深度學習 : Caffe 之經典模型詳解與實戰 深度学习:Caffe之经典模型详解与实战

<內容簡介>

 

◆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，亦介紹Caffe的安裝、配置、編譯和接口等運行環境，剖析Caffe 網絡模型的構成要素和常用的層類型和Solver 方法。

◆通過LeNet網絡模型的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網絡模型，並給出了這些模型基於Caffe的訓練實戰方法。

◆利用深度學習進行目標定位的經典網絡模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN 和SSD，並進行目標定位Caffe 實戰。

◆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、網絡模型設計和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，從而使讀者能盡快掌握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，這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。

 

 

<作者簡介>

 

樂毅

計算機專業碩士，現任職於某數據通信公司，高級系統工程師。負責公司深度學習技術領域的應用及相關項目，對深度學習及大數據深度挖掘具有濃厚的興趣。擅長Caffe等深度學習框架及網絡模型應用。

 

王斌

通信與信息系統碩士，現任職於某數據通信公司，高級系統工程師。多年致力於深度學習技術的前沿研究與應用，對Caffe等深度學習框架在圖像識別領域有深刻理解，承擔公司多項與機器學習相關的研究工作。

 

 

<章節目錄>

 

第1章  緒論

1 1 引言

1 2 人工智能的發展歷程

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 神經網絡模型

2 1 1 人腦視覺機理

2 1 2 生物神經元

2 1 3 人工神經網絡

2 2 BP 神經網絡

2 2 1 BP 神經元

2 2 2 BP 神經網絡構成

2 2 3 正向傳播

2 2 4 反向傳播

2 3 捲積神經網絡

2 3 1 捲積神經網絡的歷史

2 3 2 捲積神經網絡的網絡結構

2 3 3 局部感知

2 3 4 參數共享

2 3 5 多捲積核

2 3 6 池化（Pooling）

2 4 深度學習框架

2 4 1來自Caffe

2 4 2火炬

2 4 3硬盤

2 4 4 MXNet

2 4 5 TensorFlow

2 4 6 QNA

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 的硬件環境

3 2 2 Caffe 的軟件環境

3 2 3 Caffe 的依賴庫

3 2 4 Caffe 開發環境的安裝

3 3 Caffe 接口

3 3 1 Caffe Python 接口

3 3 2 Caffe MATLAB 接口

3 3 3 Caffe 命令行接口

 

第4章  Caffe 網絡定義

4 1 Caffe 模型要素

4 1 1 網絡模型

4 1 2 參數配置

4 2 Google Protobuf 結構化數據

4 3 Caffe 數據庫

4 3點01分性LevelDB

4 3 2 LMDB

4 3 3 HDF5

4 4來自Caffe網

4分來自Caffe斑點

4 6層來自Caffe

4 6 1數據圖層

4 6 2層捲積

4 6 3層池

4 6 4內積層

4 6 5層恢復

4 6 6層乙狀結腸

4 6 7 LRN層

4 6 8降層

4 6 9 SoftmaxWithLoss層

4 6 10 SOFTMAX層

4 6 11層精度

4 7來自Caffe求解

求解方法

 

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 樣本字庫的圖片轉換

 

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 網絡模型

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 網絡訓練

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 網絡結構

 

第9章  Siamese 模型

9 1 Siamese 網絡模型

9 1 1 Siamese 模型原理

9 1 2 Siamese 模型實現

9 2 Siamese 網絡訓練

9 2 1 數據準備

9 2 2發電側

9 2 3 對比損失函數

9 2 4 定義solver

9 2 5 網絡訓練

 

第10章  SqueezeNet 模型

10 1 SqueezeNet 網絡模型

10 1 1 SqueezeNet 模型原理

10 1 2火警模塊

10 1 3 SqueezeNet 模型結構

10 1 4 SqueezeNet 模型特點

10 2 SqueezeNet 網絡實現

 

第11章  FCN 模型

11 1 FCN 模型簡介

11 2 FCN 的特點和使用場景

11月3日來自Caffe FCN解讀

11 3 1 FCN 模型訓練準備

11 3 1 FCN 模型訓練

 

第12章  R-CNN 模型

12 1 R-CNN 模型簡介

12 2 R-CNN 的特點和使用場景

12 3 Caffe R-CNN 解讀

12 3 1 R-CNN 模型訓練準備

12 3 2 R-CNN 模型訓練

 

第13章Fast-RCNN 模型

13 1 Fast-RCNN 模型簡介

13 2 Fast-RCNN 的特點和使用場景

13 3 Caffe Fast-RCNN 解讀

13 3 1 Fast-RCNN 模型訓練準備

13 3 2 Fast-RCNN 模型訓練

 

第14章  Faster-RCNN 模型

14 1 Faster-RCNN 模型簡介

14 2 Faster-RCNN 的特點和使用場景

14 3 Caffe Faster-RCNN 解讀

14 3 1 Faster-RCNN 模型訓練準備

14 3 2 Faster-RCNN 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​​試數據庫

16 3 1 數據庫生成

16 3 2 網絡對比

16 3 3 網絡一

16 3 4 網絡二

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​​試數據庫

17 3 1 數據庫生成

17 3 2 Caffe 實現

17 3 3 CatdogNet訓練

17 3 4 CatdogNet模型驗證