深度學習--Caffe之經典模型詳解與實戰

第1章緒論1
1.1引言1
1.2人工智能的發展歷程2
1.3機器學習及相關技術4
1.3.1學習形式分類4
1.3.2學習方法分類5
1.3.3機器學習的相關技術7
1.4國內外研究現狀8
1.4.1國外研究現狀8
1.4.2國內研究現狀9
第2章深度學習11
2.1神經網絡模型11
2.1.1人腦視覺機理11
2.1.2生物神經元13
2.1.3人工神經網絡15
2.2BP神經網絡18
2.2.1BP神經元18
2.2.2BP神經網絡構成19
2.2.3正向傳播21
2.2.4反向傳播21
2.3卷積神經網絡24
2.3.1卷積神經網絡的歷史25
2.3.2卷積神經網絡的網絡結構26
2.3.3局部感知27
2.3.4參數共享28
2.3.5多卷積核28
2.3.6池化（Pooling）29
2.4深度學習框架30
2.4.1Caffe30
2.4.2Torch31
2.4.3Keras32
2.4.4MXNet32
2.4.5TensorFlow33
2.4.6CNTK33
2.4.7Theano34
第3章Caffe簡介及其安裝配置36
3.1Caffe是什麼36
3.1.1Caffe的特點38
3.1.2Caffe的架構38
3.2Caffe的安裝環境39
3.2.1Caffe的硬件環境39
3.2.2Caffe的軟件環境43
3.2.3Caffe的依賴庫44
3.2.4Caffe開發環境的安裝46
3.3Caffe接口52
3.3.1CaffePython接口52
3.3.2CaffeMATLAB接口55
3.3.3Caffe命令行接口56
第4章Caffe網絡定義58
4.1Caffe模型要素58
4.1.1網絡模型58
4.1.2參數配置62
4.2GoogleProtobuf結構化數據63
4.3Caffe數據庫65
4.3.1LevelDB65
4.3.2LMDB66
4.3.3HDF566
4.4CaffeNet66
4.5CaffeBlob68
4.6CaffeLayer70
4.6.1DataLayers71
4.6.2ConvolutionLayers75
4.6.3PoolingLayers76
4.6.4InnerProductLayers77
4.6.5ReLULayers78
4.6.6SigmoidLayers79
4.6.7LRNLayers79
4.6.8DropoutLayers80
4.6.9SoftmaxWithLossLayers80
4.6.10SoftmaxLayers81
4.6.11AccuracyLayers81
4.7CaffeSolver82
Solver方法83
第5章LeNet模型88
5.1LeNet模型簡介88
5.2LeNet模型解讀89
5.3Caffe環境LeNet模型91
5.3.1mnist實例詳解91
5.3.2mnist手寫測試103
5.3.3mnist樣本字庫的圖片轉換106
第6章AlexNet模型107
6.1AlexNet模型介紹107
6.2AlexNet模型解讀108
6.3AlexNet模型特點111
6.4Caffe環境AlexNet模型訓練112
6.4.1數據准備112
6.4.2其他支持文件113
6.4.3圖片預處理113
6.4.4ImageNet數據集介紹113
6.4.5ImageNet圖片介紹115
6.4.6ImageNet模型訓練115
6.4.7Caffe的AlexNet模型與論文的不同124
6.4.8ImageNet模型測試124
第7章GoogLeNet模型126
7.1GoogLeNet模型簡介126
7.1.1背景和動機127
7.1.2Inception結構127
7.2GoogLeNet模型解讀129
7.2.1GoogLeNet模型結構129
7.2.2GoogLeNet模型特點134
7.3GoogLeNet模型的Caffe實現135
第8章VGGNet模型146
8.1VGGNet網絡模型146
8.1.1VGGNet模型介紹146
8.1.2VGGNet模型特點147
8.1.3VGGNet模型解讀147
8.2VGGNet網絡訓練149
8.2.1VGGNet訓練參數設置149
8.2.2Multi—Scale訓練149
8.2.3測試150
8.2.4部署150
8.3VGGNet模型分類實驗150
8.3.1Single—scale對比150
8.3.2Multi—scale對比151
8.3.3模型融合152
8.4VGGNet網絡結構153
第9章Siamese模型158
9.1Siamese網絡模型159
9.1.1Siamese模型原理159
9.1.2Siamese模型實現160
9.2Siamese網絡訓練165
9.2.1數據准備165
9.2.2生成side165
9.2.3對比損失函數166
9.2.4定義solver166
9.2.5網絡訓練166
第10章SqueezeNet模型168
10.1SqueezeNet網絡模型168
10.1.1SqueezeNet模型原理168
10.1.2FireModule169
10.1.3SqueezeNet模型結構170
10.1.4SqueezeNet模型特點171
10.2SqueezeNet網絡實現172
第11章FCN模型177
11.1FCN模型簡介177
11.2FCN的特點和使用場景178
11.3CaffeFCN解讀179
11.3.1FCN模型訓練准備180
11.3.1FCN模型訓練183
第12章R—CNN模型196
12.1R—CNN模型簡介196
12.2R—CNN的特點和使用場景197
12.3CaffeR—CNN解讀198
12.3.1R—CNN模型訓練准備198
12.3.2R—CNN模型訓練201
第13章Fast—RCNN模型217
13.1Fast—RCNN模型簡介217
13.2Fast—RCNN的特點和使用場景218
13.3CaffeFast—RCNN解讀220
13.3.1Fast—RCNN模型訓練准備220
13.3.2Fast—RCNN模型訓練222
第14章Faster—RCNN模型239
14.1Faster—RCNN模型簡介239
14.2Faster—RCNN的特點和使用場景241
14.3CaffeFaster—RCNN解讀242
14.3.1Faster—RCNN模型訓練准備242
14.3.2Faster—RCNN模型訓練244
第15章SSD模型264
15.1SSD模型簡介264
15.2SSD的特點和使用場景266
15.3CaffeSSD解讀267
15.3.1SSD模型訓練准備267
15.3.2SSD模型訓練268
第16章Kaggle項目實踐：人臉特征檢測290
16.1項目簡介290
16.2賽題和數據291
16.3Caffe訓練和測試數據庫293
16.3.1數據庫生成293
16.3.2網絡對比295
16.3.3網絡一296
16.3.4網絡二300
16.3.5Python人臉特征預測程序306
第17章Kaggle項目實踐：貓狗分類檢測311
17.1項目簡介
17.2賽題和數據
17.3Caffe訓練和測試數據庫
17.3.1數據庫生成
17.3.2Caffe實現
17.3.3CatdogNet訓練
17.3.4CatdogNet模型驗證