深度學習：21天實戰(zhàn)Caffe

上篇  初見 第1天  什么是深度學習  2 1.1  星星之火，可以燎原  3 1.2  師夷長技  4 1.2.1  谷歌與微軟  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(yè)熱是風向標  8 1.4  練習題  9 第2天  深度學習的過往  10 2.1  傳統(tǒng)機器學習的局限性  10 2.2  從表示學習到深度學習  11 2.3  監(jiān)督學習  12 2.4  反向傳播算法  13 2.5  卷積神經(jīng)網(wǎng)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(huán)境  27 4.1  Mac OS環(huán)境準備  27 4.2  Ubuntu環(huán)境準備  28 4.3  RHEL/Fedora/CentOS環(huán)境準備  29 4.4  Windows環(huán)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(jié)  43 5.11  練習題  49 5.12  參考資料  49 第6天  運行手寫體數(shù)字識別例程  50 6.1  MNIST數(shù)據(jù)集  50 6.1.1  下載MNIST數(shù)據(jù)集  50 6.1.2  MNIST數(shù)據(jù)格式描述  51 6.1.3  轉(zhuǎn)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(shù)  65 6.2.3  訓練日志  66 6.2.4  用訓練好的模型對數(shù)據(jù)進行預測  76 6.2.5  Windows下訓練模型  76 6.3  回顧  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(jié)構(gòu)  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  卷積層  86 7.3.2  全連接層  89 7.3.3  激活函數(shù)  91 7.4  小結(jié)  99 7.5  練習題  99 7.6  參考資料  100 第8天  Caffe數(shù)據(jù)結(jié)構(gòu)  101 8.1  Blob  101 8.1.1  Blob基本用法  102 8.1.2  數(shù)據(jù)結(jié)構(gòu)描述  108 8.1.3  Blob是怎樣煉成的  109 8.2  Layer  125 8.2.1  數(shù)據(jù)結(jié)構(gòu)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(shù)據(jù)結(jié)構(gòu)描述  139 8.3.3  Net是怎樣繪成的  139 8.4  機制和策略  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(shù)據(jù)讀取層  149 9.1.1  數(shù)據(jù)結(jié)構(gòu)描述  149 9.1.2  數(shù)據(jù)讀取層實現(xiàn)  150 9.2  數(shù)據(jù)變換器  155 9.2.1  數(shù)據(jù)結(jié)構(gòu)描述  155 9.2.2  數(shù)據(jù)變換器的實現(xiàn)  156 9.3  練習題  171 第10天  Caffe模型  172 10.1  prototxt表示  173 10.2  內(nèi)存中的表示  176 10.3  磁盤上的表示  176 10.4  Caffe Model Zoo  178 10.5  練習題  180 10.6  參考資料  180 第11天  Caffe前向傳播計算  181 11.1  前向傳播的特點  181 11.2  前向傳播的實現(xiàn)  182 11.2.1  DAG構(gòu)造過程  182 11.2.2  Net Forward實現(xiàn)  190 11.3  練習題  192 第12天  Caffe反向傳播計算  193 12.1  反向傳播的特點  193 12.2  損失函數(shù)  193 12.2.1  算法描述  194 12.2.2  參數(shù)描述  195 12.2.3  源碼分析  195 12.3  反向傳播的實現(xiàn)  203 12.4  練習題  205 第13天  Caffe最優(yōu)化求解過程  207 13.1  求解器是什么  207 13.2  求解器是如何實現(xiàn)的  208 13.2.1  算法描述  208 13.2.2  數(shù)據(jù)結(jié)構(gòu)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  特征提取  241 14.3  轉(zhuǎn)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是什么  262 15.2.2  CUDA是什么  263 15.2.3  GPU、CUDA和深度學習  263 15.2.4  Caffe GPU環(huán)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(shù)據(jù)可視化  275 16.1.1  MNIST數(shù)據(jù)可視化  275 16.1.2  CIFAR10數(shù)據(jù)可視化  277 16.1.3  ImageNet數(shù)據(jù)可視化  278 16.2  模型可視化  279 16.2.1  網(wǎng)絡結(jié)構(gòu)可視化  279 16.2.2  網(wǎng)絡權(quán)值可視化  281 16.3  特征圖可視化  288 16.4  學習曲線  295 16.5  小結(jié)  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(fā)測試到生產(chǎn)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  關于ILSVRC不得不說的一些事兒  318 18.1  ImageNet數(shù)據(jù)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  圖像中的字符識別  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  人臉識別  340 19.4.1  問題描述  340 19.4.2  最佳實踐——使用Face++ SDK實現(xiàn)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(jié)  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(shù)據(jù)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  堪憂的卷積層實現(xiàn)  357 20.1.5  架構(gòu)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?guī)? 363 21.2  路漫漫其修遠兮，吾將上下而求索  364 篇尾語  366 結(jié)束語  367 附錄A  其他深度學習工具