MXNet深度學(xué)習(xí)實(shí)戰(zhàn)：計(jì)算機(jī)視覺算法實(shí)現(xiàn)

前言
第1章　全面認(rèn)識(shí)MXNet1
1.1　人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)2
1.1.1　人工智能2
1.1.2　機(jī)器學(xué)習(xí)2
1.1.3　深度學(xué)習(xí)4
1.2　深度學(xué)習(xí)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(guān)于MXNet8
1.3.1　MXNet的發(fā)展歷程8
1.3.2　MXNet的優(yōu)勢9
1.4　MXNet開發(fā)需要具備的知識(shí)10
1.4.1　接口語言11
1.4.2　NumPy11
1.4.3　神經(jīng)網(wǎng)絡(luò)11
1.5　本章小結(jié)12
第2章　搭建開發(fā)環(huán)境13
2.1　環(huán)境配置14
2.2　使用Docker安裝MXNet19
2.2.1　準(zhǔn)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(jié)29
第3章　MXNet基礎(chǔ)31
3.1　NDArray31
3.2　Symbol37
3.3　Module43
3.4　本章小結(jié)48
第4章　MNIST手寫數(shù)字體分類50
4.1　訓(xùn)練代碼初探52
4.2　訓(xùn)練代碼詳細(xì)解讀55
4.2.1　訓(xùn)練參數(shù)配置56
4.2.2　數(shù)據(jù)讀取59
4.2.3　網(wǎng)絡(luò)結(jié)構(gòu)搭建59
4.2.4　模型訓(xùn)練61
4.3　測試代碼初探62
4.4　測試代碼詳細(xì)解讀64
4.4.1　模型導(dǎo)入64
4.4.2　數(shù)據(jù)讀取66
4.4.3　預(yù)測輸出67
4.5　本章小結(jié)68
第5章　數(shù)據(jù)讀取及增強(qiáng)69
5.1　直接讀取原圖像數(shù)據(jù)70
5.1.1　優(yōu)點(diǎn)及缺點(diǎn)70
5.1.2　使用方法71
5.2　基于RecordIO文件讀取數(shù)據(jù)75
5.2.1　什么是RecordIO文件75
5.2.2　優(yōu)點(diǎn)及缺點(diǎn)76
5.2.3　使用方法76
5.3　數(shù)據(jù)增強(qiáng)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(duì)比度92
5.3.6　飽和度 94
5.4　本章小結(jié)95
第6章　網(wǎng)絡(luò)結(jié)構(gòu)搭建97
6.1　網(wǎng)絡(luò)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(shù)層116
6.1.7　通道合并層119
6.1.8　逐點(diǎn)相加層121
6.2　圖像分類網(wǎng)絡(luò)結(jié)構(gòu)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(jié)138
第7章　模型訓(xùn)練配置140
7.1　問題定義141
7.2　參數(shù)及訓(xùn)練配置142
7.2.1　參數(shù)初始化142
7.2.2　優(yōu)化函數(shù)設(shè)置144
7.2.3　保存模型145
7.2.4　訓(xùn)練日志的保存146
7.2.5　選擇或定義評(píng)價(jià)指標(biāo)147
7.2.6　多GPU訓(xùn)練150
7.3　遷移學(xué)習(xí)151
7.4　斷點(diǎn)訓(xùn)練153
7.5　本章小結(jié)154
第8章　圖像分類156
8.1　圖像分類基礎(chǔ)知識(shí)157
8.1.1　評(píng)價(jià)指標(biāo)158
8.1.2　損失函數(shù)160
8.2　貓狗分類實(shí)戰(zhàn)160
8.2.1　數(shù)據(jù)準(zhǔn)備161
8.2.2　訓(xùn)練參數(shù)及配置165
8.2.3　數(shù)據(jù)讀取168
8.2.4　網(wǎng)絡(luò)結(jié)構(gòu)搭建170
8.2.5　訓(xùn)練模型171
8.2.6　測試模型176
8.3　本章小結(jié)179
第9章　目標(biāo)檢測180
9.1　目標(biāo)檢測基礎(chǔ)知識(shí)182
9.1.1　數(shù)據(jù)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(xùn)練目標(biāo)195
9.1.6　NMS199
9.1.7　評(píng)價(jià)指標(biāo)mAP201
9.2　通用目標(biāo)檢測202
9.2.1　數(shù)據(jù)準(zhǔn)備203
9.2.2　訓(xùn)練參數(shù)及配置205
9.2.3　網(wǎng)絡(luò)結(jié)構(gòu)搭建208
9.2.4　數(shù)據(jù)讀取215
9.2.5　定義訓(xùn)練評(píng)價(jià)指標(biāo)218
9.2.6　訓(xùn)練模型220
9.2.7　測試模型221
9.4　本章小結(jié)224
第10章　圖像分割225
10.1　圖像分割226
10.1.1　數(shù)據(jù)集227
10.1.2　評(píng)價(jià)指標(biāo)229
10.1.3　語義分割算法230
10.2　語義分割實(shí)戰(zhàn)231
10.2.1　數(shù)據(jù)準(zhǔn)備232
10.2.2　訓(xùn)練參數(shù)及配置233
10.2.3　數(shù)據(jù)讀取237
10.2.4　網(wǎng)絡(luò)結(jié)構(gòu)搭建240
10.2.5　定義評(píng)價(jià)指標(biāo)245
10.2.6　訓(xùn)練模型249
10.2.7　測試模型效果251
10.3　本章小結(jié)253