深度学习

本书首先介绍了深度学习相关的理论和主流的深度学习框架，然后从Caffe深度学习框架为切入点，介绍了Caffe的安装、配置、编译和接口等运行环境，剖析Caffe网络模型的构成要素和常用的层类型和Solver方法。通过LeNet网络模型的Mnist手写实例介绍其样本训练和识别过程，进一步详细解读了AlexNet、VGGNet、GoogLeNet、Siamese和SqueezeNet网络模型，并给出了这些模型基于Caffe的训练实战方法。然后，本书解读了利用深度学习进行目标定位的经典网络模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN和SSD，并进行目标定位Caffe实战。本书的很后，从有名的Kaggle网站引入了两个经典的实战项目，并进行了有针对性的原始数据分析、网络模型设计和Caffe训练策略实践，以求带给读者从问题提出到利用Caffe求解的完整工程经历，从而使读者能尽快掌握Caffe框架的使用技巧和实战经验。针对Caffe和深度学习领域的初学者，本书是一本的参考资料。本书的内容既有易懂的理论背景，又有丰富的应用实践，是深度学习初学者的指导手册，也可作为深度学习相关领域工程师和爱好者的参考用书。

乐毅，计算机专业硕士，现任职于某数据通信公司，不错系统工程师。负责公司深度学习技术领域的应用及相关项目，对深度学习及大数据深度挖掘具有浓厚的兴趣。擅长Caffe等深度学习框架及网络模型应用。

第1章绪论
1.1引言
1.2人工智能的发展历程
1.3机器学习及相关技术
1.3.1学习形式分类
1.3.2学习方法分类
1.3.3机器学习的相关技术
1.4国内外研究现状
1.4.1国外研究现状
1.4.2国内研究现状
第2章深度学习
2.1神经网络模型
2.1.1人脑视觉机理
2.1.2生物神经元
2.1.3人工神经网络
2.2BP神经网络
2.2.1BP神经元
2.2.2BP神经网络构成
2.2.3正向传播
2.2.4反向传播
2.3卷积神经网络
2.3.1卷积神经网络的历史
2.3.2卷积神经网络的网络结构
2.3.3局部感知
2.3.4参数共享
2.3.5多卷积核
2.3.6池化（Pooling）
2.4深度学习框架
2.4.1Caffe
2.4.2Torch
2.4.3Keras
2.4.4MXNet
2.4.5TensorFlow
2.4.6TK
2.4.7Theano
第3章Caffe简介及其安装配置
3.1Caffe是什么
3.1.1Caffe的特点
3.1.2Caffe的架构
3.2Caffe的安装环境
3.2.1Caffe的硬件环境
3.2.2Caffe的软件环境
3.2.3Caffe的依赖库
3.2.4Caffe开发环境的安装
3.3Caffe接口
3.3.1CaffePython接口
3.3.2CaffeMATLAB接口
3.3.3Caffe命令行接口
第4章Caffe网络定义
4.1Caffe模型要素
4.1.1网络模型
4.1.2参数配置
4.2GoogleProtobuf结构化数据
4.3Caffe数据库
4.3.1LevelDB
4.3.2LMDB
4.3.3HDF5
4.4CaffeNet
4.5CaffeBlob
4.6CaffeLayer
4.6.1DataLayers
4.6.2ConvolutionLayers
4.6.3PoolingLayers
4.6.4InnerProductLayers
4.6.5ReLULayers
4.6.6SigmoidLayers
4.6.7LRNLayers
4.6.8DropoutLayers
4.6.9SoftmaxWithLossLayers
4.6.10SoftmaxLayers
4.6.11AccuracyLayers
4.7CaffeSolver
Solver方法
第5章LeNet模型
5.1LeNet模型简介
5.2LeNet模型解读
5.3Caffe环境LeNet模型
5.3.1mnist实例详解
5.3.2mnist手写测试
5.3.3mnist样本字库的图片转换
第6章AlexNet模型
6.1AlexNet模型介绍
6.2AlexNet模型解读
6.3AlexNet模型特点
6.4Caffe环境AlexNet模型训练
6.4.1数据准备
6.4.2其他支持文件
6.4.3图片预处理
6.4.4ImageNet数据集介绍
6.4.5ImageNet图片介绍
6.4.6ImageNet模型训练
6.4.7Caffe的AlexNet模型与论文的不同
6.4.8ImageNet模型测试
第7章GoogLeNet模型
7.1GoogLeNet模型简介
7.1.1背景和动机
7.1.2Inception结构
7.2GoogLeNet模型解读
7.2.1GoogLeNet模型结构
7.2.2GoogLeNet模型特点
7.3GoogLeNet模型的Caffe实现
第8章VGGNet模型
8.1VGGNet网络模型
8.1.1VGGNet模型介绍
8.1.2VGGNet模型特点
8.1.3VGGNet模型解读
8.2VGGNet网络训练
8.2.1VGGNet训练参数设置
8.2.2Multi-Scale训练
8.2.3测试
8.2.4部署
8.3VGGNet模型分类实验
8.3.1Single-scale对比
8.3.2Multi-scale对比
8.3.3模型融合
8.4VGGNet网络结构
第9章Siamese模型
9.1Siamese网络模型
9.1.1Siamese模型原理
9.1.2Siamese模型实现
9.2Siamese网络训练
9.2.1数据准备
9.2.2生成side
9.2.3对比损失函数
9.2.4定义solver
9.2.5网络训练
第10章SqueezeNet模型
10.1SqueezeNet网络模型
10.1.1SqueezeNet模型原理
10.1.2FireModule
10.1.3SqueezeNet模型结构
10.1.4SqueezeNet模型特点
10.2SqueezeNet网络实现
第11章F模型
11.1F模型简介
11.2F的特点和使用场景
11.3CaffeF解读
11.3.1F模型训练准备
11.3.1F模型训练
第12章R-N模型
12.1R-N模型简介
12.2R-N的特点和使用场景
12.3CaffeR-N解读
12.3.1R-N模型训练准备
12.3.2R-N模型训练
第13章Fast-RN模型
13.1Fast-RN模型简介
13.2Fast-RN的特点和使用场景
13.3CaffeFast-RN解读
13.3.1Fast-RN模型训练准备
13.3.2Fast-RN模型训练
第14章Faster-RN模型
14.1Faster-RN模型简介
14.2Faster-RN的特点和使用场景
14.3CaffeFaster-RN解读
14.3.1Faster-RN模型训练准备
14.3.2Faster-RN模型训练
第15章SSD模型
15.1SSD模型简介
15.2SSD的特点和使用场景
15.3CaffeSSD解读
15.3.1SSD模型训练准备
15.3.2SSD模型训练
第16章Kaggle项目实践：人脸特征检测
16.1项目简介
16.2赛题和数据
16.3Caffe训练和测试数据库
16.3.1数据库生成
16.3.2网络对比
16.3.3网络一
16.3.4网络二
16.3.5Python人脸特征预测程序
第17章Kaggle项目实践：猫狗分类检测
17.1项目简介
17.2赛题和数据
17.3Caffe训练和测试数据库
17.3.1数据库生成
17.3.2Caffe实现
17.3.3CatdogNet训练
17.3.4CatdogNet模型验证