●章飛槳PaddlePaddle簡介
與AIStudio的使用1
1.1飛槳PaddlePaddle簡介1
1.2飛槳PaddlePaddle的工具組件2
1.2.1PaddleHub—簡明易用的
預訓練模型管理框架2
1.2.2PARL—基於飛槳PaddlePaddle
的深度強化學習框架3
1.2.3AutoDLDesign—讓深度學習
來設計深度學習4
1.2.4VisualDL—深度學習可視化
工具庫5
1.2.5模型轉換工具X2Paddle5
1.3飛槳PaddlePaddle在百度內部
支持的案例6
1.4飛槳PaddlePaddle與TensorFlow的
對比7
1.5AIStudio簡介8
1.6在AIStudio中創建項目9
1.6.1用戶界面簡介9
1.6.2創建並運行一個項目10
1.7AIStudio單機項目概述11
1.7.1頁面概覽11
1.7.2復制項目12
1.7.3VisualDL工具的使用13
1.8Notebook環境使用說明14
1.8.1Notebook頁面概覽14
1.8.2操作區14
1.8.3Notebook內容編輯區15
1.8.4側邊欄21
1.8.5工具欄23
1.9AIStudio集群項目23
1.9.1集群項目說明23
1.9.2創建集群項目24
1.9.3頁面概覽25
1.9.4代碼編輯界面25
1.9.5文件管理和數據集區域26
1.9.6文件預覽編輯和提交任務
區域27
1.9.7PaddlePaddle集群訓練說明27
1.9.8數據集與輸出文件路徑說明28
1.9.9提交任務29
1.9.10歷史任務29
1.9.11預安裝包說明30
1.10在線部署及預測31
1.10.1功能說明31
1.10.2通過訓練任務生成模型文件32
1.10.3創建一個在線服務34
1.10.4測試沙盒服務39
1.10.5部署在線服務40
1.10.6調用在線服務41
1.11NumPy常規操作及使用42
第2章PaddlePaddleFluid的環境
搭建與安裝50
2.1在Linux繫統中安裝
PaddlePaddle50
2.1.1租用百度BCC雲服務器50
2.1.2安裝前的準備工作56
2.1.3通過pip安裝PaddlePaddle58
2.1.4在Docker中安裝
PaddlePaddle59
2.2在Windows繫統中安裝
PaddlePaddle64
2.2.1WindowsGPU驅動環境安裝64
2.2.2並安裝CUDA65
2.2.3安裝cuDNN68
2.2.4安裝PaddlePaddle69
2.3在macOS繫統中安裝
PaddlePaddle69
2.3.1安裝Python369
2.3.2安裝PaddlePaddle71
第3章PaddlePaddle深度學習入門—
在MNIST上進行手寫
數字識別72
3.1引言72
3.2模型概覽73
3.2.1Softmax回歸模型73
3.2.2多層感知器74
3.2.3卷積神經網絡75
3.3數據介紹78
3.4PaddlePaddle的程序配置過程79
3.4.1程序說明79
3.4.2配置inference_program79
3.4.3配置train_program81
3.4.4配置optimizer_program82
3.4.5配置數據集reader82
3.5構建訓練過程83
3.5.1事件處理程序配置83
3.5.2開始訓練84
3.6應用模型86
3.6.1生成待預測的輸入數據87
3.6.2Inference創建及預測87
3.6.3預測結果87
3.7小結88
第4章PaddlePaddle設計思想與
核心技術89
4.1編譯時與運行時的概念89
4.2Fluid內部執行流程90
4.3Program設計簡介91
4.4Block簡介92
4.5Block和Program的設計細節93
4.6框架執行器設計思想94
4.6.1代碼示例95
4.6.2創建框架執行器95
4.6.3運行框架執行器96
4.7示例96
4.7.1定義Program96
4.7.2創建框架執行器98
4.7.3運行框架執行器99
4.8LoDTensor數據結構解讀99
4.8.1LoD索引100
4.8.2LoDTensor在PaddlePaddle
中的表示方法101
4.8.3LoDTensor的API103
4.8.4LoDTensor的使用示例105
4.9動態圖機制——DyGraph107
4.9.1動態圖設置和基本用法108
4.9.2基於DyGraph構建網絡109
4.9.3使用DyGraph訓練模型110
4.9.4模型參數的保存115
4.9.5模型評估116
4.9.6編寫兼容的模型118
第5章獨孤九劍—經典圖像分類
網絡實現119
5.1圖像分類網絡現狀119
5.2VGG16圖像分類任務123
5.2.1定義網絡結構124
5.2.2定義推理程序127
5.2.3定義訓練程序127
5.2.4實例化訓練對像128
5.2.5讀取數據128
5.2.6編寫事件處理程序並
啟動訓練129
5.2.7執行模型預測130
5.3模塊化設計GoogleNet135
5.4Alexnet模型實現142
5.5Resnet模型實現146
5.6MobileNetV2模型實現149
5.7ShuffleNetV2模型實現154
第6章“天網”繫統基礎—
目標檢測159
6.1目標檢測簡介160
6.2對R-CNN繫列算法的探索歷史161
6.2.1R-CNN算法：目標檢測
開山之作161
6.2.2SPP網絡164
6.2.3FastR-CNN166
6.2.4FasterR-CNN167
6.3單步目標檢測算法177
6.3.1統一檢測算法YOLO178
6.3.2SSD基本原理181
6.3.3SSD在訓練時的匹配策略185
6.3.4使用PaddlePaddle實現
SSD網絡186
6.4PyramidBox203
6.4.1提出PyramidBox方法的
背景204
6.4.2PyramidBox網絡結構205
6.4.3PyramidBox的創新點208
6.4.4PyramidBox的PaddlePaddle
官方實現210
第7章“天網”繫統進階—像素級
物體分割221
7.1物體分割簡介221
7.2語義分割與實例分割的關繫222
7.3語義分割222
7.3.1語義分割的任務描述223
7.3.2全卷積網絡224
7.3.3ParseNet229
7.3.4u-net229
7.3.5v-net231
7.3.6u-net變體網絡231
7.3.7PSPNet233
7.3.8ICNet234
7.3.9DeepLabv3+241
7.4實例分割249
7.4.1實例分割概述249
7.4.2MaskR-CNN250
第8章從零開始了解NLP
技術—word2vec263
8.1初識NLP263
8.2詞向量簡介265
8.3如何得到詞向量模型268
8.4詞向量模型概覽269
8.4.1語言模型269
8.4.2N-Gram模型269
8.4.3CBOW模型270
8.4.4Skip-Gram271
8.4.5詞ID271
8.5通過PaddlePaddle訓練
CBOW模型273
8.5.1CBOW模型訓練過程273
8.5.2數據預處理274
8.5.3編程實現274
8.5.4模型應用278
8.6小結280
第9章feed流最懂你—
個性化推薦282
9.1引言282
9.2推薦網絡模型設計283
9.2.1YouTube的深度神經網絡
個性化推薦繫統284
9.2.2融合推薦模型286
9.3電影推薦實驗290
9.3.1數據介紹與290
9.3.2模型配置說明292
9.3.3訓練模型295
9.3.4應用模型298
9.4小結299
0章讓機器讀懂你的心—
情感分析技術300
10.1情感分析及其作用300
10.2模型設計303
10.3情感分析實驗308
1章NLP技術深入理解—
語義角色標注315
11.1引言315
11.2模型概覽317
11.2.1棧式循環神經網絡317
11.2.2雙向循環318
11.2.3條件隨機場319
11.2.4深度雙向LSTMSRL模型320
11.3使用PaddlePaddle實現SRL
任務322
11.3.1數據預處理322
11.3.2進行PaddlePaddle實驗324
11.4小結331
2章NLP技術的應用—
機器翻譯332
12.1引言332
12.2效果展示333
12.3模型概覽333
12.3.1時間步展開的雙向循環
神經網絡333
12.3.2編碼器-解碼器框架334
12.3.3柱搜索算法337
12.4機器翻譯實戰337
12.4.1數據預處理337
12.4.2模型配置338
12.4.3訓練模型342
12.4.4應用模型343
3章PaddlePaddle移動端及嵌入式
框架—Paddle-Mobile345
13.1Paddle-Mobile簡介345
13.2Paddle-Mobile優化與適配346
13.2.1包壓縮346
13.2.2工程結構編碼前重新設計347
13.3移動端主體識別和分類350
13.3.1完全在雲端的神經網絡
技術應用352
13.3.2移動端業界案例353
13.3.3在移動端應用深度學習
技術的難點355
13.3.4AR實時翻譯問題的
解決方案356
13.4編譯與開發Paddle-Mobile
平臺庫359
13.5開發一個基於移動端深度學習
框架的AndroidAPP360
13.6Paddle-Mobile設計思想368
4章百度開源高速推理引擎——
Anakin374
14.1Anakin架構與性能375
14.2Anakin的特性379
14.2.1支持眾多異構平臺379
14.2.2高性能379
14.2.3彙編級的kernel優化382
14.2.4Anakin值得一提的
技術亮點382
14.3Anakin的使用方法384
14.3.1Anakin的工作原理384
14.3.2Anakinv2.0API385
14.4示例程序393
附錄ATensorFlow與PaddlePaddleFluid
接口中常用層對照表394
附錄BCaffe與PaddlePaddleFluid
接口中常用層對照表401