深度学习之图像识别:核心技术与案例实战

admin 2022年11月13日 167次浏览

深度学习之图像识别:核心技术与案例实战

(副标题):无 ;

(作者): 龙鹏 ;

内容简介:

​ 2.1.1 Caffe简介
Caffe是基于C语言及CUDA开发的框架,支持MATLAB、Python接口和命令行,可直接在GPU与CPU中进行切换,训练效率有保障,在工业中应用较为广泛。
在Caffe中,网络层通过C
定义,网络配置使用Protobuf定义,可以较方便地进行深度网络的训练与测试。Caffe官方提供了大量实例,它的训练过程、梯度下降算法等模块都已被封装,开发者学习prototxt语法后,基本能自己构造深度卷积神经网络。Caffe的代码易懂、好理解、高效、实用、上手简单,比较成熟和完善,实现基础算法方便快捷,适合工业快速应用与部署。
Caffe通过blob以四维数组的方式存储和传递数据。blob提供了一个统一的内存接口,用于批量图像(或其他数据)的操作与参数更新。Models是以Google Protocol Buffers的方式存储在磁盘上,大型数据存储在LevelDB数据库中。
同时,Caffe还提供了一套完整的层类型。一个层(Layer)是一个神经网络层的本质,它采用一个或多个blob作为输入,并产生一个或多个blob作为输出。Caffe保留所有的有向无环层图,确保正确地进行前向传播和反向传播,Caffe是一个典型的端到端的机器学习系统。每一个Caffe网络都开始于数据层,结束于损失函数层。通过一个单一的开关,使其网络运行在CPU或GPU上。
Caffe相对于Tensorflow等使用pip一键安装的方式来说,编译安装稍微麻烦一些,但其实很简单,我们以Ubuntu 16.04为例,官网的安装脚本足够用了,它有一些依赖库。装完之后,去Git上复制代码(网址为https://github.com/BVLC/caffe),修改Makefile.config就可以进行编译安装了。对于GPU,还需要安装CUDA及NVIDIA驱动。

目录预览:

​ 深度学习之图像识别:核心技术与案例实战
第1章 神经网络基础
1.1 神经网络的生物基础与数学模型
1.1.1 神经元
1.1.2 感知机
1.1.3 BP算法
1.2 卷积神经网络基础
1.2.1 卷积神经网络的基本结构
1.2.2 卷积与权值共享
1.2.3 感受野与池化
第2章 深度学习优化基础
2.1 深度学习主流开源框架
2.1.1 Caffe简介
2.1.2 TensorFlow简介
2.1.3 PyTorch简介
2.1.4 Theano简介
2.1.5 Keras简介
2.1.6 MXNet简介
2.1.7 Chainer简介
2.2 网络优化参数
........


[EPUB下载]