描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787115480101
编辑推荐
1、速成性：本书涉及深度学习的基本原理，没有过多纠结数学公式推导，能快速上手书中的实战项目，可用于实际生产。
2、前沿性：深度学习是当今人工智能领域炙手可热的技术，本书是目前市面上为数不多的深度学习源码解析类参考资料。
3、翔实性：本书既有深度学习理论知识的讲解，又有源代码的剖析，还包括解决实际问题的案例。
4、趣味性：本书穿插部分漫画，利于年轻读者接受和传播。
2、前沿性：深度学习是当今人工智能领域炙手可热的技术，本书是目前市面上为数不多的深度学习源码解析类参考资料。
3、翔实性：本书既有深度学习理论知识的讲解，又有源代码的剖析，还包括解决实际问题的案例。
4、趣味性：本书穿插部分漫画，利于年轻读者接受和传播。
内容简介
本书是一本深度学习的基础入门读物，对深度学习的基本理论进行了介绍，主要以Ubuntu系统为例搭建了三大主流框架——Caffe、TensorFlow、Torch，然后分别在3个框架下，通过3个实战项目掌握了框架的使用方法，并详细描述了生产流程，*后讲述了通过集群部署深度学习的项目以及如何进行运营维护的注意事项。
本书适合对深度学习有浓厚兴趣的读者、希望用深度学习完成设计的计算机专业或电子信息专业的高校毕业生以及想从实战项目入手的深度学习研发工程师或算法工程师。
本书适合对深度学习有浓厚兴趣的读者、希望用深度学习完成设计的计算机专业或电子信息专业的高校毕业生以及想从实战项目入手的深度学习研发工程师或算法工程师。
目 录
目录
第 1章 深度学习简介1
1.1 深度学习的发展1
1.2 深度学习的应用及研究方向3
1.3 深度学习工具介绍和对比4
1.3.1 Caffe4
1.3.2 TensorFlow5
1.3.3 Torch6
1.4 小结7
第 2章 深度学习基本理论9
2.1 深度学习的基本概念9
2.2 深度学习的训练过程13
2.3 深度学习的常用模型和方法14
2.4 小结20
第3章 深度学习环境搭建23
3.1 Caffe安装23
3.1.1 安装Caffe的相关依赖项24
3.1.2 安装NVIDIA驱动24
3.1.3 安装CUDA27
3.1.4 配置cuDNN30
3.1.5 源代码编译安装OpenCV32
3.1.6 编译Caffe，并配置Python接口34
3.2 Caffe框架下的MNIST数字识别问题41
3.3 TensorFlow安装42
3.3.1 基于pip安装42
3.3.2 基于Anaconda安装46
3.3.3 基于源代码安装51
3.3.4 常见安装问题56
3.4 TensorFlow框架下的CIFAR图像识别问题59
3.5 Torch安装61
3.5.1 无CUDA的Torch 7安装61
3.5.2 CUDA的Torch 7安装61
3.6 Torch框架下neural-style图像合成问题62
3.7 小结74
第4章 人脸识别75
4.1 人脸识别概述75
4.2 人脸识别系统设计76
4.2.1 需求分析76
4.2.2 功能设计77
4.2.3 模块设计78
4.3 系统生产环境部署及验证81
4.3.1 抽帧环境部署81
4.3.2 抽帧功能验证82
4.3.3 OpenFace环境部署82
4.3.4 OpenFace环境验证84
4.4 批量生产90
4.5 小结102
第5章 车辆识别103
5.1 概述103
5.2 系统设计104
5.2.1 需求分析104
5.2.2 功能设计104
5.2.3 模块设计105
5.3 系统生产环境部署及验证106
5.3.1 生产环境部署106
5.3.2 项目部署107
5.3.3 环境验证108
5.4 批量生产109
5.5 小结117
第6章 不良视频识别119
6.1 概述119
6.2 不良图片模型简介120
6.3 系统设计122
6.4 系统部署及系统测试验证123
6.5 批量生产125
6.5.1 批量节目元数据信息检索与筛选125
6.5.2 基于FFmpeg的SDK抽取视频I帧126
6.5.3 基于肤色比例检测的快速筛查128
6.5.4 基于Caffe框架的不良图片检测128
6.6 小结129
第7章 集群部署与运营维护131
7.1 认识Docker131
7.2 基于Docker的TensorFlow实验环境134
7.3 运营维护137
7.4 小结138
参考文献139
第 1章 深度学习简介1
1.1 深度学习的发展1
1.2 深度学习的应用及研究方向3
1.3 深度学习工具介绍和对比4
1.3.1 Caffe4
1.3.2 TensorFlow5
1.3.3 Torch6
1.4 小结7
第 2章 深度学习基本理论9
2.1 深度学习的基本概念9
2.2 深度学习的训练过程13
2.3 深度学习的常用模型和方法14
2.4 小结20
第3章 深度学习环境搭建23
3.1 Caffe安装23
3.1.1 安装Caffe的相关依赖项24
3.1.2 安装NVIDIA驱动24
3.1.3 安装CUDA27
3.1.4 配置cuDNN30
3.1.5 源代码编译安装OpenCV32
3.1.6 编译Caffe，并配置Python接口34
3.2 Caffe框架下的MNIST数字识别问题41
3.3 TensorFlow安装42
3.3.1 基于pip安装42
3.3.2 基于Anaconda安装46
3.3.3 基于源代码安装51
3.3.4 常见安装问题56
3.4 TensorFlow框架下的CIFAR图像识别问题59
3.5 Torch安装61
3.5.1 无CUDA的Torch 7安装61
3.5.2 CUDA的Torch 7安装61
3.6 Torch框架下neural-style图像合成问题62
3.7 小结74
第4章 人脸识别75
4.1 人脸识别概述75
4.2 人脸识别系统设计76
4.2.1 需求分析76
4.2.2 功能设计77
4.2.3 模块设计78
4.3 系统生产环境部署及验证81
4.3.1 抽帧环境部署81
4.3.2 抽帧功能验证82
4.3.3 OpenFace环境部署82
4.3.4 OpenFace环境验证84
4.4 批量生产90
4.5 小结102
第5章 车辆识别103
5.1 概述103
5.2 系统设计104
5.2.1 需求分析104
5.2.2 功能设计104
5.2.3 模块设计105
5.3 系统生产环境部署及验证106
5.3.1 生产环境部署106
5.3.2 项目部署107
5.3.3 环境验证108
5.4 批量生产109
5.5 小结117
第6章 不良视频识别119
6.1 概述119
6.2 不良图片模型简介120
6.3 系统设计122
6.4 系统部署及系统测试验证123
6.5 批量生产125
6.5.1 批量节目元数据信息检索与筛选125
6.5.2 基于FFmpeg的SDK抽取视频I帧126
6.5.3 基于肤色比例检测的快速筛查128
6.5.4 基于Caffe框架的不良图片检测128
6.6 小结129
第7章 集群部署与运营维护131
7.1 认识Docker131
7.2 基于Docker的TensorFlow实验环境134
7.3 运营维护137
7.4 小结138
参考文献139
评论
还没有评论。