新書推薦：
《
半导体纳米器件：物理、技术和应用
》
售價：HK$
177.0
《
创客精选项目设计与制作 第2版 刘笑笑 颜志勇 严国陶
》
售價：HK$
61.6
《
佛山华家班粤菜传承 华家班59位大厨 102道粤菜 图文并茂 菜式制作视频 粤菜故事技法 佛山传统文化 广东科技
》
售價：HK$
221.8
《
武人琴音（十周年纪念版 逝去的武林系列收官之作 形意拳一门三代：尚云祥、韩伯言、韩瑜的人生故事 凸显百年武人命运）
》
售價：HK$
43.7
《
剑桥斯堪的纳维亚戏剧史（剑桥世界戏剧史译丛）
》
售價：HK$
154.6
《
禅心与箭术：过松弛而有力的生活（乔布斯精神导师、世界禅者——铃木大拙荐）
》
售價：HK$
66.1
《
先进电磁屏蔽材料——基础、性能与应用
》
售價：HK$
221.8
《
可转债投资实战
》
售價：HK$
99.7
|
| 編輯推薦： |
本书内容来自作者长期学习研究及在阿里一线相关工作经历。
Caffe是应用*广的深度学习框架，非常适于用来练手和入门。
本书侧重解决实际问题及理解深度学习理论，实例、习题丰富。
既狠抓基功又紧扣产业，既详述工具、模型又深入分析源码。
|
| 內容簡介： |
|
本书是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例，由浅入深，从 Caffe 的配置、部署、使用开始学习，通过阅读 Caffe 源码理解其精髓，加强对深度学习理论的理解，最终达到熟练运用 Caffe 解决实际问题的目的。和国外机器学习、深度学习大部头著作相比，本书偏重动手实践，将难以捉摸的枯燥理论用浅显易懂的形式表达，透过代码揭开其神秘面纱，更多地贴近实际应用。
|
| 關於作者： |
|
2014年7月至今 就职于阿里云计算有限公司，从事高性能计算系统研发，优化基于GPU的深度学习训练系统。中国科学院青年学术交流会会员。XXX雷达系统；负责基于GPU的实时信号处理任务，将原串行算法修改为适合大规模并行处理的算法，达到了实时处理要求；GPU深度学习系统，利用多块GPU并行处理，大幅缩短了模型训练时间。
|
| 目錄：
|
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 RHELFedoraCentOS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
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 IO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
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 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
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
