深度学习 21天实战Caffe【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

深度学习 21天实战CaffePDF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

上篇 初见2

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NVIDIA5

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 Caffe19

3.2 Torch&OverFeat20

3.3 MxNet22

3.4 TensorFlow22

3.5 Theano24

3.6 CNTK24

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 ProtoBuffer34

5.2 Boost38

5.3 GFLAGS38

5.4 GLOG39

5.5 BLAS40

5.6 HDF541

5.7 OpenCV42

5.8 LMDB和LEVELDB42

5.9 Snappy43

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82

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 Blob101

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 Layer125

8.2.1 数据结构描述126

8.2.2 Layer是怎样建成的127

8.3 Net136

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 Zoo178

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

112.1 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260

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cuDNN270

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 CIFAR 10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Docker302

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-Caffe344

19.6 艺术风格350

19.6.1 问题描述350

19.6.2 最佳实践——style-transfer352

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 Pitfalls356

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——Caffe2359

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