MXNet深度學(xué)習(xí)實戰(zhàn)：計算機(jī)視覺算法實現(xiàn)

定　價：￥89.00

作　者：	魏凱峰著
出版社：	機(jī)械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥89.00)

ISBN：	9787111626800	出版時間：	2019-06-01	包裝：	平裝
開本：	16	頁數(shù)：		字?jǐn)?shù)：

內(nèi)容簡介

　　本書分為四大部分：第一部分為準(zhǔn)備篇（第1～2章），簡單介紹深度學(xué)習(xí)相關(guān)的基礎(chǔ)背景知識、深度學(xué)習(xí)框架MXNet的發(fā)展過程和優(yōu)缺點，同時介紹基礎(chǔ)開發(fā)環(huán)境的構(gòu)建和docker的使用，幫助讀者構(gòu)建必要的基礎(chǔ)知識背景。第二部分為基礎(chǔ)篇（第3～7章），介紹MXNet的幾個主要模塊，介紹MXNet的數(shù)據(jù)讀取、數(shù)據(jù)增強(qiáng)操作，同時介紹了常用網(wǎng)絡(luò)層的含義及使用方法、常見網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計思想，以及介紹模型訓(xùn)練相關(guān)的參數(shù)配置。第三部分為實戰(zhàn)篇（第8～10章），以圖像分類、目標(biāo)檢測和圖像分割這三個常用領(lǐng)域為例介紹如何通過MXNet實現(xiàn)算法訓(xùn)練和模型測試，同時還將結(jié)合MXNet的接口詳細(xì)介紹算法細(xì)節(jié)內(nèi)容。第四部分為擴(kuò)展篇（第11～12章），主要介紹Gluon和GluonCV。Gluon接口是MXNet推出的用于動態(tài)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)的重要接口，GluonCV則是一個專門為計算機(jī)視覺任務(wù)服務(wù)的深度學(xué)習(xí)庫。

作者簡介

　　魏凱峰資深A(yù)I算法工程師和計算機(jī)視覺工程師，在MXNet、Pytorch、深度學(xué)習(xí)相關(guān)算法等方面有深入的研究和豐富的實踐經(jīng)驗。目前就職于網(wǎng)易杭州研究院，從事計算機(jī)視覺算法相關(guān)的工作，主要研究方向包括目標(biāo)檢測、圖像分類、圖像對抗算法、模型加速和壓縮。熱衷于分享，堅持在Github上分享算法相關(guān)的代碼，堅持在CSDN上撰寫算法相關(guān)的博客，累計百余篇，訪問量過百萬。

圖書目錄

前言
第1章　全面認(rèn)識MXNet1
1.1　人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)2
1.1.1　人工智能2
1.1.2　機(jī)器學(xué)習(xí)2
1.1.3　深度學(xué)習(xí)4
1.2　深度學(xué)習(xí)框架4
1.2.1　MXNet6
1.2.2　PyTorch6
1.2.3　Caffe/Caffe27
1.2.4　TensorFlow7
1.2.5　其他7
1.3　關(guān)于MXNet8
1.3.1　MXNet的發(fā)展歷程8
1.3.2　MXNet的優(yōu)勢9
1.4　MXNet開發(fā)需要具備的知識10
1.4.1　接口語言11
1.4.2　NumPy11
1.4.3　神經(jīng)網(wǎng)絡(luò)11
1.5　本章小結(jié)12
第2章　搭建開發(fā)環(huán)境13
2.1　環(huán)境配置14
2.2　使用Docker安裝MXNet19
2.2.1　準(zhǔn)備部分19
2.2.2　使用倉庫安裝Docker20
2.2.3　基于安裝包安裝Docker23
2.2.4　安裝nvidia-docker23
2.2.5　通過Docker使用MXNet25
2.3　本地pip安裝MXNet27
2.4　本章小結(jié)29
第3章　MXNet基礎(chǔ)31
3.1　NDArray31
3.2　Symbol37
3.3　Module43
3.4　本章小結(jié)48
第4章　MNIST手寫數(shù)字體分類50
4.1　訓(xùn)練代碼初探52
4.2　訓(xùn)練代碼詳細(xì)解讀55
4.2.1　訓(xùn)練參數(shù)配置56
4.2.2　數(shù)據(jù)讀取59
4.2.3　網(wǎng)絡(luò)結(jié)構(gòu)搭建59
4.2.4　模型訓(xùn)練61
4.3　測試代碼初探62
4.4　測試代碼詳細(xì)解讀64
4.4.1　模型導(dǎo)入64
4.4.2　數(shù)據(jù)讀取66
4.4.3　預(yù)測輸出67
4.5　本章小結(jié)68
第5章　數(shù)據(jù)讀取及增強(qiáng)69
5.1　直接讀取原圖像數(shù)據(jù)70
5.1.1　優(yōu)點及缺點70
5.1.2　使用方法71
5.2　基于RecordIO文件讀取數(shù)據(jù)75
5.2.1　什么是RecordIO文件75
5.2.2　優(yōu)點及缺點76
5.2.3　使用方法76
5.3　數(shù)據(jù)增強(qiáng)78
5.3.1　resize79
5.3.2　crop83
5.3.3　鏡像89
5.3.4　亮度90
5.3.5　對比度92
5.3.6　飽和度 94
5.4　本章小結(jié)95
第6章　網(wǎng)絡(luò)結(jié)構(gòu)搭建97
6.1　網(wǎng)絡(luò)層98
6.1.1　卷積層98
6.1.2　BN層106
6.1.3　激活層108
6.1.4　池化層111
6.1.5　全連接層114
6.1.6　損失函數(shù)層116
6.1.7　通道合并層119
6.1.8　逐點相加層121
6.2　圖像分類網(wǎng)絡(luò)結(jié)構(gòu)122
6.2.1　AlexNet123
6.2.2　VGG124
6.2.3　GoogleNet125
6.2.4　ResNet128
6.2.5　ResNeXt130
6.2.6　DenseNet131
6.2.7　SENet132
6.2.8　MobileNet134
6.2.9　ShuffleNet136
6.3　本章小結(jié)138
第7章　模型訓(xùn)練配置140
7.1　問題定義141
7.2　參數(shù)及訓(xùn)練配置142
7.2.1　參數(shù)初始化142
7.2.2　優(yōu)化函數(shù)設(shè)置144
7.2.3　保存模型145
7.2.4　訓(xùn)練日志的保存146
7.2.5　選擇或定義評價指標(biāo)147
7.2.6　多GPU訓(xùn)練150
7.3　遷移學(xué)習(xí)151
7.4　斷點訓(xùn)練153
7.5　本章小結(jié)154
第8章　圖像分類156
8.1　圖像分類基礎(chǔ)知識157
8.1.1　評價指標(biāo)158
8.1.2　損失函數(shù)160
8.2　貓狗分類實戰(zhàn)160
8.2.1　數(shù)據(jù)準(zhǔn)備161
8.2.2　訓(xùn)練參數(shù)及配置165
8.2.3　數(shù)據(jù)讀取168
8.2.4　網(wǎng)絡(luò)結(jié)構(gòu)搭建170
8.2.5　訓(xùn)練模型171
8.2.6　測試模型176
8.3　本章小結(jié)179
第9章　目標(biāo)檢測180
9.1　目標(biāo)檢測基礎(chǔ)知識182
9.1.1　數(shù)據(jù)集184
9.1.2　SSD算法簡介188
9.1.3　anchor189
9.1.4　IoU194
9.1.5　模型訓(xùn)練目標(biāo)195
9.1.6　NMS199
9.1.7　評價指標(biāo)mAP201
9.2　通用目標(biāo)檢測202
9.2.1　數(shù)據(jù)準(zhǔn)備203
9.2.2　訓(xùn)練參數(shù)及配置205
9.2.3　網(wǎng)絡(luò)結(jié)構(gòu)搭建208
9.2.4　數(shù)據(jù)讀取215
9.2.5　定義訓(xùn)練評價指標(biāo)218
9.2.6　訓(xùn)練模型220
9.2.7　測試模型221
9.4　本章小結(jié)224
第10章　圖像分割225
10.1　圖像分割226
10.1.1　數(shù)據(jù)集227
10.1.2　評價指標(biāo)229
10.1.3　語義分割算法230
10.2　語義分割實戰(zhàn)231
10.2.1　數(shù)據(jù)準(zhǔn)備232
10.2.2　訓(xùn)練參數(shù)及配置233
10.2.3　數(shù)據(jù)讀取237
10.2.4　網(wǎng)絡(luò)結(jié)構(gòu)搭建240
10.2.5　定義評價指標(biāo)245
10.2.6　訓(xùn)練模型249
10.2.7　測試模型效果251
10.3　本章小結(jié)253