深度学习实践 基于Caffe的解析PDF|Epub|txt|kindle电子书版本网盘下载

深度学习实践 基于Caffe的解析PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习简介1

1.1 深度学习的历史1

1.2 深度学习工具简介4

1.3 深度学习的未来趋势12

第2章 搭建你的Caffe武器库13

2.1 硬件选型13

2.2 Caffe在Windows下的安装14

2.3 Caffe在Linux下的安装16

2.3.1 Linux安装16

2.3.2 Nvidia CUDA Toolkit的安装（*.deb方法）17

2.3.3 Caffe的安装和测试20

2.4 OpenCV的安装和编译23

2.4.1 OpenCV的下载23

2.4.2 配置环境变量24

2.5 Boost库的安装和编译27

2.6 Python相关库的安装31

2.7 MATLAB接口的配置33

2.8 其他库的安装44

2.8.1 LMDB的编译与安装44

2.8.2 LevelDB的编译与安装51

2.8.3 glog的编译与安装57

2.8.4 安装gflags63

第3章 Caffe的简单训练69

3.1 Caffe转化数据工具的使用介绍69

3.1.1 命令参数介绍69

3.1.2 生成文件列表70

3.1.3 使用的Linux命令简介70

3.1.4 生成文件结果71

3.1.5 图片参数组详解71

3.2 Caffe提取特征的工具使用说明72

3.3 Caffe训练需要的几个部件73

3.3.1 网络proto文件的编写73

3.3.2 Solver配置74

3.3.3 训练脚本的编写76

3.3.4 训练log解析76

3.4 Caffe简单训练分类任务79

3.5 测试训练结果86

3.6 使用训练好的模型进行预测87

第4章 认识深度学习网络中的层97

4.1 卷积层的作用与类别97

4.1.1 卷积层的作用97

4.1.2 卷积分类98

4.2 激活层的作用与类别99

4.2.1 激活函数的定义及相关概念99

4.2.2 激活函数的类别101

4.3 池化层的作用与类别101

4.3.1 池化层的历史101

4.3.2 池化层的作用102

4.3.3 池化层分类103

4.4 全连接层的作用与类别105

4.5 dropout层的作用106

4.6 损失函数层106

第5章 Caffe的框架设计110

5.1 Caffe中CPU和GPU结构的融合110

5.1.1 SyncedMemory函数及其功能110

5.1.2 SyncedMemory类的作用112

5.2 Caffe训练时层的各个成员函数的调用顺序112

5.3 Caffe网络构建函数的解析115

5.4 Caffe层如何使用proto文件实现反射机制116

5.4.1 工厂模式116

5.4.2 层的创建118

5.5 Caffe的调用流程图及函数顺序导视122

5.6 Caffe框架使用的编码思想125

5.6.1 Caffe的总体结构125

5.6.2 Caffe数据存储设计128

第6章 基础数学知识130

6.1 卷积层的数学公式及求导130

6.2 激活层的数学公式图像及求导132

6.3 三种池化层的数学公式及反向计算134

6.4 全连接层的数学公式及求导135

6.4.1 全连接层的前向计算及公式推导135

6.4.2 全连接层的反向传播及公式推导136

6.5 反卷积层的数学公式及求导137

第7章 卷积层和池化层的使用139

7.1 卷积层参数初始化介绍139

7.2 池化层的物理意义141

7.3 卷积层和池化层输出计算及参数说明141

7.4 实践：在Caffe框架下用Prototxt定义卷积层和池化层142

7.4.1 卷积层参数的编写142

7.4.2 必须设置的参数143

7.4.3 其他可选的设置参数143

7.4.4 卷积参数编写具体示例144

7.4.5 卷积参数编写小建议145

第8章 激活函数的介绍146

8.1 用ReLU解决sigmoid的缺陷146

8.2 ReLU及其变种的对比148

8.3 实践：在Caffe框架下用Prototxt定义激活函数150

8.3.1 ReLU150

8.3.2 PReLU150

8.3.3 Sigmoid151

第9章 损失函数152

9.1 contrastive_ loss函数和对应层的介绍和使用场景152

9.2 multinomial_ logistic_ loss函数和对应层的介绍和使用说明154

9.3 sigmoid_cross_ entropy函数和对应层的介绍和使用说明155

9.4 softmax_ loss函数和对应层的介绍和使用说明158

9.5 euclidean_ loss函数和对应层的介绍和使用说明161

9.6 hinge_ loss函数和对应层的介绍和使用说明162

9.7 infogain_ loss函数和对应层的介绍和使用说明163

9.8 TripletLoss的添加及其使用165

9.8.1 TripletLoss的思想165

9.8.2 TripletLoss梯度推导166

9.8.3 新增加TripletLossLayer167

9.9 Coupled Cluster Loss的添加及其使用176

9.9.1 增加loss层176

9.9.2 实现具体示例177

第10章 Batch Normalize层的使用194

10.1 batch_ normalize层的原理和作用194

10.2 batch_ normalize层的优势196

10.3 常见网络结构batch_ normalize层的位置197

10.4 proto的具体写法202

10.5 其他归一化层的介绍204

第11章 回归网络的构建205

11.1 如何生成回归网络训练数据205

11.2 回归任务和分类任务的异同点206

11.3 回归网络收敛性的判断207

11.4 回归任务与级联模型210

第12章 多任务网络的构建214

12.1 多任务历史214

12.2 多任务网络的数据生成216

12.3 如何简单建立多任务216

12.4 近年的多任务深度学习网络217

12.5 多任务中通用指导性调参和网络构建结论221

12.5.1 如何避免出现多任务后性能下降的情况221

12.5.2 怎样构建性能提升的多任务网络222

第13章 图像检索和人脸识别系统实践223

13.1 深度学习如何构建成自动化服务，在内存中做测试223

13.2 Poco库构建服务器指南234

13.3 深度学习服务和传统服务的区别237

13.4 深度学习服务如何与传统后台服务进行交互237

13.5 人脸识别的数据准备和所使用的相关技术238

13.6 图像检索任务的介绍243

13.7 在Caffe中添加数据输入层245

13.7.1 具体示例246

13.7.2 ImageDataParameter参数含义简介247

13.7.3 新增加参数的含义简介248

13.7.4 将新增加的参数加入LayerParameter248

13.7.5 代码的编写之必写函数248

13.7.6 用户自定义函数的编写249

13.7.7 用户自定义数据的读取250

13.7.8 代码的实现250

第14章 深度学习的调参技巧总结265

14.1 不变数据的调参的基本原则265

14.2 Caffe fine-tuning调参的原则和方法265

14.3 综合数据调参的指导性建议267

14.4 2012年以后的经典网络结构概述271

14.4.1 Google的Inception结构271

14.4.2 微软的Residual Network结构279