深度学习：Caffe之经典模型详解与实战 PDF 高清版

《深度学习——Caffe之经典模型详解与实战》最先详细介绍了深度神经网络有关的基础理论和流行的深度神经网络架构，随后从Caffe深度神经网络架构为突破口，详细介绍了Caffe的安裝、配备、编译和插口等软件环境，分析Caffe互联网实体模型的组成因素和常见的层种类和Solver方式 。根据LeNet互联网实体模型的Mnist笔写案例详细介绍其样版训炼和鉴别全过程，深化详细解读了AlexNet、VGGNet、GoogLeNet、Siamese和SqueezeNet互联网实体模型，并得出了这种实体模型根据Caffe的训炼实战演练方式 。随后，《深度学习——Caffe之经典模型详解与实战》讲解了运用深度神经网络开展总体目标精准定位的經典互联网实体模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN和SSD，并开展总体目标精准定位Caffe实战演练。《深度学习——Caffe之经典模型详解与实战》的最终，从知名的Kaggle平台网站导入了2个經典的实战演练新项目，并开展了有目的性的初始数据统计分析、互联网设计模型和Caffe训炼对策实践活动，而求带来用户从难题明确提出到运用Caffe求出的详细工程项

目亲身经历，进而使用户能尽早把握Caffe架构的应用方法和实践经验。

对于Caffe和深度神经网络行业的新手，《深度神经网络——Caffe之經典实体模型详细说明与实战演练》是1本难能可贵的资料可参考。《深度神经网络——Caffe之經典实体模型详细说明与实战演练》的內容具有通俗易懂的基础理论背景图，又有丰富多彩的运用实践活动，是深度神经网络新手的具体指导指南，也可做为深度神经网络有关行业技术工程师和发烧友的参照用书。

目录

• 第1章　绪论 1
• 1.1 引言 1
• 1.2 人工智能的发展历程 2
• 1.3 机器学习及相关技术 4
• 1.3.1 学习形式分类 4
• 1.3.2 学习方法分类 5
• 1.3.3 机器学习的相关技术 7
• 1.4 国内外研究现状 8
• 1.4.1 国外研究现状 8
• 1.4.2 国内研究现状 9
• 第2章　深度学习 11
• 2.1 神经网络模型 11
• 2.1.1 人脑视觉机理 11
• 2.1.2 生物神经元 13
• 2.1.3 人工神经网络 15
• 2.2 BP神经网络 18
• 2.2.1 BP神经元 18
• 2.2.2 BP神经网络构成 19
• 2.2.3 正向传播 21
• 2.2.4 反向传播 21
• 2.3 卷积神经网络 24
• 2.3.1 卷积神经网络的历史 25
• 2.3.2 卷积神经网络的网络结构 26
• 2.3.3 局部感知 27
• 2.3.4 参数共享 28
• 2.3.5 多卷积核 28
• 2.3.6 池化（Pooling） 29
• 2.4 深度学习框架 30
• 2.4.1 Caffe 30
• 2.4.2 Torch 31
• 2.4.3 Keras 32
• 2.4.4 MXNet 32
• 2.4.5 TensorFlow 33
• 2.4.6 CNTK 33
• 2.4.7 Theano 34
• 第3章　Caffe简介及其安装配置 36
• 3.1 Caffe是什么 36
• 3.1.1 Caffe的特点 38
• 3.1.2 Caffe的架构 38
• 3.2 Caffe的安装环境 39
• 3.2.1 Caffe的硬件环境 39
• 3.2.2 Caffe的软件环境 43
• 3.2.3 Caffe的依赖库 44
• 3.2.4 Caffe开发环境的安装 46
• 3.3 Caffe接口 52
• 3.3.1 Caffe Python接口 52
• 3.3.2 Caffe MATLAB接口 55
• 3.3.3 Caffe命令行接口 56
• 第4章　Caffe网络定义 58
• 4.1 Caffe模型要素 58
• 4.1.1 网络模型 58
• 4.1.2 参数配置 62
• 4.2 Google Protobuf结构化数据 63
• 4.3 Caffe数据库 65
• 4.3.1 LevelDB 65
• 4.3.2 LMDB 66
• 4.3.3 HDF5 66
• 4.4 Caffe Net 66
• 4.5 Caffe Blob 68
• 4.6 Caffe Layer 70
• 4.6.1 Data Layers 71
• 4.6.2 Convolution Layers 75
• 4.6.3 Pooling Layers 76
• 4.6.4 InnerProduct Layers 77
• 4.6.5 ReLU Layers 78
• 4.6.6 Sigmoid Layers 79
• 4.6.7 LRN Layers 79
• 4.6.8 Dropout Layers 80
• 4.6.9 SoftmaxWithLoss Layers 80
• 4.6.10 Softmax Layers 81
• 4.6.11 Accuracy Layers 81
• 4.7 Caffe Solver 82
• Solver方法 83
• 第5章　LeNet模型 88
• 5.1 LeNet模型简介 88
• 5.2 LeNet模型解读 89
• 5.3 Caffe环境LeNet模型 91
• 5.3.1 mnist实例详解 91
• 5.3.2 mnist手写测试 103
• 5.3.3 mnist样本字库的图片转换 106
• 第6章　AlexNet模型 107
• 6.1 AlexNet模型介绍 107
• 6.2 AlexNet模型解读 108
• 6.3 AlexNet模型特点 111
• 6.4 Caffe环境AlexNet模型训练 112
• 6.4.1 数据准备 112
• 6.4.2 其他支持文件 113
• 6.4.3 图片预处理 113
• 6.4.4 ImageNet数据集介绍 113
• 6.4.5 ImageNet图片介绍 115
• 6.4.6 ImageNet模型训练 115
• 6.4.7 Caffe的AlexNet模型与论文的不同 124
• 6.4.8 ImageNet模型测试 124
• 第7章　GoogLeNet模型 126
• 7.1 GoogLeNet模型简介 126
• 7.1.1 背景和动机 127
• 7.1.2 Inception结构 127
• 7.2 GoogLeNet模型解读 129
• 7.2.1 GoogLeNet模型结构 129
• 7.2.2 GoogLeNet模型特点 134
• 7.3 GoogLeNet模型的Caffe实现 135
• 第8章　VGGNet模型 146
• 8.1 VGGNet网络模型 146
• 8.1.1 VGGNet模型介绍 146
• 8.1.2 VGGNet模型特点 147
• 8.1.3 VGGNet模型解读 147
• 8.2 VGGNet网络训练 149
• 8.2.1 VGGNet训练参数设置 149
• 8.2.2 Multi-Scale训练 149
• 8.2.3 测试 150
• 8.2.4 部署 150
• 8.3 VGGNet模型分类实验 150
• 8.3.1 Single-scale对比 150
• 8.3.2 Multi-scale对比 151
• 8.3.3 模型融合 152
• 8.4 VGGNet网络结构 153
• 第9章　Siamese模型 158
• 9.1 Siamese网络模型 159
• 9.1.1 Siamese模型原理 159
• 9.1.2 Siamese模型实现 160
• 9.2 Siamese网络训练 165
• 9.2.1 数据准备 165
• 9.2.2 生成side 165
• 9.2.3 对比损失函数 166
• 9.2.4 定义solver 166
• 9.2.5 网络训练 166
• 第10章　SqueezeNet模型 168
• 10.1 SqueezeNet网络模型 168
• 10.1.1 SqueezeNet模型原理 168
• 10.1.2 Fire Module 169
• 10.1.3 SqueezeNet模型结构 170
• 10.1.4 SqueezeNet模型特点 171
• 10.2 SqueezeNet网络实现 172
• 第11章　FCN模型 177
• 11.1 FCN模型简介 177
• 11.2 FCN的特点和使用场景 178
• 11.3 Caffe FCN解读 179
• 11.3.1 FCN模型训练准备 180
• 11.3.1 FCN模型训练 183
• 第12章　R-CNN模型 196
• 12.1 R-CNN模型简介 196
• 12.2 R-CNN的特点和使用场景 197
• 12.3 Caffe R-CNN解读 198
• 12.3.1 R-CNN模型训练准备 198
• 12.3.2 R-CNN模型训练 201
• 第13章　Fast-RCNN模型 217
• 13.1 Fast-RCNN模型简介 217
• 13.2 Fast-RCNN的特点和使用场景 218
• 13.3 Caffe Fast-RCNN解读 220
• 13.3.1 Fast-RCNN模型训练准备 220
• 13.3.2 Fast-RCNN模型训练 222
• 第14章　Faster-RCNN模型 239
• 14.1 Faster-RCNN模型简介 239
• 14.2 Faster-RCNN的特点和使用场景 241
• 14.3 Caffe Faster-RCNN解读 242
• 14.3.1 Faster-RCNN模型训练准备 242
• 14.3.2 Faster-RCNN模型训练 244
• 第15章　SSD模型 264
• 15.1 SSD模型简介 264
• 15.2 SSD的特点和使用场景 266
• 15.3 Caffe SSD解读 267
• 15.3.1 SSD模型训练准备 267
• 15.3.2 SSD模型训练 268
• 第16章　Kaggle项目实践：人脸特征检测 290
• 16.1 项目简介 290
• 16.2 赛题和数据 291
• 16.3 Caffe训练和测试数据库 293
• 16.3.1 数据库生成 293
• 16.3.2 网络对比 295
• 16.3.3 网络一 296
• 16.3.4 网络二 300
• 16.3.5 Python人脸特征预测程序 306
• 第17章　Kaggle项目实践：猫狗分类检测 311
• 17.1 项目简介 311
• 17.2 赛题和数据 312
• 17.3 Caffe训练和测试数据库 312
• 17.3.1 数据库生成 312
• 17.3.2 Caffe实现 316
• 17.3.3 CatdogNet训练 328
• 17.3.4 CatdogNet模型验证 332