-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

MXNet深度學習實戰

( 簡體 字)
作者:魏凱峰 著類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:機械工業出版社MXNet深度學習實戰 3dWoo書號: 51226
詢問書籍請說出此書號!

缺書
NT售價: 445

出版日:5/1/2019
頁數:308
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787111626800
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

為什么要寫這本書

深度學習領域開始受到越來越多的關注,各大深度學習框架也孕育而生,在這個階段,我被深度學習深深吸引并逐漸開始學習相關知識。研究生畢業后,我繼續從事算法相關的工作,具體而言是深度學習算法在圖像領域的應用,也就是常說的計算機視覺算法。

MXNet和PyTorch這兩個框架我都非常喜歡,不過目前市面上關于MXNet框架的書籍較少,而且MXNet發展至今各種接口比較穩定,用戶體驗挺不錯的,所以最終決定以MXNet框架來寫這本深度學習實戰教程。MXNet是亞馬遜官方維護的深度學習框架,在靈活性和高效性方面都做得很棒,非常推薦讀者學習。

本書的寫作難度比想象中要大許多,在寫作過程中許多零散的知識點需要想辦法串聯起來,讓不同知識儲備的人都能看懂,許多環境依賴需要從頭到尾跑一遍來確認清楚。寫書和寫博客(AI之路)最大的區別在于書籍在出版后修正比較麻煩,不像博客,隨時發現錯誤都可以修改,因此在寫作過程中對許多細節和措辭都推敲了很久,自己也從中學到了許多。

讀者對象

隨著深度學習的快速發展和相關學習資料的出版,深度學習入門門檻越來越低,競爭也越來越激烈,相關從業者不僅要有堅實的算法基礎,更要具備一定的實戰經驗,相信本書能夠幫助你更好地入門深度學習。

本書面向的讀者為:

計算機視覺算法從業者或愛好者

準備入門深度學習的讀者

使用MXNet框架進行算法實現的讀者

本書特色

假如一本書只是單純介紹算法內容,那其實和直接看論文沒有太大區別;假如一本書只是單純介紹框架接口,那其實和直接看接口文檔沒有太大區別。在筆者看來,算法是思想,框架是工具,用框架實現算法才能體現算法的價值,因此這本書將算法和框架結合起來,通過講解算法和個人項目經驗介紹如何使用MXNet框架實現算法,希望能夠幫助讀者領略算法之美。

本書是從一名算法工程師的角度出發介紹算法實現,整體上偏基礎和細節,能夠幫助入門者少走彎路。隨著這幾年深度學習的快速發展,眾多深度學習框架對各類接口的封裝都很完善,使用起來非常方便,但是部分深度學習入門者僅僅停留在跑通demo卻不理解細節內容的層面,這也常常被人調侃有些浮躁,通過本書,筆者希望讀者不僅能夠靈活調用這些接口實現算法,而且能夠理解這些接口的內在含義,不斷夯實自己的算法基礎。

如何閱讀本書

本書分為四大部分:

第一部分為準備篇(第1∼2章),簡單介紹深度學習相關的基礎背景知識、深度學習框架MXNet的發展過程和優缺點,同時介紹基礎開發環境的構建和docker的使用,幫助讀者構建必要的基礎知識背景。

第二部分為基礎篇(第3∼7章),介紹MXNet的幾個主要模塊,介紹MXNet的數據讀取、數據增強操作,同時介紹了常用網絡層的含義及使用方法、常見網絡結構的設計思想,以及介紹模型訓練相關的參數配置。

第三部分為實戰篇(第8∼10章),以圖像分類、目標檢測和圖像分割這三個常用領域為例介紹如何通過MXNet實現算法訓練和模型測試,同時還將結合MXNet的接口詳細介紹算法細節內容。

第四部分為擴展篇(第11∼12章),主要介紹Gluon和GluonCV。Gluon接口是MXNet推出的用于動態構建網絡結構的重要接口,GluonCV則是一個專門為計算機視覺任務服務的深度學習庫。

本書按照由淺至深的順序進行編寫,如果你是一名初學者,那么建議從第1章的基礎理論知識開始學習,如果你是一名經驗豐富的資深用戶,能夠理解MXNet的相關基礎知識和使用技巧,那么你可以直接閱讀實戰部分的內容。

勘誤和支持

由于作者的水平有限,編寫時間倉促,書中難免會出現一些錯誤或者不準確的地方,懇請讀者批評指正。本書所有代碼都可以下載,同時如果你遇到任何問題,都可以在Issues界面提出,我將盡量在線上為讀者提供最滿意的解答,后期發現的錯誤也將在該項目中注明,歡迎讀者關注。如果你有更多的寶貴意見,也歡迎發送郵件至郵箱,期待能夠得到你們的真摯反饋。

致謝

首先要感謝MXNet的開發者們,是你們創造并一直維護這個高效便捷的深度學習框架,讓眾多深度學習愛好者能夠通過MXNet享受算法帶來的樂趣。

感謝MXNet社區中每一位為MXNet的發展和推廣做出貢獻的朋友,是你們帶領我走進MXNet并逐漸喜歡上它,你們的活力與堅持將使得MXNet的明天更加美好。

感謝機械工業出版社華章公司的楊福川老師、李良老師和張錫鵬老師,在這一年多的時間中始終支持我的寫作,你們的鼓勵和幫助引導我順利完成全部書稿。

感謝那些通過華章鮮讀購買和閱讀早期電子版書籍的讀者們,你們的支持讓我更加有動力不斷完善這本書的內容,也讓我更加確信自己在做一件非常有意義的事情。

最后感謝我的家人將我培養成人,你們永遠是我最堅實的后盾!

謹以此書獻給眾多熱愛深度學習算法及MXNet的朋友們!



魏凱峰
內容簡介:

這是一本詳細講解計算機視覺算法實現以及MXNet框架的原理和使用的工具書。

作者是網易的資深計算機視覺算法工程師。本書融合了他豐富的工程實踐經驗,一方面詳細講解了深度學習框架MXNet的技術原理和應用方法,另一方面以MXNet為工具講解了算法實現的具體細節。輔以大量簡潔的代碼,助你從零基礎開始實現深度學習算法。

全書共12章,分為4個部分:

第一部分 準備篇(第1~2章)

介紹了MXNet的發展、優勢、預備知識、各種深度學習框架的對比,以及開發環境的搭建,包括Docker的使用。

第二部分 基礎篇(第3~7章)

詳細講解了MXNet主要模塊的使用和原理,如MXNet的數據讀取、數據增強操作、常用網絡層的含義及使用、常見網絡結構的設計思想、模型訓練相關的參數配置等。

第三部分 實戰篇(第8~10章)

以圖像分類、目標檢測、圖像分割這三個常用領域為例演示了如何通過MXNet實現算法訓練和模型測試,同時還結合MXNet的接口詳細講解了算法實現的細節。

第四部分 擴展篇(第11~12章)

主要介紹了基于動態圖構建網絡結構的Gluon接口,以及MXNet專門為計算機視覺任務推出的深度學習庫GluonCV。



機器學習是人工智能領域中非常重要的一個研究方向,而深度學習作為機器學習的重要組成部分,伴隨著近幾年數據規模的增長和計算力的提升而備受關注。深度學習框架的快速發展大大降低了算法的入門門檻,越來越多的深度學習從業者能夠通過這些框架實現算法并應用到生活場景中,讓我們的生活更加智能和便捷。

通過閱讀本書,你將學到:

MXNet、TensorFlow、Pytorch、Caffe等深度學習框架的差異

MXNet框架各主要模塊的技術原理和應用實踐

MXNet在圖像分類、目標檢測、圖像分割中的應用,以及相關算法的訓練、模型測試和實現細節

基于動態圖構建網絡結構的Gluon接口

MXNet專門為計算機視覺任務推出的深度學習庫GluonCV

從零開始實現深度學習和計算機視覺算法的方法
目錄:

前言
第1章 全面認識MXNet1
1.1 人工智能、機器學習與深度學習2
1.1.1 人工智能2
1.1.2 機器學習2
1.1.3 深度學習4
1.2 深度學習框架4
1.2.1 MXNet6
1.2.2 PyTorch6
1.2.3 Caffe/Caffe27
1.2.4 TensorFlow7
1.2.5 其他7
1.3 關于MXNet8
1.3.1 MXNet的發展歷程8
1.3.2 MXNet的優勢9
1.4 MXNet開發需要具備的知識10
1.4.1 接口語言11
1.4.2 NumPy11
1.4.3 神經網絡11
1.5 本章小結12
第2章 搭建開發環境13
2.1 環境配置14
2.2 使用Docker安裝MXNet19
2.2.1 準備部分19
2.2.2 使用倉庫安裝Docker20
2.2.3 基于安裝包安裝Docker23
2.2.4 安裝nvidia-docker23
2.2.5 通過Docker使用MXNet25
2.3 本地pip安裝MXNet27
2.4 本章小結29
第3章 MXNet基礎31
3.1 NDArray31
3.2 Symbol37
3.3 Module43
3.4 本章小結48
第4章 MNIST手寫數字體分類50
4.1 訓練代碼初探52
4.2 訓練代碼詳細解讀55
4.2.1 訓練參數配置56
4.2.2 數據讀取59
4.2.3 網絡結構搭建59
4.2.4 模型訓練61
4.3 測試代碼初探62
4.4 測試代碼詳細解讀64
4.4.1 模型導入64
4.4.2 數據讀取66
4.4.3 預測輸出67
4.5 本章小結68
第5章 數據讀取及增強69
5.1 直接讀取原圖像數據70
5.1.1 優點及缺點70
5.1.2 使用方法71
5.2 基于RecordIO文件讀取數據75
5.2.1 什么是RecordIO文件75
5.2.2 優點及缺點76
5.2.3 使用方法76
5.3 數據增強78
5.3.1 resize79
5.3.2 crop83
5.3.3 鏡像89
5.3.4 亮度90
5.3.5 對比度92
5.3.6 飽和度 94
5.4 本章小結95
第6章 網絡結構搭建97
6.1 網絡層98
6.1.1 卷積層98
6.1.2 BN層106
6.1.3 激活層108
6.1.4 池化層111
6.1.5 全連接層114
6.1.6 損失函數層116
6.1.7 通道合并層119
6.1.8 逐點相加層121
6.2 圖像分類網絡結構122
6.2.1 AlexNet123
6.2.2 VGG124
6.2.3 GoogleNet125
6.2.4 ResNet128
6.2.5 ResNeXt130
6.2.6 DenseNet131
6.2.7 SENet132
6.2.8 MobileNet134
6.2.9 ShuffleNet136
6.3 本章小結138
第7章 模型訓練配置140
7.1 問題定義141
7.2 參數及訓練配置142
7.2.1 參數初始化142
7.2.2 優化函數設置144
7.2.3 保存模型145
7.2.4 訓練日志的保存146
7.2.5 選擇或定義評價指標147
7.2.6 多GPU訓練150
7.3 遷移學習151
7.4 斷點訓練153
7.5 本章小結154
第8章 圖像分類156
8.1 圖像分類基礎知識157
8.1.1 評價指標158
8.1.2 損失函數160
8.2 貓狗分類實戰160
8.2.1 數據準備161
8.2.2 訓練參數及配置165
8.2.3 數據讀取168
8.2.4 網絡結構搭建170
8.2.5 訓練模型171
8.2.6 測試模型176
8.3 本章小結179
第9章 目標檢測180
9.1 目標檢測基礎知識182
9.1.1 數據集184
9.1.2 SSD算法簡介188
9.1.3 anchor189
9.1.4 IoU194
9.1.5 模型訓練目標195
9.1.6 NMS199
9.1.7 評價指標mAP201
9.2 通用目標檢測202
9.2.1 數據準備203
9.2.2 訓練參數及配置205
9.2.3 網絡結構搭建208
9.2.4 數據讀取215
9.2.5 定義訓練評價指標218
9.2.6 訓練模型220
9.2.7 測試模型221
9.4 本章小結224
第10章 圖像分割225
10.1 圖像分割226
10.1.1 數據集227
10.1.2 評價指標229
10.1.3 語義分割算法230
10.2 語義分割實戰231
10.2.1 數據準備232
10.2.2 訓練參數及配置233
10.2.3 數據讀取237
10.2.4 網絡結構搭建240
10.2.5 定義評價指標245
10.2.6 訓練模型249
10.2.7 測試模型效果251
10.3 本章小結253
第11章 Gluon255
11.1 Gluon基礎256
11.1.1 data模塊256
11.1.2 nn模塊260
11.1.3 model zoo模塊265
11.2 CIFAR10數據集分類267
11.2.1 基于CPU的訓練代碼267
11.2.2 基于GPU的訓練代碼272
11.2.3 測試代碼275
11.3 本章小結276
第12章 GluonCV278
12.1 GluonCV基礎279
12.1.1 data模塊280
12.1.2 model zoo模塊285
12.1.3 utils模塊292
12.2 解讀ResNet復現代碼293
12.2.1 導入模塊296
12.2.2 命令行參數設置296
12.2.3 日志信息設置297
12.2.4 訓練參數配置298
12.2.5 模型導入300
12.2.6 數據讀取301
12.2.7 定義評價指標303
12.2.8 模型訓練303
12.3 本章小結308
序: