返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:
本店所有商品

  • 醉染图书深度学习实践 基于Caffe的解析9787111610434
  • 正版全新
    • 作者: 薛云峰著 | 薛云峰编 | 薛云峰译 | 薛云峰绘
    • 出版社: 机械工业出版社
    • 出版时间:2018-10-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    醉染图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 薛云峰著| 薛云峰编| 薛云峰译| 薛云峰绘
    • 出版社:机械工业出版社
    • 出版时间:2018-10-01
    • 版次:1
    • 印次:1
    • 页数:283
    • 开本:16开
    • ISBN:9787111610434
    • 版权提供:机械工业出版社
    • 作者:薛云峰
    • 著:薛云峰
    • 装帧:平装
    • 印次:1
    • 定价:69.00
    • ISBN:9787111610434
    • 出版社:机械工业出版社
    • 开本:16开
    • 印刷时间:暂无
    • 语种:暂无
    • 出版时间:2018-10-01
    • 页数:283
    • 外部编号:1201780965
    • 版次:1
    • 成品尺寸:暂无

    前言
    章 深度学习简介
    1.1 深度学习的历史
    1.2 深度学习工具简介
    1.3 深度学习的未来趋势
    第2章 搭建你的Caffe武器库
    2.1 硬件选型
    2.2 Caffe在Windows下的安装
    . Caffe在Linux下的安装
    ..1 Linux安装
    ..2 Nvidia CUDA Toolkit的安装(*.deb方法)
    .. Caffe的安装和测试
    2.4 OpenCV的安装和编译
    2.4.1 OpenCV的下载
    2.4.2 配置环境变量
    2.5 Boost库的安装和编译
    2.6 Python相关库的安装
    2.7 MATLAB接口的配置
    2.8 库的安装
    2.8.1 LMDB的编译与安装
    2.8.2 LevelDB的编译与安装
    2.8.3 glog的编译与安装
    2.8.4 安装gas
    第3章 Caffe的简单训练
    3.1 Caffe转化数据工具的使用介绍
    3.1.1 命令参数介绍
    3.1.2 生成文件列表
    3.1.3 使用的Linux命令简介
    3.1.4 生成文件结果
    3.1.5 图片参数组详解
    3.2 Caffe提取特征的工具使用说明
    3.3 Caffe训练需要的几个部件
    3.3.1 网络proto文件的编写
    3.3.2 Solver配置
    3.3.3 训练脚本的编写
    3.3.4 训练log解析
    3.4 Caffe简单训练分类任务
    3.5 测试训练结果
    3.6 使用训练好的模型进行预测
    第4章 认识深度学习网络中的层
    4.1 卷积层的作用与类别
    4.1.1 卷积层的作用
    4.1.2 卷积分类
    4.2 激活层的作用与类别
    4.2.1 激活函数的定义及相关概念
    4.2.2 激活函数的类别
    4.3 池化层的作用与类别
    4.3.1 池化层的历史
    4.3.2 池化层的作用
    4.3.3 池化层分类
    4.4 全连接层的作用与类别
    4.5 dropout层的作用
    4.6 损失函数层
    第5章 Caffe的框架设计
    5.1 Caffe中CPU和GPU结构的融合
    5.1.1 SyncedMemory函数及其功能
    5.1.2 SyncedMemory类的作用
    5.2 Caffe训练时层的各个成员函数的调用顺序
    5.3 Caffe网络构建函数的解析
    5.4 Caffe层如何使用proto文件实现反机制
    5.4.1 工厂模式
    5.4.2 层的创建
    5.5 Caffe的调用流程图及函数顺序导视
    5.6 Caffe框架使用的编码思想
    5.6.1 Caffe的总体结构
    5.6.2 Caffe数据存储设计
    第6章 基础数学知识
    6.1 卷积层的数学公式及求导
    6.2 激活层的数学公式图像及求导
    6.3 三种池化层的数学公式及反向计算
    6.4 全连接层的数学公式及求导
    6.4.1 全连接层的前向计算及公式推导
    6.4.2 全连接层的反向传播及公式推导
    6.5 反卷积层的数学公式及求导
    第7章 卷积层和池化层的使用
    7.1 卷积层参数初始化介绍
    7.2 池化层的物理意义
    7.3 卷积层和池化层输出计算及参数说明
    7.4 实践:在Caffe框架下用Prototxt定义卷积层和池化层
    7.4.1 卷积层参数的编写
    7.4.2 必须设置的参数
    7.4.3 可选的设置参数
    7.4.4 卷积参数编写具体示例
    7.4.5 卷积参数编写小建议
    第8章 激活函数的介绍
    8.1 用ReLU解决sigmoid的缺陷
    8.2 ReLU及其变种的对比
    8.3 实践:在Caffe框架下用Prototxt定义激活函数
    8.3.1 ReLU
    8.3.2 PReLU
    8.3.3 Sigmoid
    第9章 损失函数
    9.1 contrastive_loss函数和对应层的介绍和使用场景
    9.2 multinomial_logistic_loss函数和对应层的介绍和使用说明
    9.3 sigmoid_cross_entropy函数和对应层的介绍和使用说明
    9.4 softmax_loss函数和对应层的介绍和使用说明
    9.5 euclidean_loss函数和对应层的介绍和使用说明
    9.6 hinge_loss函数和对应层的介绍和使用说明
    9.7 infogain_loss函数和对应层的介绍和使用说明
    9.8 TripletLoss的添加及其使用
    9.8.1 TripletLoss的思想
    9.8.2 TripletLoss梯度推导
    9.8.3 新增加TripletLossLayer
    9.9 Coupled Cluster Loss的添加及其使用
    9.9.1 增加loss层
    9.9.2 实现具体示例
    0章 Batch Normalize层的使用
    10.1 batch_normalize层的原理和作用
    10.2 batch_normalize层的优势
    10.3 常见网络结构batch_normalize层的位置
    10.4 proto的具体写法
    10.5 归一化层的介绍
    1章 回归网络的构建
    11.1 如何生成回归网络训练数据
    11.2 回归任务和分类任务的异同点
    11.3 回归网络收敛的判断
    11.4 回归任务与级联模型
    2章 多任务网络的构建
    12.1 多任务历史
    12.2 多任务网络的数据生成
    1. 如何简单建立多任务
    12.4 近年的多任务深度学习网络
    12.5 多任务中通用指导调参和网络构建结论
    12.5.1 如何避免出现多任务后能下降的情况
    12.5.2 怎样构建能提升的多任务网络
    3章 图像检索和人脸识别系统实践
    13.1 深度学习如何构建成自动化服务,在内存中做测试
    13.2 Poco库构建服务器指南
    13.3 深度学习服务和传统服务的区别
    13.4 深度学习服务如何与传统后台服务进行交互
    13.5 人脸识别的数据准备和所使用的相关技术
    13.6 图像检索任务的介绍
    13.7 在Caffe中添加数据输入层
    13.7.1 具体示例
    13.7.2 ImageDataParameter参数含义简介
    13.7.3 新增加参数的含义简介
    13.7.4 将新增加的参数加入LayerParameter
    13.7.5 代码的编写之必写函数
    13.7.6 用户自定义函数的编写
    13.7.7 用户自定义数据的读取
    13.7.8 代码的实现
    4章 深度学习的调参技巧总结
    14.1 不变数据的调参的基本原则
    14.2 Caffe fine-tuning调参的原则和方法
    14.3 综合数据调参的指导建议
    14.4 2012年以后的经典网络结构概述
    14.4.1 Google的Inception结构
    14.4.2 微软的Residual Network结构

    薛云峰,深度学习图像算法,曾在计算所、百度担任,目前主要从事图像相关算法在产品落地中的工程架构以及算法优化工作。

     

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购