编辑推荐
通过阅读本书，不但可以增强对深度学习的理解，还能够提高动手操作能力。
内容简介
自20世纪80年代以来，机器学习已经在算法、理论和应用等方面取得巨大成功，在产业界与学术界影响深刻。深度学习作为机器学习的一个分支，在当今大数据的背景下，随着数据量的激增、计算能力的增强以及计算成本的降低，应用范围逐步扩大，尤其在语音识别、图像识别和图像处理领域取得了突出的成果。目前，人工智能技术方兴未艾，作为其核心技术的深度学习的发展如火如荼，各家研究机构提出了各自的深度学习框架，并出现了很多新方法。众多研究者和专业人员开始学习深度学习，但是目前市场缺乏介绍深度学习框架以及深度学习方法的综合性著作，大家需要通过上网查找资料、调参数、运行实例和二次编码来学习，每一步都可能遇到很多问题和阻碍。这也促使作者编写了这本深度学习的实践教程，目的是使初学者快速入门并掌握解决实际问题的能力。本书主要从当下深度学习的四大主流框架出发，分析框架结构，并配以网络实例来对实际问题进行处理进而深入理解框架结构。书中的算法代码配有详细的解释说明，以便于读者能够在不熟悉代码语言的情况下仍能了解网络框架的结构与特点。
作者简介
章节目录
版权信息
前言
第1章 绪论
1.1 机器学习与深度学习
1.1.1 机器学习与深度学习的关系
1.1.2 传统机器学习与深度学习的对比
1.2 统计学与深度学习
1.2.1 统计学与深度学习的关系
1.2.2 基于统计的深度学习技术
1.3 本书涉及的深度学习框架
1.4 优化深度学习的方法
1.5 深度学习展望
第2章 TensorFlow深度学习框架构建方法与图像分类的实现
2.1 TensorFlow概述
2.1.1 TensorFlow的特点
2.1.2 TensorFlow中的模型
2.2 TensorFlow框架安装
2.2.1 基于Anaconda的安装
2.2.2 测试TensorFlow
2.3 基于TensorFlow框架的图像分类实现（ResNet-34）
2.3.1 应用背景
2.3.2 ResNet
2.3.3 ResNet程序实现
2.3.4 详细代码解析
2.3.5 实验结果及分析
第3章 Caffe深度学习框架搭建与图像语义分割的实现
3.1 Caffe概述
3.1.1 Caffe的特点
3.1.2 Caffe框架结构
3.2 Caffe框架安装与调试
3.3 基于Caffe框架的图像分割实现（FCN）
3.3.1 用Caffe构建卷积神经网络
3.3.2 FCN-8s网络简介
3.3.3 详细代码解读
3.3.4 实验结果与结论
第4章 Torch深度学习框架搭建与目标检测的实现
4.1 Torch概述
4.1.1 Torch的特点
4.1.2 Lua语言
4.2 Torch框架安装
4.3 基于Torch框架的目标检测实现（Faster R-CNN）
4.3.1 Torch的类和包的基本用法
4.3.2 用Torch构建神经网络
4.3.3 Faster R-CNN介绍
4.3.4 Faster R-CNN实例
4.3.5 实验结果分析
第5章 MXNet深度学习框架构建与自然语言处理的实现
5.1 MXNet概述
5.1.1 MXNet基础知识
5.1.2 编程接口
5.1.3 系统实现
5.1.4 MXNet的关键特性
5.2 MXNet框架安装
5.3 基于MXNet框架的自然语言处理实现（LSTM）
5.3.1 自然语言处理应用背景
5.3.2 RNN及LSTM网络
5.3.3 Bucketing及不同长度的序列训练
5.3.4 详细代码实现
5.3.5 实验过程及实验结果分析
第6章 迁移学习
6.1 迁移学习发展概述
6.2 迁移学习的类型与模型
6.2.1 冻结源模型与微调源模型
6.2.2 神经网络迁移学习模型与分类器迁移学习模型
6.3 迁移学习方法实例指导
6.3.1 迁移学习应用示例
6.3.2 实验结论
第7章 并行计算与交叉验证
7.1 并行计算
7.1.1 数据并行框架
7.1.2 模型并行框架
7.1.3 数据并行与模型并行的混合架构
7.2 交叉验证
7.2.1 留出法
7.2.2 K折交叉验证
7.2.3 留一交叉验证
参考文献
深度学习：主流框架和编程实战是2018年由机械工业出版社华章分社出版,作者赵涓涓 主编。
得书感谢您对《深度学习：主流框架和编程实战》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
