| | | | 深度學習實踐：基於Caffe的解析 薛雲峰 智能繫統與技術叢書 | | 該商品所屬分類：圖書 -> 機械工業出版社 | | 【市場價】 | 529-768元 | | 【優惠價】 | 331-480元 | | 【作者】 | 薛雲峰 | | 【出版社】 | 機械工業出版社 | | 【ISBN】 | 9787111610434 | | 【折扣說明】 | 一次購物滿999元台幣免運費+贈品
一次購物滿2000元台幣95折+免運費+贈品
一次購物滿3000元台幣92折+免運費+贈品
一次購物滿4000元台幣88折+免運費+贈品
| | 【本期贈品】 | ①優質無紡布環保袋，做工棒！②品牌簽字筆 ③品牌手帕紙巾
|
|
| 版本 | 正版全新電子版PDF檔 | | 您已选择： | 正版全新 | 溫馨提示：如果有多種選項，請先選擇再點擊加入購物車。*. 電子圖書價格是0.69折，例如了得網價格是100元，電子書pdf的價格則是69元。
*. 購買電子書不支持貨到付款，購買時選擇atm或者超商、PayPal付款。付款後1-24小時內通過郵件傳輸給您。
*. 如果收到的電子書不滿意，可以聯絡我們退款。謝謝。 | | | |
| | 內容介紹 | |
店鋪：機械工業出版社官方旗艦店 出版社：機械工業出版社 ISBN：9787111610434 商品編碼：10026487513179 品牌：機械工業出版社（CMP） 頁數：200 字數：100000 審圖號：9787111610434 作者：薛雲峰
" 
商品參數
| 商品基本信息 | | 商品名稱： | 深度學習實踐：基於Caffe的解析 | | 作者： | 薛雲峰 | | 市場價： | 69.00 | | ISBN號： | 9787111610434 | | 版次： | 1-1 | | 出版日期： | 2018-10 | | 頁數： | 283 | | 字數： | 100 | | 出版社： | 機械工業出版社 |
內容介紹
| 內容簡介 | 本書主要介紹Caffe的技術原理和一些*級使用技巧，首先介紹深度學習的趨勢和業內動態，然後介紹Caffe的基礎知識。在理解了Caffe算法的基礎上，介紹Caffe的技術原理和特點，包括數學知識和設計知識。*後介紹Caffe深度學習多任務網絡。本書將實踐和現有繫統進行無縫對接，並詳述了各種調參技巧。
|
目錄
| 目錄 | 前言
*1章深度學習簡介 1
1.1深度學習的歷史 1
1.2深度學習工具簡介 4
1.3深度學習的未來趨勢 12
*2章搭建你的Caffe武器庫 13
2.1硬件選型 13
2.2Caffe在Windows下的安裝 14
2.3Caffe在Linux下的安裝 16
2.3.1Linux安裝 16
2.3.2Nvidia CUDA Toolkit的安裝（*.deb方法） 17
2.3.3Caffe的安裝和測試 20
2.4OpenCV的安裝和編譯 23
2.4.1OpenCV的下載 23
2.4.2配置環境變量 24
2.5Boost庫的安裝和編譯 27
2.6Python相關庫的安裝 31
2.7MATLAB接口的配置 33
2.8其他庫的安裝 44
2.8.1LMDB的編譯與安裝 44
2.8.2LevelDB的編譯與安裝 51
2.8.3glog的編譯與安裝 57
2.8.4安裝gflags 63
第3章Caffe的簡單訓練 69
3.1Caffe轉化數據工具的使用介紹 69
3.1.1命令參數介紹 69
3.1.2生成文件列表 70
3.1.3使用的Linux命令簡介 70
3.1.4生成文件結果 71
3.1.5圖片參數組詳解 71
3.2Caffe提取特征的工具使用說明 72
3.3Caffe訓練需要的幾個部件 73
3.3.1網絡proto文件的編寫 73
3.3.2Solver配置 74
3.3.3訓練腳本的編寫 76
3.3.4訓練log解析 76
3.4Caffe簡單訓練分類任務 79
3.5測試訓練結果 86
3.6使用訓練好的模型進行預測 87
第4章認識深度學習網絡中的層 97
4.1卷積層的作用與類別 97
4.1.1卷積層的作用 97
4.1.2卷積分類 98
4.2激活層的作用與類別 99
4.2.1激活函數的定義及相關概念 99
4.2.2激活函數的類別 101
4.3池化層的作用與類別 101
4.3.1池化層的歷史 101
4.3.2池化層的作用 102
4.3.3池化層分類 103
4.4全連接層的作用與類別 105
4.5dropout層的作用 106
4.6損失函數層 106
第5章Caffe的框架設計 110
5.1Caffe中CPU和GPU結構的融合 110
5.1.1SyncedMemory函數及其功能 110
5.1.2SyncedMemory類的作用 112
5.2Caffe訓練時層的各個成員函數的調用順序 112
5.3Caffe網絡構建函數的解析 115
5.4Caffe層如何使用proto文件實現反射機制 116
5.4.1工廠模式 116
5.4.2層的創建 118
5.5Caffe的調用流程圖及函數順序導視 122
5.6Caffe框架使用的編碼思想 125
5.6.1Caffe的總體結構 125
5.6.2Caffe數據存儲設計 128
第6章基礎數學知識 130
6.1卷積層的數學公式及求導 130
6.2激活層的數學公式圖像及求導 132
6.3三種池化層的數學公式及反向計算 134
6.4全連接層的數學公式及求導 135
6.4.1全連接層的前向計算及公式推導 135
6.4.2全連接層的反向傳播及公式推導 136
6.5反卷積層的數學公式及求導 137
第7章卷積層和池化層的使用 139
7.1卷積層參數初始化介紹 139
7.2池化層的物理意義 141
7.3卷積層和池化層輸出計算及參數說明 141
7.4實踐：在Caffe框架下用Prototxt定義卷積層和池化層 142
7.4.1卷積層參數的編寫 142
7.4.2必須設置的參數 143
7.4.3其他可選的設置參數 143
7.4.4卷積參數編寫具體示例 144
7.4.5卷積參數編寫小建議 145
第8章激活函數的介紹 146
8.1用ReLU解決sigmoid的缺陷 146
8.2ReLU及其變種的對比 148
8.3實踐：在Caffe框架下用Prototxt定義激活函數 150
8.3.1ReLU 150
8.3.2PReLU 150
8.3.3Sigmoid 151
第9章損失函數 152
9.1contrastive_loss函數和對應層的介紹和使用場景 152
9.2multinomial_logistic_loss函數和對應層的介紹和使用說明 154
9.3sigmoid_cross_entropy函數和對應層的介紹和使用說明 155
9.4softmax_loss函數和對應層的介紹和使用說明 158
9.5euclidean_loss函數和對應層的介紹和使用說明 161
9.6hinge_loss函數和對應層的介紹和使用說明 162
9.7infogain_loss函數和對應層的介紹和使用說明 163
9.8TripletLoss的添加及其使用 165
9.8.1TripletLoss的思想 165
9.8.2TripletLoss梯度推導 166
9.8.3新增加TripletLossLayer 167
9.9Coupled Cluster Loss的添加及其使用 176
9.9.1增加loss層 176
9.9.2實現具體示例 177
*10章Batch Normalize層的使用 194
10.1batch_normalize層的原理和作用 194
10.2batch_normalize層的優勢 196
10.3常見網絡結構batch_normalize層的位置 197
10.4proto的具體寫法 202
10.5其他歸一化層的介紹 204
*11章回歸網絡的構建 205
11.1如何生成回歸網絡訓練數據 205
11.2回歸任務和分類任務的異同點 206
11.3回歸網絡收斂性的判斷 207
11.4回歸任務與級聯模型 210
*12章多任務網絡的構建 214
12.1多任務歷史 214
12.2多任務網絡的數據生成 216
12.3如何簡單建立多任務 216
12.4近年的多任務深度學習網絡 217
12.5多任務中通用指導性調參和網絡構建結論 221
12.5.1如何避免出現多任務後性能下降的情況 221
12.5.2怎樣構建性能提升的多任務網絡 222
*13章圖像檢索和人臉識別繫統實踐 223
13.1深度學習如何構建成自動化服務，在內存中做測試 223
13.2Poco庫構建服務器指南 234
13.3深度學習服務和傳統服務的區別 237
13.4深度學習服務如何與傳統後臺服務進行交互 237
13.5人臉識別的數據準備和所使用的相關技術 238
13.6圖像檢索任務的介紹 243
13.7在Caffe中添加數據輸入層 245
13.7.1具體示例 246
13.7.2ImageDataParameter參數含義簡介 247
13.7.3新增加參數的含義簡介 248
13.7.4將新增加的參數加入LayerParameter 248
13.7.5代碼的編寫之必寫函數 248
13.7.6用戶自定義函數的編寫 249
13.7.7用戶自定義數據的讀取 250
13.7.8代碼的實現 250
*14章深度學習的調參技巧總結 265
14.1不變數據的調參的基本原則 265
14.2Caffe fine-tuning調參的原則和方法 265
14.3綜合數據調參的指導性建議 267
14.42012年以後的經典網絡結構概述 271
14.4.1Google的Inception結構 271
14.4.2微軟的Residua
|
" | | |
| | | | |
|
