《深度学习实践：基于Caffe的解析》内容简介

本书主要介绍Caffe的技术原理和一些高级使用技巧，首先介绍深度学习的趋势和业内动态。然后是关于Caffe的基础知识，介绍如何安装和武器库。在理解Caffe算法基础上，介绍Caffe的技术原理和特点，包括数学知识和设计知识。之后是Caffe各层使用的进阶，介绍每一层是什么，作用和实现及其使用的一般性原则和原理。最后是Caffe深度学习多任务网络，介绍多任务网络的现状，基本的网络配置，高级网络配置和网络解决方案的进阶。本书实践内容和现有系统进行无缝对接，并提供了各种调参技巧的黑魔法。
薛云峰编著

作品目录

前言
第1章：深度学习简介
1.1、深度学习的历史
1.2、深度学习工具简介
1.3、深度学习的未来趋势
第2章：搭建你的Caffe武器库
2.1、硬件选型
2.2、Caffe在Windows下的安装
2.3、Caffe在Linux下的安装
2.4、OpenCV的安装和编译
2.5、Boost库的安装和编译
2.6、Python相关库的安装
2.7、MATLAB接口的配置
2.8、其他库的安装
第3章：Caffe的简单训练
3.1、Caffe转化数据工具的使用介绍
3.2、Caffe提取特征的工具使用说明
3.3、Caffe训练需要的几个部件
3.4、Caffe简单训练分类任务
3.5、测试训练结果
3.6、使用训练好的模型进行预测
第4章：认识深度学习网络中的层
4.1、卷积层的作用与类别
4.2、激活层的作用与类别
4.3、池化层的作用与类别
4.4、全连接层的作用与类别
4.5、dropout层的作用
4.6、损失函数层
第5章：Caffe的框架设计
5.1、Caffe中CPU和GPU结构的融合
5.2、Caffe训练时层的各个成员函数的调用顺序
5.3、Caffe网络构建函数的解析
5.4、Caffe层如何使用proto文件实现反射机制
5.5、Caffe的调用流程图及函数顺序导视
5.6、Caffe框架使用的编码思想
第6章：基础数学知识
6.1、卷积层的数学公式及求导
6.2、激活层的数学公式图像及求导
6.3、三种池化层的数学公式及反向计算
6.4、全连接层的数学公式及求导
6.5、反卷积层的数学公式及求导
第7章：卷积层和池化层的使用
7.1、卷积层参数初始化介绍
7.2、池化层的物理意义
7.3、卷积层和池化层输出计算及参数说明
7.4、实践：在Caffe框架下用Prototxt定义卷积层和池化层
第8章：激活函数的介绍
8.1、用ReLU解决sigmoid的缺陷
8.2、ReLU及其变种的对比
8.3、实践：在Caffe框架下用Prototxt定义激活函数
第9章：损失函数
9.1、contrastive_loss函数和对应层的介绍和使用场景
9.2、multinomial_logistic_loss函数和对应层的介绍和使用说明
9.3、sigmoid_cross_entropy函数和对应层的介绍和使用说明
9.4、softmax_loss函数和对应层的介绍和使用说明
9.5、euclidean_loss函数和对应层的介绍和使用说明
9.6、hinge_loss函数和对应层的介绍和使用说明
9.7、infogain_loss函数和对应层的介绍和使用说明
9.8、TripletLoss的添加及其使用
9.9、Coupled
Cluster
Loss的添加及其使用
第10章：Batch
Normalize层的使用
10.1、batch_normalize层的原理和作用
10.2、batch_normalize层的优势
10.3、常见网络结构batch_normalize层的位置
10.4、proto的具体写法
10.5、其他归一化层的介绍
第11章：回归网络的构建
11.1、如何生成回归网络训练数据
11.2、回归任务和分类任务的异同点
11.3、回归网络收敛性的判断
11.4、回归任务与级联模型
第12章：多任务网络的构建
12.1、多任务历史
12.2、多任务网络的数据生成
12.3、如何简单建立多任务
12.4、近年的多任务深度学习网络
12.5、多任务中通用指导性调参和网络构建结论
第13章：图像检索和人脸识别系统实践
13.1、深度学习如何构建成自动化服务，在内存中做测试
13.2、Poco库构建服务器指南
13.3、深度学习服务和传统服务的区别
13.4、深度学习服务如何与传统后台服务进行交互
13.5、人脸识别的数据准备和所使用的相关技术
13.6、图像检索任务的介绍
13.7、在Caffe中添加数据输入层
第14章：深度学习的调参技巧总结
14.1、不变数据的调参的基本原则
14.2、Caffe
fine-tuning调参的原则和方法
14.3、综合数据调参的指导性建议
14.4、2012年以后的经典网络结构概述