☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

　　

√ 本書內容來自作者長期學習研究及在阿裏一綫相關工作經曆。

√ Caffe是應用廣的深度學習框架，非常適於用來練手和入門。

√ 本書側重解決實際問題及理解深度學習理論，實例、習題豐富。

√ 既狠抓基功又緊扣産業，既詳述工具、模型又深入分析源碼。

內容簡介

　　

《深度學習：21天實戰Caffe》是一本深度學習入門讀物。以目前已經大量用於綫上係統的深度學習框架Caffe為例，由淺入深，從 Caffe 的配置、部署、使用開始學習，通過閱讀 Caffe 源碼理解其精髓，加強對深度學習理論的理解，最終達到熟練運用 Caffe 解決實際問題的目的。和國外機器學習、深度學習大部頭著作相比，《深度學習：21天實戰Caffe》偏重動手實踐，將難以捉摸的枯燥理論用淺顯易懂的形式錶達，透過代碼揭開其神秘麵紗，更多地貼近實際應用。

作者簡介

蔔居，真名趙永科，CSDN 博主，現就職於阿裏雲計算有限公司，從事計算機體係結構、高性能計算係統設計。對計算機視覺、深度學習具有濃厚興趣。擅長 CPU/GPU/FPGA 的算法加速與性能優化。

精彩書評

　　

深度學習是當今人工智能領域炙手可熱的技術，Caffe又是深度學習眾多開源框架中很傑齣的一款。永科撰寫的這本著作，傾注瞭很多心血——既有深度學習理論知識的講解，又有Caffe源代碼的剖析，還包括解決實際問題的案例；內容翔實、思考全麵、深入淺齣，每章末尾還附有練習題和參考資料，是大傢瞭解深度學習知識、實踐人工智能應用的一本優秀指南。

——陳運文 博士 達觀數據董事長&CEO;

趙永科的文章和他本人的工作態度一樣誠懇。本書不僅收納深度學習的優秀心法與新産業進展，還手把手帶領讀者實踐工具設置與模型搭建，並深入淺齣地剖析Caffe源代碼和實現方法，可說是內外兼修，絕對是誠意十足的大作！

——簡士偉 英特爾(數據中心工程事業群)平颱方案架構師

本書帶領您深入淺齣地穿越深度學習模型，揭開它神秘的麵紗；通俗易懂，實踐性強，用實例引導讀者從基本原理到代碼實現再到應用場景，涵蓋瞭深度學習的熱門技術，是目前市麵上為數不多的深度學習源碼解析類參考資料，也是一本可以讓你快速掌握深度學習精髓的好書！

——劉瑩 中國科學院大學教授|博導，CUDA教學中心主持人|CUDA研究中心主持人

本書對深度學習的曆史做瞭簡單梳理對深度學習常用開源庫做瞭非常全麵的介紹尤其對Caffe做瞭非常深入的剖析，是一本既探究caffe代碼細節，又介紹深度學習可視化與比賽的書籍，是一本非常實用的深度學習入門及工具書籍，相信該書會對國內深度學習應用的普及産生至關重要的影響。

——孫佰貴 阿裏巴巴資深算法工程師

這本書是國內領先在代碼級彆上全麵剖析Caffe框架的指導書，同時也是一本真正的實戰手冊。

——辛淼 Caffe中國用戶社區（CaffeCN）創始人

深度學習毫無疑問是當今IT行業火熱的詞匯之一。作為NVIDIA負責高性能計算團隊的負責人，我看到越來越多的公司在深度學習領域做著大量的投入。深度學習讓我們有瞭更高的圖像識彆率，更準確的語音識彆工具，有瞭alphaGo。而許多有誌於在深度學習領域一展拳腳的研發人員，卻苦於沒有一本淺顯易懂的的深度學習入門書籍，來引導他們開始使用深度神經網絡這一強大的工具。本書以應用廣泛的Caffe為切入點，深入地介紹瞭Caffe的使用及一些應用實例，可以讓讀者對深度學習應用的開發過程有一個非常直觀的理解。好比學習一門新的編程語言有效的手段就是編寫幾個例子程序一樣，本書正可以作為深度學習研發人員的《21 天學通》手邊書。

——賴俊傑，英偉達 高性能計算團隊 技術經理

有兩次標誌性的事件讓深度學習進入瞭大眾視野。其中一件是榖歌大腦學會瞭“貓臉識彆”，另外一件就是AlphaGo戰勝瞭李世石。尤其是後者，藉助李世石本身在圍棋界巨大的影響力，深度學習徹底被大眾所認知。人們驚呼，人工智能的時代要來臨瞭嗎？我本人認為，是的。伴隨摩爾定律下計算機運算能力的大幅提升，人工智能在越來越多的領域找到瞭有價值的落腳點。這一代的機器學習工作者無疑是非常幸運的，一個注定偉大的時代等待著大傢去探索。很高興看到國內這麼快就齣現瞭這樣一本深度學習的原創書籍，而更加難能可貴的是，本書內容還是來自於作者在阿裏雲進行深度學習一綫工作的實戰總結，相信此書可以幫助大傢更好地進入這個日新月異的領域。

——榖文棟 推薦技術社區ReSysChina發起人

本書非常詳細從深度學習的來龍去脈到caffe框架進行詳細的講解，並難能可貴的引入瞭底層算法（優化，深度網絡前嚮傳播，深度網絡反嚮傳播）介紹，為進一步深度奠定基礎，是一本非常適閤初學者的深度學習書籍。

——塗鴉科技技術總監柯都敏、塗鴉科技圖像算法專傢孫農海??????????

目錄

上篇 初見

第1天 什麼是深度學習 2

1.1 星星之火，可以燎原 3

1.2 師夷長技 4

1.2.1 榖歌與微軟 4

1.2.2 Facebook、亞馬遜與NVIDIA 5

1.3 中國崛起 6

1.3.1 BAT在路上 6

1.3.2 星光閃耀 7

1.3.3 企業熱是風嚮標 8

1.4 練習題 9

第2天 深度學習的過往 10

2.1 傳統機器學習的局限性 10

2.2 從錶示學習到深度學習 11

2.3 監督學習 12

2.4 反嚮傳播算法 13

2.5 捲積神經網絡 15

2.6 深度學習反思 17

2.7 練習題 18

2.8 參考資料 18

第3天 深度學習工具匯總 19

3.1 Caffe 19

3.2 Torch & OverFeat 20

3.3 MxNet 22

3.4 TensorFlow 22

3.5 Theano 24

3.6 CNTK 24

3.7 練習題 25

3.8 參考資料 26

第4天 準備Caffe環境 27

4.1 Mac OS環境準備 27

4.2 Ubuntu環境準備 28

4.3 RHEL/Fedora/CentOS環境準備 29

4.4 Windows環境準備 29

4.5 常見問題 32

4.6 練習題 32

4.7 參考資料 33

第5天 Caffe依賴包解析 34

5.1 ProtoBuffer 34

5.2 Boost 38

5.3 GFLAGS 38

5.4 GLOG 39

5.5 BLAS 40

5.6 HDF5 41

5.7 OpenCV 42

5.8 LMDB和LEVELDB 42

5.9 Snappy 43

5.10 小結 43

5.11 練習題 49

5.12 參考資料 49

第6天 運行手寫體數字識彆例程 50

6.1 MNIST數據集 50

6.1.1 下載MNIST數據集 50

6.1.2 MNIST數據格式描述 51

6.1.3 轉換格式 53

6.2 LeNet-5模型 60

6.2.1 LeNet-5模型描述 60

6.2.2 訓練超參數 65

6.2.3 訓練日誌 66

6.2.4 用訓練好的模型對數據進行預測 76

6.2.5 Windows下訓練模型 76

6.3 迴顧 78

6.4 練習題 79

6.5 參考資料 79

篇尾語 80

中篇 熱戀

第7天 Caffe代碼梳理 82

7.1 Caffe目錄結構 82

7.2 如何有效閱讀Caffe源碼 84

7.3 Caffe支持哪些深度學習特性 86

7.3.1 捲積層 86

7.3.2 全連接層 89

7.3.3 激活函數 91

7.4 小結 99

7.5 練習題 99

7.6 參考資料 100

第8天 Caffe數據結構 101

8.1 Blob 101

8.1.1 Blob基本用法 102

8.1.2 數據結構描述 108

8.1.3 Blob是怎樣煉成的 109

8.2 Layer 125

8.2.1 數據結構描述 126

8.2.2 Layer是怎樣建成的 127

8.3 Net 136

8.3.1 Net基本用法 136

8.3.2 數據結構描述 139

8.3.3 Net是怎樣繪成的 139

8.4 機製和策略 146

8.5 練習題 147

8.6 參考資料 148

第9天 Caffe I/O模塊 149

9.1 數據讀取層 149

9.1.1 數據結構描述 149

9.1.2 數據讀取層實現 150

9.2 數據變換器 155

9.2.1 數據結構描述 155

9.2.2 數據變換器的實現 156

9.3 練習題 171

第10天 Caffe模型 172

10.1 prototxt錶示 173

10.2 內存中的錶示 176

10.3 磁盤上的錶示 176

10.4 Caffe Model Zoo 178

10.5 練習題 180

10.6 參考資料 180

第11天 Caffe前嚮傳播計算 181

11.1 前嚮傳播的特點 181

11.2 前嚮傳播的實現 182

11.2.1 DAG構造過程 182

11.2.2 Net Forward實現 190

11.3 練習題 192

第12天 Caffe反嚮傳播計算 193

12.1 反嚮傳播的特點 193

12.2 損失函數 193

12.2.1 算法描述 194

12.2.2 參數描述 195

12.2.3 源碼分析 195

12.3 反嚮傳播的實現 203

12.4 練習題 205

第13天 Caffe最優化求解過程 207

13.1 求解器是什麼 207

13.2 求解器是如何實現的 208

13.2.1 算法描述 208

13.2.2 數據結構描述 210

13.2.3 CNN訓練過程 218

13.2.4 CNN預測過程 225

13.2.5 Solver的快照和恢復功能 227

13.3 練習題 230

第14天 Caffe實用工具 231

14.1 訓練和預測 231

14.2 特徵提取 241

14.3 轉換圖像格式 247

14.4 計算圖像均值 254

14.5 自己編寫工具 257

14.6 練習題 257

篇尾語 258

下篇 升華

第15天 Caffe計算加速 260

15.1 Caffe計時功能 260

15.2 Caffe GPU加速模式 262

15.2.1 GPU是什麼 262

15.2.2 CUDA是什麼 263

15.2.3 GPU、CUDA和深度學習 263

15.2.4 Caffe GPU環境準備 264

15.2.5 切換到Caffe GPU加速模式 268

15.3 Caffe cuDNN加速模式 269

15.3.1 獲取cuDNN 270

15.3.2 切換到Caffe cuDNN加速模式 270

15.3.3 Caffe不同硬件配置性能 272

15.4 練習題 273

15.5 參考資料 273

第16天 Caffe可視化方法 275

16.1 數據可視化 275

16.1.1 MNIST數據可視化 275

16.1.2 CIFAR10數據可視化 277

16.1.3 ImageNet數據可視化 278

16.2 模型可視化 279

16.2.1 網絡結構可視化 279

16.2.2 網絡權值可視化 281

16.3 特徵圖可視化 288

16.4 學習麯綫 295

16.5 小結 298

16.6 練習題 298

16.7 參考資料 299

第17天 Caffe遷移和部署 300

17.1 從開發測試到生産部署 300

17.2 使用Docker 302

17.2.1 Docker基本概念 302

17.2.2 Docker安裝 303

17.2.3 Docker入門 305

17.2.4 Docker使用進階 312

17.3 練習題 317

17.4 參考資料 317

第18天 關於ILSVRC不得不說的一些事兒 318

18.1 ImageNet數據集 318

18.2 ILSVRC比賽項目 319

18.2.1 圖像分類（CLS） 320

18.2.2 目標定位（LOC） 320

18.2.3 目標檢測（DET） 321

18.2.4 視頻目標檢測（VID） 322

18.2.5 場景分類 322

18.3 Caffe ILSVRC實踐 323

18.4 練習題 326

18.5 參考資料 326

第19天 放之四海而皆準 327

19.1 圖像分類 327

19.1.1 問題描述 327

19.1.2 應用案例——商品分類 330

19.2 圖像中的字符識彆 332

19.2.1 問題描述 332

19.2.2 應用案例——身份證實名認證 333

19.3 目標檢測 337

19.3.1 問題描述 337

19.3.2 最佳實踐——運行R-CNN例程 337

19.4 人臉識彆 340

19.4.1 問題描述 340

19.4.2 最佳實踐——使用Face++ SDK實現人臉檢測 342

19.5 自然語言處理 343

19.5.1 問題描述 343

19.5.2 最佳實踐——NLP-Caffe 344

19.6 藝術風格 350

19.6.1 問題描述 350

19.6.2 最佳實踐——style-transfer 352

19.7 小結 354

19.8 練習題 354

19.9 參考資料 355

第20天 繼往開來的領路人 356

20.1 Caffe Traps and Pitfalls 356

20.1.1 不支持任意數據類型 356

20.1.2 不夠靈活的高級接口 357

20.1.3 繁雜的依賴包 357

20.1.4 堪憂的捲積層實現 357

20.1.5 架構之殤 358

20.1.6 應用場景局限性 358

20.2 最佳實踐——Caffe2 359

20.3 練習題 361

20.4 參考資料 362

第21天 新生 363

21.1 三人行，必有我師 363

21.2 路漫漫其修遠兮，吾將上下而求索 364

篇尾語 366

結束語 367

附錄A 其他深度學習工具

精彩書摘

推薦序一

近年來，幾乎整個智能學科的研究者們都注意到一個技術名詞——深度學習（Deep Learning）。這個略帶神秘色彩的名字和其代錶的前沿性技術被著名的《MIT技術評論》評選為2013年世界10大突破性技術之首。而在此之前，包括Google、Microsoft、Facebook等公司在內的諸多信息科技巨頭都已爭相在此技術上投入瞭前所未有的重視力度和戰略資源，繼而高調宣布布局智能應用領域。學術界和工業界不遺餘力地搶占相關研究和技術的製高點，人們並沒有感到奇怪，因為所有人都明白：這也許是人類在探索人工智能的偉大旅程和漫漫徵途上的重要一刻。

關於人工神經網絡的研究可以追溯到20世紀40年代。在其漫長的曆史上經曆瞭數次戲劇性的波摺。然而近年來，隨著大量數據的獲得、先進理論的發現，以及高性能並行計算技術的發展，以深度神經網絡為載體的特徵學習技術相繼在語音、視覺、語言等諸多研究領域中取得瞭突破性的成果，並且正以不可阻擋之勢“入侵”傳統技術占領的各個領域。

隨著深度學習技術在學術界和工業界得到廣泛認可，越來越多的人開始參與到深度學習的相關研究和實踐中來。然而，由於存在一定的技術門檻，快速入手深度學習的研究並不是一件容易的事情。其中的一個重要原因是，深度學習中的許多問題非常依賴於實踐。然而長期以來，學術界和工業界缺少一款專門為深度學習而設計的，兼具性能、靈活性和擴展性等諸多優勢於一身的開源框架。這使得無論是快速實現算法，還是復現他人的結論，都存在著實踐上的睏難。研究人員和工程師們迫切需要一套通用而高效的深度學習開源框架。

2013年，一款叫作“Caffe”的深度學習框架由加州大學伯剋利分校的@賈揚清博士在Github上發布。發布伊始，Caffe框架就得到瞭廣泛的關注。Caffe框架以“層”為單位對深度神經網絡的結構進行瞭高度的抽象，通過一些精巧的設計顯著優化瞭執行效 深度學習：21天實戰Caffe 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

不便宜的

評分☆☆☆☆☆

書不錯，還沒看完

評分☆☆☆☆☆

同學推薦，很好。。。。。。。

評分☆☆☆☆☆

書不錯，正品

評分☆☆☆☆☆

好的，好的，好的，好的，好的，好的。

評分☆☆☆☆☆

作為入門來學習

評分☆☆☆☆☆

書挺好，不過已經落後瞭，推薦tensorflow

評分☆☆☆☆☆

書收到，送書的速度很快，包裝完整

評分☆☆☆☆☆

深度學習 挺火的領悟 繼續學習吧

類似圖書 點擊查看全場最低價