模型
    9.1.1  Siamese 模型原理
    9.1.2  Siamese 模型實現
  9.2  Siamese 網路訓練
    9.2.1  數據準備
    9.2.2  生成side
    9.2.3  對比損失函數
    9.2.4  定義solver
    9.2.5  網路訓練
第10章  SqueezeNet 模型
  10.1  SqueezeNet 網路模型
    10.1.1  SqueezeNet 模型原理
    10.1.2  Fire Module
    10.1.3  SqueezeNet 模型結構
    10.1.4  SqueezeNet 模型特點
  10.2  SqueezeNet 網路實現
第11章  F 模型
  11.1  F 模型簡介
  11.2  F 的特點和使用場景
  11.3  Caffe F 解讀
    11.3.1  F 模型訓練準備
    11.3.1  F 模型訓練
第12章  R-N 模型
  12.1  R-N 模型簡介
  12.2  R-N 的特點和使用場景
  12.3  Caffe R-N 解讀
    12.3.1  R-N 模型訓練準備
    12.3.2  R-N 模型訓練
第13章  Fast-RN 模型
  13.1  Fast-RN 模型簡介
  13.2  Fast-RN 的特點和使用場景
  13.3  Caffe Fast-RN 解讀
    13.3.1  Fast-RN 模型訓練準備

    13.3.2  Fast-RN 模型訓練
第14章  Faster-RN 模型
  14.1  Faster-RN 模型簡介
  14.2  Faster-RN 的特點和使用場景
  14.3  Caffe Faster-RN 解讀
    14.3.1  Faster-RN 模型訓練準備
    14.3.2  Faster-RN 模型訓練
第15章  SSD 模型
  15.1  SSD 模型簡介
  15.2  SSD 的特點和使用場景
  15.3  Caffe SSD 解讀
    15.3.1  SSD 模型訓練準備
    15.3.2  SSD 模型訓練
第16章  Kaggle 項目實踐：人臉特徵檢測
  16.1  項目簡介
  16.2  賽題和數據
  16.3  Caffe 訓練和測試資料庫
    16.3.1  資料庫生成
    16.3.2  網路對比
    16.3.3  網路一
    16.3.4  網路二
    16.3.5  Python 人臉特徵預測程序
第17章  Kaggle 項目實踐：貓狗分類檢測
  17.1  項目簡介
  17.2  賽題和數據
  17.3  Caffe 訓練和測試資料庫
    17.3.1  資料庫生成
    17.3.2  Caffe 實現
    17.3.3  CatdogNet 訓練
    17.3.4  CatdogNet 模型驗證

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032