深度学习-主流框架和编程实战

CONTENTS
目　　录
前言
第1章　绪论 1
1.1　机器学习与深度学习 1
1.1.1　机器学习与深度学习的关系 2
1.1.2　传统机器学习与深度学习的对比 3
1.2　统计学与深度学习 5
1.2.1　统计学与深度学习的关系 5
1.2.2　基于统计的深度学习技术 6
1.3　本书涉及的深度学习框架 8
1.4　优化深度学习的方法 8
1.5　深度学习展望 9
第2章　TensorFlow深度学习框架构建方法与图像分类的实现 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特点 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安装 16
2.2.1　基于Anaconda的安装 16
2.2.2　测试TensorFlow 19
2.3　基于TensorFlow框架的图像分类实现（ResNet-34） 20
2.3.1　应用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序实现 24
2.3.4　详细代码解析 27
2.3.5　实验结果及分析 51
第3章　Caffe深度学习框架搭建与图像语义分割的实现 56
3.1　Caffe概述 56
3.1.1　Caffe的特点 56
3.1.2　Caffe框架结构 57
3.2　Caffe框架安装与调试 59
3.3　基于Caffe框架的图像分割实现（FCN） 64
3.3.1　用Caffe构建卷积神经网络 64
3.3.2　FCN-8s网络简介 69
3.3.3　详细代码解读 85
3.3.4　实验结果与结论 98
第4章　Torch深度学习框架搭建与目标检测的实现 100
4.1　Torch概述 100
4.1.1　Torch的特点 100
4.1.2　Lua语言 102
4.2　Torch框架安装 104
4.3　基于Torch框架的目标检测实现（Faster R-CNN） 113
4.3.1　Torch的类和包的基本用法 113
4.3.2　用Torch构建神经网络 116
4.3.3　Faster R-CNN介绍 119
4.3.4　Faster R-CNN实例 127
4.3.5　实验结果分析 161
第5章　MXNet深度学习框架构建与自然语言处理的实现 164
5.1　MXNet概述 164
5.1.1　MXNet基础知识 164
5.1.2　编程接口 166
5.1.3　系统实现 169
5.1.4　MXNet的关键特性 171
5.2　MXNet框架安装 172
5.3　基于MXNet框架的自然语言处理实现（LSTM） 179
5.3.1　自然语言处理应用背景 179
5.3.2　RNN及LSTM网络 180
5.3.3　Bucketing及不同长度的序列训练 183
5.3.4　详细代码实现 185
5.3.5　实验过程及实验结果分析 191
第6章　迁移学习 195
6.1　迁移学习发展概述 195
6.2　迁移学习的类型与模型 196
6.2.1　冻结源模型与微调源模型 197
6.2.2　神经网络迁移学习模型与分类器迁移学习模型 197
6.3　迁移学习方法实例指导 199
6.3.1　迁移学习应用示例 199
6.3.2　实验结论 202
第7章　并行计算与交叉验证 203
7.1　并行计算 203
7.1.1　数据并行框架 204
7.1.2　模型并行框架 205
7.1.3　数据并行与模型并行的混合架构 205
7.2　交叉验证 207
7.2.1　留出法 207
7.2.2　K折交叉验证 208
7.2.3　留一交叉验证 209
参考文献 211