MXNet深度學習實戰(zhàn)：計算機視覺算法實現(xiàn)

定　價：￥89.00

作　者：	魏凱峰著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術叢書
標　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)：		字數(shù)：

內容簡介

　　本書分為四大部分：第一部分為準備篇（第1～2章），簡單介紹深度學習相關的基礎背景知識、深度學習框架MXNet的發(fā)展過程和優(yōu)缺點，同時介紹基礎開發(fā)環(huán)境的構建和docker的使用，幫助讀者構建必要的基礎知識背景。第二部分為基礎篇（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)增強操作，同時介紹了常用網(wǎng)絡層的含義及使用方法、常見網(wǎng)絡結構的設計思想，以及介紹模型訓練相關的參數(shù)配置。第三部分為實戰(zhàn)篇（第8～10章），以圖像分類、目標檢測和圖像分割這三個常用領域為例介紹如何通過MXNet實現(xiàn)算法訓練和模型測試，同時還將結合MXNet的接口詳細介紹算法細節(jié)內容。第四部分為擴展篇（第11～12章），主要介紹Gluon和GluonCV。Gluon接口是MXNet推出的用于動態(tài)構建網(wǎng)絡結構的重要接口，GluonCV則是一個專門為計算機視覺任務服務的深度學習庫。

作者簡介

　　魏凱峰資深AI算法工程師和計算機視覺工程師，在MXNet、Pytorch、深度學習相關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，從事計算機視覺算法相關的工作，主要研究方向包括目標檢測、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上分享算法相關的代碼，堅持在CSDN上撰寫算法相關的博客，累計百余篇，訪問量過百萬。

圖書目錄

前言
第1章　全面認識MXNet1
1.1　人工智能、機器學習與深度學習2
1.1.1　人工智能2
1.1.2　機器學習2
1.1.3　深度學習4
1.2　深度學習框架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11
1.5　本章小結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29
第3章　MXNet基礎31
3.1　NDArray31
3.2　Symbol37
3.3　Module43
3.4　本章小結48
第4章　MNIST手寫數(shù)字體分類50
4.1　訓練代碼初探52
4.2　訓練代碼詳細解讀55
4.2.1　訓練參數(shù)配置56
4.2.2　數(shù)據(jù)讀取59
4.2.3　網(wǎng)絡結構搭建59
4.2.4　模型訓練61
4.3　測試代碼初探62
4.4　測試代碼詳細解讀64
4.4.1　模型導入64
4.4.2　數(shù)據(jù)讀取66
4.4.3　預測輸出67
4.5　本章小結68
第5章　數(shù)據(jù)讀取及增強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95
第6章　網(wǎng)絡結構搭建97
6.1　網(wǎng)絡層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)絡結構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138
第7章　模型訓練配置140
7.1　問題定義141
7.2　參數(shù)及訓練配置142
7.2.1　參數(shù)初始化142
7.2.2　優(yōu)化函數(shù)設置144
7.2.3　保存模型145
7.2.4　訓練日志的保存146
7.2.5　選擇或定義評價指標147
7.2.6　多GPU訓練150
7.3　遷移學習151
7.4　斷點訓練153
7.5　本章小結154
第8章　圖像分類156
8.1　圖像分類基礎知識157
8.1.1　評價指標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)準備161
8.2.2　訓練參數(shù)及配置165
8.2.3　數(shù)據(jù)讀取168
8.2.4　網(wǎng)絡結構搭建170
8.2.5　訓練模型171
8.2.6　測試模型176
8.3　本章小結179
第9章　目標檢測180
9.1　目標檢測基礎知識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　模型訓練目標195
9.1.6　NMS199
9.1.7　評價指標mAP201
9.2　通用目標檢測202
9.2.1　數(shù)據(jù)準備203
9.2.2　訓練參數(shù)及配置205
9.2.3　網(wǎng)絡結構搭建208
9.2.4　數(shù)據(jù)讀取215
9.2.5　定義訓練評價指標218
9.2.6　訓練模型220
9.2.7　測試模型221
9.4　本章小結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)準備232
10.2.2　訓練參數(shù)及配置233
10.2.3　數(shù)據(jù)讀取237
10.2.4　網(wǎng)絡結構搭建240
10.2.5　定義評價指標245
10.2.6　訓練模型249
10.2.7　測試模型效果251
10.3　本章小結253