利用实例来讲解深度学习框架以及深度学习方法的实践教程。对四大深度学习框架（TensorFlow，Caffe，Torch，MXNet）从下载软件并详细安装开始介绍，配合实例进行详细介绍，参数调参、二次接口的编程等有详细介绍；还介绍了迁移学习的模型和实际应用。
封面图
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
- 2.1TensorFlow概述 12
- 2.1.1TensorFlow的特点 13
- 2.1.2TensorFlow中的模型 14
- 2.2TensorFlow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
- 2.3.2ResNet 21
- 2.3.3ResNet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
- 3.1Caffe概述 56
- 3.1.1Caffe的特点 56
- 3.1.2Caffe框架结构 57
- 3.2Caffe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
- 3.3.2FCN-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
- 4.1Torch概述 100
- 4.1.1Torch的特点 100
- 4.1.2Lua语言 102
- 4.2Torch框架安装 104
- 4.3基于Torch框架的目标检测实现（Faster R-CNN） 113
- 4.3.1Torch的类和包的基本用法 113
- 4.3.2用Torch构建神经网络 116
- 4.3.3Faster R-CNN介绍 119
- 4.3.4Faster 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
- 5.1MXNet概述 164
- 5.1.1MXNet基础知识 164
- 5.1.2编程接口 166
- 5.1.3系统实现 169
- 5.1.4MXNet的关键特性 171
- 5.2MXNet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
- 5.3.2RNN及LSTM网络 180
- 5.3.3Bucketing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
- 7.2.2K折交叉验证 208
- 7.2.3留一交叉验证 209
- 参考文献 211
