MXNet深度学习实战

MXNet深度学习实战

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

类似推荐

编辑推荐

本书是从一名算法工程师的角度出发介绍算法实现,整体上偏基础和细节,能够帮助入门者少走弯路。

内容简介

随着这几年深度学习的快速发展,众多深度学习框架对各类接口的封装都很完善,使用起来非常方便,但是部分深度学习入门者仅仅停留在跑通demo 却不理解细节内容的层面,这也常常被人调侃有些浮躁,通过本书,笔者希望读者不仅能够灵活调用这些接口实现算法,而且能够理解这些接口的内在含义,不断夯实自己的算法基础。

章节目录

版权信息

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

MXNet深度学习实战是2019年由机械工业出版社华章分社出版,作者魏凯峰。

得书感谢您对《MXNet深度学习实战》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。

购买这本书

你可能喜欢
PyTorch与深度学习实战 电子书
本书以PyTorch深度学习的常用技术与真实案例相结合的方式,深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章,内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题,希望通过练习和操作实践,帮助读者巩固所学的内
TensorFlow 2深度学习实战 电子书
本书以深度学习的常用技术与TensorFlow2真实案例相结合的方式,深入浅出地介绍TensorFlow2实现深度学习的重要内容。全书共7章,分为基础篇(第1~3章)和实战篇(第4~7章),基础篇内容包括深度学习概述、TensorFlow2快速入门、深度神经网络原理及实现等基础知识;实战篇内容包括4个案例,分别为基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换
Python深度学习与项目实战 电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow,讲述深度学习在实际项目中的应用。本书共10章,首先介绍线性回归模型、逻辑回归模型、Softmax多分类器,然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络,最后讨论自编码模型、对抗生成网络、深度强化学习。
Python深度学习实战——基于Pytorch 电子书
本书以深度学习框架PyTorch为基础,介绍机器学习的基础知识与常用方法,全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章,主要分别介绍了深度学习基础知识、深度学习框架及其对比,机器学习基础知识,深度学习框架基础,Logistic回归,多层感知器,计算机视觉,自然语言处理以及8个实战案例。本书将理论与实践紧密结合,相信能为读者提供有益的学习指导。??本书适合Pyth
TensorFlow深度学习项目实战(深度学习系列) 电子书
本书用TensorFlow框架针对现实场景设计深度学习系统,实现有趣的深度学习项目。