深度學(xué)習(xí)：主流框架和編程實(shí)戰(zhàn)

CONTENTS
目　　錄
前言
第1章　緒論 1
1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 1
1.1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系 2
1.1.2　傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的對(duì)比 3
1.2　統(tǒng)計(jì)學(xué)與深度學(xué)習(xí) 5
1.2.1　統(tǒng)計(jì)學(xué)與深度學(xué)習(xí)的關(guān)系 5
1.2.2　基于統(tǒng)計(jì)的深度學(xué)習(xí)技術(shù) 6
1.3　本書(shū)涉及的深度學(xué)習(xí)框架 8
1.4　優(yōu)化深度學(xué)習(xí)的方法 8
1.5　深度學(xué)習(xí)展望 9
第2章　TensorFlow深度學(xué)習(xí)框架構(gòu)建方法與圖像分類(lèi)的實(shí)現(xiàn) 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點(diǎn) 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基于Anaconda的安裝 16
2.2.2　測(cè)試TensorFlow 19
2.3　基于TensorFlow框架的圖像分類(lèi)實(shí)現(xiàn)（ResNet-34） 20
2.3.1　應(yīng)用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序?qū)崿F(xiàn) 24
2.3.4　詳細(xì)代碼解析 27
2.3.5　實(shí)驗(yàn)結(jié)果及分析 51
第3章　Caffe深度學(xué)習(xí)框架搭建與圖像語(yǔ)義分割的實(shí)現(xiàn) 56
3.1　Caffe概述 56
3.1.1　Caffe的特點(diǎn) 56
3.1.2　Caffe框架結(jié)構(gòu) 57
3.2　Caffe框架安裝與調(diào)試 59
3.3　基于Caffe框架的圖像分割實(shí)現(xiàn)（FCN） 64
3.3.1　用Caffe構(gòu)建卷積神經(jīng)網(wǎng)絡(luò) 64
3.3.2　FCN-8s網(wǎng)絡(luò)簡(jiǎn)介 69
3.3.3　詳細(xì)代碼解讀 85
3.3.4　實(shí)驗(yàn)結(jié)果與結(jié)論 98
第4章　Torch深度學(xué)習(xí)框架搭建與目標(biāo)檢測(cè)的實(shí)現(xiàn) 100
4.1　Torch概述 100
4.1.1　Torch的特點(diǎn) 100
4.1.2　Lua語(yǔ)言 102
4.2　Torch框架安裝 104
4.3　基于Torch框架的目標(biāo)檢測(cè)實(shí)現(xiàn)（Faster R-CNN） 113
4.3.1　Torch的類(lèi)和包的基本用法 113
4.3.2　用Torch構(gòu)建神經(jīng)網(wǎng)絡(luò) 116
4.3.3　Faster R-CNN介紹 119
4.3.4　Faster R-CNN實(shí)例 127
4.3.5　實(shí)驗(yàn)結(jié)果分析 161
第5章　MXNet深度學(xué)習(xí)框架構(gòu)建與自然語(yǔ)言處理的實(shí)現(xiàn) 164
5.1　MXNet概述 164
5.1.1　MXNet基礎(chǔ)知識(shí) 164
5.1.2　編程接口 166
5.1.3　系統(tǒng)實(shí)現(xiàn) 169
5.1.4　MXNet的關(guān)鍵特性 171
5.2　MXNet框架安裝 172
5.3　基于MXNet框架的自然語(yǔ)言處理實(shí)現(xiàn)（LSTM） 179
5.3.1　自然語(yǔ)言處理應(yīng)用背景 179
5.3.2　RNN及LSTM網(wǎng)絡(luò) 180
5.3.3　Bucketing及不同長(zhǎng)度的序列訓(xùn)練 183
5.3.4　詳細(xì)代碼實(shí)現(xiàn) 185
5.3.5　實(shí)驗(yàn)過(guò)程及實(shí)驗(yàn)結(jié)果分析 191
第6章　遷移學(xué)習(xí) 195
6.1　遷移學(xué)習(xí)發(fā)展概述 195
6.2　遷移學(xué)習(xí)的類(lèi)型與模型 196
6.2.1　凍結(jié)源模型與微調(diào)源模型 197
6.2.2　神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)模型與分類(lèi)器遷移學(xué)習(xí)模型 197
6.3　遷移學(xué)習(xí)方法實(shí)例指導(dǎo) 199
6.3.1　遷移學(xué)習(xí)應(yīng)用示例 199
6.3.2　實(shí)驗(yàn)結(jié)論 202
第7章　并行計(jì)算與交叉驗(yàn)證 203
7.1　并行計(jì)算 203
7.1.1　數(shù)據(jù)并行框架 204
7.1.2　模型并行框架 205
7.1.3　數(shù)據(jù)并行與模型并行的混合架構(gòu) 205
7.2　交叉驗(yàn)證 207
7.2.1　留出法 207
7.2.2　K折交叉驗(yàn)證 208
7.2.3　留一交叉驗(yàn)證 209
參考文獻(xiàn) 211