目录 - 博文视点

目录
上篇初见
第1天什么是深度学习
第2天深度学习的过往
第3天深度学习工具汇总
第4天准备Caffe环境
第5天 Caffe依赖包解析
第6天运行手写体数字识别例程
中篇热恋
第7天 Caffe代码梳理
第8天 Caffe数据结构
第9天 Caffe I／O模块
第10天 Caffe模型
第11天 Caffe前向传播计算
第12天 Caffe反向传播计算
第13天 Caffe最优化求解过程
第14天 Caffe实用工具
下篇升华
第15天 Caffe计算加速
第16天 Caffe可视化方法
第17章 Caffe迁移和部署
第18天关于ILSVRC不得不说的一些事儿
第19天放之四海而皆准
第20天继往开来的领路人
第21天新生

图书类别

上篇 初见  
第1天 什么是深度学习 2  
1.1 星星之火，可以燎原 3  
1.2 师夷长技 4  
1.2.1 谷歌与微软 4  
1.2.2 Facebook、亚马逊与NVIDIA 5  
1.3 中国崛起 6  
1.3.1 BAT在路上 6  
1.3.2 星光闪耀 7  
1.3.3 企业热是风向标 8  
1.4 练习题 9  
第2天 深度学习的过往 10  
2.1 传统机器学习的局限性 10  
2.2 从表示学习到深度学习 11  
2.3 监督学习 12  
2.4 反向传播算法 13  
2.5 卷积神经网络 15  
2.6 深度学习反思 17  
2.7 练习题 18  
2.8 参考资料 18  
第3天 深度学习工具汇总 19  
3.1 Caffe 19  
3.2 Torch & OverFeat 20  
3.3 MxNet 22  
3.4 TensorFlow 22  
3.5 Theano 24  
3.6 CNTK 24  
3.7 练习题 25  
3.8 参考资料 26  
第4天 准备Caffe环境 27  
4.1 Mac OS环境准备 27  
4.2 Ubuntu环境准备 28  
4.3 RHEL/Fedora/CentOS环境准备 29  
4.4 Windows环境准备 29  
4.5 常见问题 32  
4.6 练习题 32  
4.7 参考资料 33  
第5天 Caffe依赖包解析 34  
5.1 ProtoBuffer 34  
5.2 Boost 38  
5.3 GFLAGS 38  
5.4 GLOG 39  
5.5 BLAS 40  
5.6 HDF5 41  
5.7 OpenCV 42  
5.8 LMDB和LEVELDB 42  
5.9 Snappy 43  
5.10 小结 43  
5.11 练习题 49  
5.12 参考资料 49  
第6天 运行手写体数字识别例程 50  
6.1 MNIST数据集 50  
6.1.1 下载MNIST数据集 50  
6.1.2 MNIST数据格式描述 51  
6.1.3 转换格式 53  
6.2 LeNet-5模型 60  
6.2.1 LeNet-5模型描述 60  
6.2.2 训练超参数 65  
6.2.3 训练日志 66  
6.2.4 用训练好的模型对数据进行预测 76  
6.2.5 Windows下训练模型 76  
6.3 回顾 78  
6.4 练习题 79  
6.5 参考资料 79  
篇尾语 80  
中篇 热恋  
第7天 Caffe代码梳理 82  
7.1 Caffe目录结构 82  
7.2 如何有效阅读Caffe源码 84  
7.3 Caffe支持哪些深度学习特性 86  
7.3.1 卷积层 86  
7.3.2 全连接层 89  
7.3.3 激活函数 91  
7.4 小结 99  
7.5 练习题 99  
7.6 参考资料 100  
第8天 Caffe数据结构 101  
8.1 Blob 101  
8.1.1 Blob基本用法 102  
8.1.2 数据结构描述 108  
8.1.3 Blob是怎样炼成的 109  
8.2 Layer 125  
8.2.1 数据结构描述 126  
8.2.2 Layer是怎样建成的 127  
8.3 Net 136  
8.3.1 Net基本用法 136  
8.3.2 数据结构描述 139  
8.3.3 Net是怎样绘成的 139  
8.4 机制和策略 146  
8.5 练习题 147  
8.6 参考资料 148  
第9天 Caffe I/O模块 149  
9.1 数据读取层 149  
9.1.1 数据结构描述 149  
9.1.2 数据读取层实现 150  
9.2 数据变换器 155  
9.2.1 数据结构描述 155  
9.2.2 数据变换器的实现 156  
9.3 练习题 171  
第10天 Caffe模型 172  
10.1 prototxt表示 173  
10.2 内存中的表示 176  
10.3 磁盘上的表示 176  
10.4 Caffe Model Zoo 178  
10.5 练习题 180  
10.6 参考资料 180  
第11天 Caffe前向传播计算 181  
11.1 前向传播的特点 181  
11.2 前向传播的实现 182  
11.2.1 DAG构造过程 182  
11.2.2 Net Forward实现 190  
11.3 练习题 192  
第12天 Caffe反向传播计算 193  
12.1 反向传播的特点 193  
12.2 损失函数 193  
12.2.1 算法描述 194  
12.2.2 参数描述 195  
12.2.3 源码分析 195  
12.3 反向传播的实现 203  
12.4 练习题 205  
第13天 Caffe最优化求解过程 207  
13.1 求解器是什么 207  
13.2 求解器是如何实现的 208  
13.2.1 算法描述 208  
13.2.2 数据结构描述 210  
13.2.3 CNN训练过程 218  
13.2.4 CNN预测过程 225  
13.2.5 Solver的快照和恢复功能 227  
13.3 练习题 230  
第14天 Caffe实用工具 231  
14.1 训练和预测 231  
14.2 特征提取 241  
14.3 转换图像格式 247  
14.4 计算图像均值 254  
14.5 自己编写工具 257  
14.6 练习题 257  
篇尾语 258  
下篇 升华  
第15天 Caffe计算加速 260  
15.1 Caffe计时功能 260  
15.2 Caffe GPU加速模式 262  
15.2.1 GPU是什么 262  
15.2.2 CUDA是什么 263  
15.2.3 GPU、CUDA和深度学习 263  
15.2.4 Caffe GPU环境准备 264  
15.2.5 切换到Caffe GPU加速模式 268  
15.3 Caffe cuDNN加速模式 269  
15.3.1 获取cuDNN 270  
15.3.2 切换到Caffe cuDNN加速模式 270  
15.3.3 Caffe不同硬件配置性能 272  
15.4 练习题 273  
15.5 参考资料 273  
第16天 Caffe可视化方法 275  
16.1 数据可视化 275  
16.1.1 MNIST数据可视化 275  
16.1.2 CIFAR10数据可视化 277  
16.1.3 ImageNet数据可视化 278  
16.2 模型可视化 279  
16.2.1 网络结构可视化 279  
16.2.2 网络权值可视化 281  
16.3 特征图可视化 288  
16.4 学习曲线 295  
16.5 小结 298  
16.6 练习题 298  
16.7 参考资料 299  
第17天 Caffe迁移和部署 300  
17.1 从开发测试到生产部署 300  
17.2 使用Docker 302  
17.2.1 Docker基本概念 302  
17.2.2 Docker安装 303  
17.2.3 Docker入门 305  
17.2.4 Docker使用进阶 312  
17.3 练习题 317  
17.4 参考资料 317  
第18天 关于ILSVRC不得不说的一些事儿 318  
18.1 ImageNet数据集 318  
18.2 ILSVRC比赛项目 319  
18.2.1 图像分类（CLS） 320  
18.2.2 目标定位（LOC） 320  
18.2.3 目标检测（DET） 321  
18.2.4 视频目标检测（VID） 322  
18.2.5 场景分类 322  
18.3 Caffe ILSVRC实践 323  
18.4 练习题 326  
18.5 参考资料 326  
第19天 放之四海而皆准 327  
19.1 图像分类 327  
19.1.1 问题描述 327  
19.1.2 应用案例——商品分类 330  
19.2 图像中的字符识别 332  
19.2.1 问题描述 332  
19.2.2 应用案例——身份证实名认证 333  
19.3 目标检测 337  
19.3.1 问题描述 337  
19.3.2 最佳实践——运行R-CNN例程 337  
19.4 人脸识别 340  
19.4.1 问题描述 340  
19.4.2 最佳实践——使用Face++ SDK实现人脸检测 342  
19.5 自然语言处理 343  
19.5.1 问题描述 343  
19.5.2 最佳实践——NLP-Caffe 344  
19.6 艺术风格 350  
19.6.1 问题描述 350  
19.6.2 最佳实践——style-transfer 352  
19.7 小结 354  
19.8 练习题 354  
19.9 参考资料 355  
第20天 继往开来的领路人 356  
20.1 Caffe Traps and Pitfalls 356  
20.1.1 不支持任意数据类型 356  
20.1.2 不够灵活的高级接口 357  
20.1.3 繁杂的依赖包 357  
20.1.4 堪忧的卷积层实现 357  
20.1.5 架构之殇 358  
20.1.6 应用场景局限性 358  
20.2 最佳实践——Caffe2 359  
20.3 练习题 361  
20.4 参考资料 362  
第21天 新生 363  
21.1 三人行，必有我师 363  
21.2 路漫漫其修远兮，吾将上下而求索 364  
篇尾语 366  
结束语 367  
附录A 其他深度学习工具 368

图书分类

B站运营大揭秘：百万Up主真想教会你的创作笔记

特色专题

帮助

目录

目录

图书类别