第 1章 深度學習簡介 1
1.1 深度學習的發展 1
1.2 深度學習的應用及研究方向 3
1.3 深度學習工具介紹和對比 4
1.3.1 Caffe 4
1.3.2 TensorFlow 5
1.3.3 Torch 6
1.4 小結 7
第 2章 深度學習基本理論 9
2.1 深度學習的基本概念 9
2.2 深度學習的訓練過程 13
2.3 深度學習的常用模型和方法 14
2.4 小結 20
第3章 深度學習環境搭建 23
3.1 Caffe安裝 23
3.1.1 安裝Caffe的相關依賴項 24
3.1.2 安裝NVIDIA驅動 24
3.1.3 安裝CUDA 27
3.1.4 配置cuDNN 30
3.1.5 源代碼編譯安裝OpenCV 32
3.1.6 編譯Caffe，并配置Python接口 34
3.2 Caffe框架下的MNIST數字識別問題 41
3.3 TensorFlow安裝 42
3.3.1 基于pip安裝 42
3.3.2 基于Anaconda安裝 46
3.3.3 基于源代碼安裝 51
3.3.4 常見安裝問題 56
3.4 TensorFlow框架下的CIFAR圖像識別問題 59
3.5 Torch安裝 61
3.5.1 無CUDA的Torch 7安裝 61
3.5.2 CUDA的Torch 7安裝 61
3.6 Torch框架下neural-style圖像合成問題 62
3.7 小結 74
第4章 人臉識別 75
4.1 人臉識別概述 75
4.2 人臉識別系統設計 76
4.2.1 需求分析 76
4.2.2 功能設計 77
4.2.3 模塊設計 78
4.3 系統生產環境部署及驗證 81
4.3.1 抽幀環境部署 81
4.3.2 抽幀功能驗證 82
4.3.3 OpenFace環境部署 82
4.3.4 OpenFace環境驗證 84
4.4 批量生產 90
4.5 小結 102
第5章 車輛識別 103
5.1 概述 103
5.2 系統設計 104
5.2.1 需求分析 104
5.2.2 功能設計 104
5.2.3 模塊設計 105
5.3 系統生產環境部署及驗證 106
5.3.1 生產環境部署 106
5.3.2 項目部署 107
5.3.3 環境驗證 108
5.4 批量生產 109
5.5 小結 117
第6章 不良視頻識別 119
6.1 概述 119
6.2 不良圖片模型簡介 120
6.3 系統設計 122
6.4 系統部署及系統測試驗證 123
6.5 批量生產 125
6.5.1 批量節目元數據信息檢索與篩選 125
6.5.2 基于FFmpeg的SDK抽取視頻I幀 126
6.5.3 基于膚色比例檢測的快速篩查 128
6.5.4 基于Caffe框架的不良圖片檢測 128
6.6 小結 129
第7章 集群部署與運營維護 131
7.1 認識Docker 131
7.2 基于Docker的TensorFlow實驗環境 134
7.3 運營維護 137
7.4 小結 138
參考文獻 139