万本电子书0元读

万本电子书0元读

顶部广告

MXNet深度学习实战电子书 租阅

售       价:¥

纸质售价:¥70.30购买纸书

117人正在读 | 0人评论 6.2

作       者:魏凯峰

出  版  社:机械工业出版社

出版时间:2019-05-01

字       数:18.0万

所属分类:

温馨提示:此类商品不支持退换货,不支持下载打印

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
这是一本详细讲解计算机视觉算法实现以及MXNet框架的原理和使用的工具书。 作者是网易的资深计算机视觉算法工程师,本书融合了他丰富的工程实践经验,一方面详细讲解了深度学习框架MXNet的技术原理和应用方法,一方面以MXNet为工具讲解了算法实现的具体细节。辅以大量简洁的代码,助你从零基础始实现深度学习算法。 全书共12章,分为4个部分: *部分 准备篇(第1~2章) 介绍了MXNet的发展、优势、预备知识、各种深度学习框架的对比,以及发环境的搭建,包括Docker的使用。 第二部分 基础篇(第3~7章) 纤细讲解了MXNet主要模块使用和原理,如MXNet的数据读取、数据增强操作、常用网络层的含义及使用、常见网络结构的设计思想、模型训练相关的参数配置等。 第三部分 实战篇(第8~10章) 以图像分类、目标检测、图像分割这三个常用领域为例演示了如何通过MXNet实现算法训练和模型测试,同时还结合MXNet的口详细讲解了算法实现的细节。 第四部分 扩展篇(第11~12章) 主要介绍了基于动态图构建网络结构的Gluon口,以及MXNet专门为计算机视觉任务推出的深度学习库GluonCV。
【推荐语】
机器学习是人工智能领域中非常重要的一个研究方向,而深度学习作为机器学习的重要组成部分,伴随着近几年数据规模的增长和计算力的提升而备受关注。深度学习框架的快速发展大大降低了算法的门门槛,越来越多的深度学习从业者能够通过这些框架实现算法并应用到生活场景中,让我们的生活更加智能和便捷。 通过阅读本书,你将学到: ·MXNet、TensorFlow、Pytorch、Caffe等深度学习框架的差异 ·MXNet框架各主要模块的技术原理和应用实践 ·MXNet在图像分类、目标检测、图像分割中的应用,以及相关算法的训练、模型测试和实现细节 ·基于动态图构建网络结构的Gluon口 ·MXNet专门为计算机视觉任务推出的深度学习库GluonCV ·从零始实现深度学习和计算机视觉算法的方法
【作者】
魏凯峰  资深AI算法工程师和计算机视觉工程师,在MXNet、Pytorch、深度学习相关算法等方面有深的研究和丰富的实践经验。 目前就职于网易杭州研究院,从事计算机视觉算法相关的工作,主要研究方向包括目标检测、图像分类、图像对抗算法、模型加速和压缩。 热衷于分享,坚持在Github上分享算法相关的代码,坚持在CSDN上撰写算法相关的博客,累计百余篇,访问量过百万。
目录展开

前言

第1章 全面认识MXNet

1.1 人工智能、机器学习与深度学习

1.1.1 人工智能

1.1.2 机器学习

1.1.3 深度学习

1.2 深度学习框架

1.2.1 MXNet

1.2.2 PyTorch

1.2.3 Caffe/Caffe2

1.2.4 TensorFlow

1.2.5 其他

1.3 关于MXNet

1.3.1 MXNet的发展历程

1.3.2 MXNet的优势

1.4 MXNet开发需要具备的知识

1.4.1 接口语言

1.4.2 NumPy

1.4.3 神经网络

1.5 本章小结

第2章 搭建开发环境

2.1 环境配置

2.2 使用Docker安装MXNet

2.2.1 准备部分

2.2.2 使用仓库安装Docker

2.2.3 基于安装包安装Docker

2.2.4 安装nvidia-docker

2.2.5 通过Docker使用MXNet

2.3 本地pip安装MXNet

2.4 本章小结

第3章 MXNet基础

3.1 NDArray

3.2 Symbol

3.3 Module

3.4 本章小结

第4章 MNIST手写数字体分类

4.1 训练代码初探

4.2 训练代码详细解读

4.2.1 训练参数配置

4.2.2 数据读取

4.2.3 网络结构搭建

4.2.4 模型训练

4.3 测试代码初探

4.4 测试代码详细解读

4.4.1 模型导入

4.4.2 数据读取

4.4.3 预测输出

4.5 本章小结

第5章 数据读取及增强

5.1 直接读取原图像数据

5.1.1 优点及缺点

5.1.2 使用方法

5.2 基于RecordIO文件读取数据

5.2.1 什么是RecordIO文件

5.2.2 优点及缺点

5.2.3 使用方法

5.3 数据增强

5.3.1 resize

5.3.2 crop

5.3.3 镜像

5.3.4 亮度

5.3.5 对比度

5.3.6 饱和度

5.4 本章小结

第6章 网络结构搭建

6.1 网络层

6.1.1 卷积层

6.1.2 BN层

6.1.3 激活层

6.1.4 池化层

6.1.5 全连接层

6.1.6 损失函数层

6.1.7 通道合并层

6.1.8 逐点相加层

6.2 图像分类网络结构

6.2.1 AlexNet

6.2.2 VGG

6.2.3 GoogleNet

6.2.4 ResNet

6.2.5 ResNeXt

6.2.6 DenseNet

6.2.7 SENet

6.2.8 MobileNet

6.2.9 ShuffleNet

6.3 本章小结

第7章 模型训练配置

7.1 问题定义

7.2 参数及训练配置

7.2.1 参数初始化

7.2.2 优化函数设置

7.2.3 保存模型

7.2.4 训练日志的保存

7.2.5 选择或定义评价指标

7.2.6 多GPU训练

7.3 迁移学习

7.4 断点训练

7.5 本章小结

第8章 图像分类

8.1 图像分类基础知识

8.1.1 评价指标

8.1.2 损失函数

8.2 猫狗分类实战

8.2.1 数据准备

8.2.2 训练参数及配置

8.2.3 数据读取

8.2.4 网络结构搭建

8.2.5 训练模型

8.2.6 测试模型

8.3 本章小结

第9章 目标检测

9.1 目标检测基础知识

9.1.1 数据集

9.1.2 SSD算法简介

9.1.3 anchor

9.1.4 IoU

9.1.5 模型训练目标

9.1.6 NMS

9.1.7 评价指标mAP

9.2 通用目标检测

9.2.1 数据准备

9.2.2 训练参数及配置

9.2.3 网络结构搭建

9.2.4 数据读取

9.2.5 定义训练评价指标

9.2.6 训练模型

9.2.7 测试模型

9.4 本章小结

第10章 图像分割

10.1 图像分割

10.1.1 数据集

10.1.2 评价指标

10.1.3 语义分割算法

10.2 语义分割实战

10.2.1 数据准备

10.2.2 训练参数及配置

10.2.3 数据读取

10.2.4 网络结构搭建

10.2.5 定义评价指标

10.2.6 训练模型

10.2.7 测试模型效果

10.3 本章小结

第11章 Gluon

11.1 Gluon基础

11.1.1 data模块

11.1.2 nn模块

11.1.3 model zoo模块

11.2 CIFAR10数据集分类

11.2.1 基于CPU的训练代码

11.2.2 基于GPU的训练代码

11.2.3 测试代码

11.3 本章小结

第12章 GluonCV

12.1 GluonCV基础

12.1.1 data模块

12.1.2 model zoo模块

12.1.3 utils模块

12.2 解读ResNet复现代码

12.2.1 导入模块

12.2.2 命令行参数设置

12.2.3 日志信息设置

12.2.4 训练参数配置

12.2.5 模型导入

12.2.6 数据读取

12.2.7 定义评价指标

12.2.8 模型训练

12.3 本章小结

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部