深度學(xué)習(xí)在動態(tài)媒體中的應(yīng)用與實踐

第 1章 深度學(xué)習(xí)簡介 1
1．1 深度學(xué)習(xí)的發(fā)展 1
1．2 深度學(xué)習(xí)的應(yīng)用及研究方向 3
1．3 深度學(xué)習(xí)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(jié) 7
第 2章 深度學(xué)習(xí)基本理論 9
2．1 深度學(xué)習(xí)的基本概念 9
2．2 深度學(xué)習(xí)的訓(xùn)練過程 13
2．3 深度學(xué)習(xí)的常用模型和方法 14
2．4 小結(jié) 20
第3章 深度學(xué)習(xí)環(huán)境搭建 23
3．1 Caffe安裝 23
3．1．1 安裝Caffe的相關(guān)依賴項 24
3．1．2 安裝NVIDIA驅(qū)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(shù)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(jié) 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(tǒng)設(shè)計 76
4．2．1 需求分析 76
4．2．2 功能設(shè)計 77
4．2．3 模塊設(shè)計 78
4．3 系統(tǒng)生產(chǎn)環(huán)境部署及驗證 81
4．3．1 抽幀環(huán)境部署 81
4．3．2 抽幀功能驗證 82
4．3．3 OpenFace環(huán)境部署 82
4．3．4 OpenFace環(huán)境驗證 84
4．4 批量生產(chǎn) 90
4．5 小結(jié) 102
第5章 車輛識別 103
5．1 概述 103
5．2 系統(tǒng)設(shè)計 104
5．2．1 需求分析 104
5．2．2 功能設(shè)計 104
5．2．3 模塊設(shè)計 105
5．3 系統(tǒng)生產(chǎn)環(huán)境部署及驗證 106
5．3．1 生產(chǎn)環(huán)境部署 106
5．3．2 項目部署 107
5．3．3 環(huán)境驗證 108
5．4 批量生產(chǎn) 109
5．5 小結(jié) 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(tǒng)設(shè)計 122
6．4 系統(tǒng)部署及系統(tǒng)測試驗證 123
6．5 批量生產(chǎn) 125
6．5．1 批量節(jié)目元數(shù)據(jù)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(jié) 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(huán)境 134
7．3 運營維護 137
7．4 小結(jié) 138
參考文獻 139