深度学习：主流框架和编程实战
-
脚本之家
- 资源
- 41
- 粉丝
- 40
- 喜欢
- 269
- 评论
- 5
深度学习：主流框架和编程实战 PDF 全书扫描版
深度学习电子书- 发布时间：
给大家带来的一篇关于深度学习相关的电子书资源，介绍了关于深度学习、主流框架、编程实战方面的内容，本书是由机械工业出版社出版，格式为PDF，资源大小110 MB，赵涓涓,强彦编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：8.4，更多相关的学习资源可以参阅 人工智能电子书、等栏目。
本书是利用实例来讲解深度学习框架以及深度学习方法的综合性著作，介绍了四大深度学习框架（TensorFlow、Caffe、Torch和MXNet），还详细介绍了调参、二次接口的编程、迁移学习的模型等内容
目录
- 前言
- 第1章 绪论 1
- 1.1 机器学习与深度学习 1
- 1.1.1 机器学习与深度学习的关系 2
- 1.1.2 传统机器学习与深度学习的对比 3
- 1.2 统计学与深度学习 5
- 1.2.1 统计学与深度学习的关系 5
- 1.2.2 基于统计的深度学习技术 6
- 1.3 本书涉及的深度学习框架 8
- 1.4 优化深度学习的方法 8
- 1.5 深度学习展望 9
- 第2章 TensorFlow深度学习框架构建方法与图像分类的实现 12
- 2.1 TensorFlow概述 12
- 2.1.1 TensorFlow的特点 13
- 2.1.2 TensorFlow中的模型 14
- 2.2 TensorFlow框架安装 16
- 2.2.1 基于Anaconda的安装 16
- 2.2.2 测试TensorFlow 19
- 2.3 基于TensorFlow框架的图像分类实现（ResNet-34） 20
- 2.3.1 应用背景 20
- 2.3.2 ResNet 21
- 2.3.3 ResNet程序实现 24
- 2.3.4 详细代码解析 27
- 2.3.5 实验结果及分析 51
- 第3章 Caffe深度学习框架搭建与图像语义分割的实现 56
- 3.1 Caffe概述 56
- 3.1.1 Caffe的特点 56
- 3.1.2 Caffe框架结构 57
- 3.2 Caffe框架安装与调试 59
- 3.3 基于Caffe框架的图像分割实现（FCN） 64
- 3.3.1 用Caffe构建卷积神经网络 64
- 3.3.2 FCN-8s网络简介 69
- 3.3.3 详细代码解读 85
- 3.3.4 实验结果与结论 98
- 第4章 Torch深度学习框架搭建与目标检测的实现 100
- 4.1 Torch概述 100
- 4.1.1 Torch的特点 100
- 4.1.2 Lua语言 102
- 4.2 Torch框架安装 104
- 4.3 基于Torch框架的目标检测实现（Faster R-CNN） 113
- 4.3.1 Torch的类和包的基本用法 113
- 4.3.2 用Torch构建神经网络 116
- 4.3.3 Faster R-CNN介绍 119
- 4.3.4 Faster R-CNN实例 127
- 4.3.5 实验结果分析 161
- 第5章 MXNet深度学习框架构建与自然语言处理的实现 164
- 5.1 MXNet概述 164
- 5.1.1 MXNet基础知识 164
- 5.1.2 编程接口 166
- 5.1.3 系统实现 169
- 5.1.4 MXNet的关键特性 171
- 5.2 MXNet框架安装 172
- 5.3 基于MXNet框架的自然语言处理实现（LSTM） 179
- 5.3.1 自然语言处理应用背景 179
- 5.3.2 RNN及LSTM网络 180
- 5.3.3 Bucketing及不同长度的序列训练 183
- 5.3.4 详细代码实现 185
- 5.3.5 实验过程及实验结果分析 191
- 第6章 迁移学习 195
- 6.1 迁移学习发展概述 195
- 6.2 迁移学习的类型与模型 196
- 6.2.1 冻结源模型与微调源模型 197
- 6.2.2 神经网络迁移学习模型与分类器迁移学习模型 197
- 6.3 迁移学习方法实例指导 199
- 6.3.1 迁移学习应用示例 199
- 6.3.2 实验结论 202
- 第7章 并行计算与交叉验证 203
- 7.1 并行计算 203
- 7.1.1 数据并行框架 204
- 7.1.2 模型并行框架 205
- 7.1.3 数据并行与模型并行的混合架构 205
- 7.2 交叉验证 207
- 7.2.1 留出法 207
- 7.2.2 K折交叉验证 208
- 7.2.3 留一交叉验证 209
- 参考文献 211
上一篇：质量全面管控：从项目管理到容灾测试 下一篇：Unity5.x完全自学手册
展开 +
收起 -
深度学习 相关电子书
关于深度学习的学习笔记
如果你对深度学习和卷积神经网络感兴趣，但是并不知道从哪里开始，也不知道使用哪种库，那么这里就为你提供了许多帮助。 在这篇文章里，我详细解读了9个我最喜欢的Python深度学习库。 这个名单并不详尽，它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。 这其中的一些库我比别人用的多很多，尤其是Keras、mxnet和sklearn-theano。 其他的一些我是间接的使用，比如Theano和TensorFlow（库包括Keras、deepy和Blocks等）。 另外的我只是在一些特别的任务中用过（比如nolearn和他们的Deep Belief Network implementation）。 这篇文章的目的是向你介绍这些库。我建议你认真了解这里的每一个库，然后在某个具体工作情境中你就可以确定一个最适用的库。 我想再次重申，这份名单并不详尽。此外，由于我是计算机视觉研究人员并长期活跃在这个领域，对卷积神经网络（细胞神经网络）方面的库会关注更多。 我把这个深度学习库的列表分为三个部分。 第一部分是比较流行的库，你可能已经很熟悉了。对于这些库，我提供了一个通俗的、高层次的概述。然后，针对每个库我详细解说了我的喜欢之处和不喜欢之处，并列举了一些适当的应用案例。 第二部分进入到我个人最喜欢的深度学习库，也是我日常工作中使……
前言 深度神经网络是一种目前被广泛使用的工具，可以用于图像识别、分类，物体检测，机器翻译等等。深度学习（DeepLearning）是一种学习神经网络各种参数的方法。因此，我们将要介绍的深度学习，指的是构建神经网络结构，并且运用各种深度学习算法训练网络参数，进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架，使用灵活，学习方便。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等等，各有千秋。笔者认为，初期学习还是选择一种入门，不要期望全都学会。须知，发力集中才能深入挖掘。乱花渐欲迷人眼，选择适合自己的，从一而终，相信会对科研大有裨益! *************************************************** 说明：本文乃至本系列全部文章都是在PyTorch0.2版本下做的。现在版本更新了很多，会有一些API的更改，请大家注意Follow最新的变化，以免由于版本问题受到困扰。 *************************************************** 1.环境说明 PyTorch目前支持OSX和Linux两种系统，并且支持多种安装方式。在官网上介绍了基于conda，pip和源代码编译几种不同的安装方式。支持的Python版本有2.7，3.5和3.6。鉴于深度学习需要的计算量一般比较大，强烈建议找到一个有独立显卡的电脑来展开学习，当然没有显卡也能……
最近想做实时目标检测，需要用到python开启摄像头，我手上只有两个uvc免驱的摄像头，性能一般。利用python开启摄像头费了一番功夫，主要原因是我的摄像头都不能用cv2的VideCapture打开，这让我联想到原来opencv也打不开Android手机上的摄像头（后来采用QML的Camera模块实现的）。看来opencv对于摄像头的兼容性仍然不是很完善。 我尝了几种办法：v4l2，v4l2_capture以及simpleCV，都打不开。最后采用pygame实现了摄像头的采集功能，这里直接给大家分享具体实现代码（python3.6，cv2，opencv3.3，ubuntu16.04）。中间注释的部分是我上述方法打开摄像头的尝试，说不定有适合自己的。 import pygame.cameraimport timeimport pygameimport cv2import numpy as np def surface_to_string(surface): """convert pygame surface into string""" return pygame.image.tostring(surface, 'RGB') def pygame_to_cvimage(surface): """conver pygame surface into cvimage""" #cv_image = np.zeros(surface.get_size, np.uint8, 3) image_string = surface_to_string(surface) image_np = np.fromstring(image_string, np.uint8).reshape(480, 640, 3) frame = cv2.cvtColor(image_np, cv2.COLOR_BGR2RGB) return image_np, frame pygame.camera.init()pygame.camera.list_cameras()cam = pygame.camera.Camera("/dev/video0", [640, 480]) cam.start()time.sleep(0.1)screen = pygame.display.set_mode([640, 480]) while True: image = cam.get_image() cv_image, frame = pygame_to_cvimage(image)……
Python编程深度学习计算库之numpy
NumPy是python下的计算库，被非常广泛地应用，尤其是近来的深度学习的推广。在这篇文章中，将会介绍使用numpy进行一些最为基础的计算。 NumPy vs SciPy NumPy和SciPy都可以进行运算，主要区别如下 最近比较热门的深度学习，比如在神经网络的算法，多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念，你会非常清晰numpy的作用。所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识。 安装 liumiaocn:tmp liumiao$ pip install numpyCollecting numpy Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7MB) 100% |████████████████████████████████| 4.7MB 284kB/s Installing collected packages: numpySuccessfully installed numpy-1.14.5liumiaocn:tmp liumiao$ 确认 liumiaocn:tmp liumiao$ pip show numpyName: numpyVersion: 1.14.5Summary: NumPy: array processing for numbers, strings, records, and objects.Home-page: http://www.numpy.orgAuthor: Travis E. Oliphant et al.Author-email: NoneLicense: BSDLocation: /usr/local/lib/python2.7/site-packagesRequires: Required-by: liumiaocn:tmp liumiao$ 使用 使用numpy的数组 使用如下例子简单来理解一下numpy的数组的使用：……