移动深度学习
电子书推荐
-
深度学习:21天实战Caffe.赵永科(带详细书签) PDF 下载 完整版 评分:
《深度学习:21天实战Caffe》是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例,由浅入深,从 Caffe 的配置、部署、使用开始学习,通过阅读 Caffe 源码理解其精髓,加强对深度学习理论的理解,最终达到熟练运用 Caffe 解决实际问题的目的。和国外机器学习、深度学习大部头著作相比,《深度学习:21天实战Caffe》偏重动手实践,将难以捉摸的枯燥理论用浅显易懂的形式表达,透过代码揭开其神秘面纱,更多地贴近实际应用。 上篇 初见 第1天 什么是深度学习 2 1.1 星星之火,可以燎原 3 1.2 师夷长技 4 1.2.1 谷歌与微软 4 1.2.2 Facebook、亚马逊与NVIDIA 5 1.3 中国崛起 6 1.3.1 BAT在路上 6 1.3.2 星光闪耀 7 1.3.3 企业热是风向标 8 1.4 练习题 9 第2天 深度学习的过往 10 2.1 传统机器学习的局限性 10 2.2 从表示学习到深度学习 11 2.3 监督学习 12 2.4 反向传播算法 13 2.5 卷积神经网络 15 2.6 深度学习反思 17 2.7 练习题 18 2.8 参考资料 18 第3天 深度学习工具汇总 19 3.1 Caffe 19 3.2 Torch & OverFeat 20 3.3 MxNet 22 3.4 TensorFlow 22 3.5 Theano 24 3.6 CNTK 24 3.7 练习题 25 3.8 参考资料 26 第4天 准备Caffe环境 27 4.1 Mac OS环境准备 27 4.2 Ubuntu环境准备 28 4.3 RHEL/Fedora/CentOS环境准备 29 4.4 Windows环境准备 29 4.5 常见问题 32 4.6 练习题 32 4.7 参考资料 33 第5天 Caffe依赖包解析 34 5.1 ProtoBuffer 34 5.2 Boost 38 5.3 GFLAGS 38 5.4 GLOG 39 5.5 BLAS 40 5.6 HDF5 41 5.7 OpenCV 42 5.8 LMDB和LEVELDB 42 5.9 Snappy 43 5.10 小结 43 5.11 练习题 49 5.12 参考资料 49 第6天 运行手写体数字识别例程 50 6.1 MNIST数据集 50 6.1.1 下载MNIST数据集 50 6.1.2 MNIST数据格式描述 51 6.1.3 转换格式 53 6.2 LeNet-5模型 60 6.2.1 LeNet-5模型描述 60 6.2.2 训练超参数 65 6.2.3 训练日志 66 6.2.4 用训练好的模型对数据进行预测 76 6.2.5 Windows下训练模型 76 6.3 回顾 78 6.4 练习题 79 6.5 参考资料 79 篇尾语 80 中篇 热恋 第7天 Caffe代码梳理 82 7.1 Caffe目录结构 82 7.2 如何有效阅读Caffe源码 84 7.3 Caffe支持哪些深度学习特性 86 7.3.1 卷积层 86 7.3.2 全连接层 89 7.3.3 激活函数 91 7.4 小结 99 7.5 练习题 99 7.6 参考资料 100 第8天 Caffe数据结构 101 8.1 Blob 101 8.1.1 Blob基本用法 102 8.1.2 数据结构描述 108 8.1.3 Blob是怎样炼成的 109 8.2 Layer 125 8.2.1 数据结构描述 126 8.2.2 Layer是怎样建成的 127 8.3 Net 136 8.3.1 Net基本用法 136 8.3.2 数据结构描述 139 8.3.3 Net是怎样绘成的 139 8.4 机制和策略 146 8.5 练习题 147 8.6 参考资料 148 第9天 Caffe I/O模块 149 9.1 数据读取层 149 9.1.1 数据结构描述 149 9.1.2 数据读取层实现 150 9.2 数据变换器 155 9.2.1 数据结构描述 155 9.2.2 数据变换器的实现 156 9.3 练习题 171 第10天 Caffe模型 172 10.1 prototxt表示 173 10.2 内存中的表示 176 10.3 磁盘上的表示 176 10.4 Caffe Model Zoo 178 10.5 练习题 180 10.6 参考资料 180 第11天 Caffe前向传播计算 181 11.1 前向传播的特点 181 11.2 前向传播的实现 182 11.2.1 DAG构造过程 182 11.2.2 Net Forward实现 190 11.3 练习题 192 第12天 Caffe反向传播计算 193 12.1 反向传播的特点 193 12.2 损失函数 193 12.2.1 算法描述 194 12.2.2 参数描述 195 12.2.3 源码分析 195 12.3 反向传播的实现 203 12.4 练习题 205 第13天 Caffe最优化求解过程 207 13.1 求解器是什么 207 13.2 求解器是如何实现的 208 13.2.1 算法描述 208 13.2.2 数据结构描述 210 13.2.3 CNN训练过程 218 13.2.4 CNN预测过程 225 13.2.5 Solver的快照和恢复功能 227 13.3 练习题 230 第14天 Caffe实用工具 231 14.1 训练和预测 231 14.2 特征提取 241 14.3 转换图像格式 247 14.4 计算图像均值 254 14.5 自己编写工具 257 14.6 练习题 257 篇尾语 258 下篇 升华 第15天 Caffe计算加速 260 15.1 Caffe计时功能 260 15.2 Caffe GPU加速模式 262 15.2.1 GPU是什么 262 15.2.2 CUDA是什么 263 15.2.3 GPU、CUDA和深度学习 263 15.2.4 Caffe GPU环境准备 264 15.2.5 切换到Caffe GPU加速模式 268 15.3 Caffe cuDNN加速模式 269 15.3.1 获取cuDNN 270 15.3.2 切换到Caffe cuDNN加速模式 270 15.3.3 Caffe不同硬件配置性能 272 15.4 练习题 273 15.5 参考资料 273 第16天 Caffe可视化方法 275 16.1 数据可视化 275 16.1.1 MNIST数据可视化 275 16.1.2 CIFAR10数据可视化 277 16.1.3 ImageNet数据可视化 278 16.2 模型可视化 279 16.2.1 网络结构可视化 279 16.2.2 网络权值可视化 281 16.3 特征图可视化 288 16.4 学习曲线 295 16.5 小结 298 16.6 练习题 298 16.7 参考资料 299 第17天 Caffe迁移和部署 300 17.1 从开发测试到生产部署 300 17.2 使用Docker 302 17.2.1 Docker基本概念 302 17.2.2 Docker安装 303 17.2.3 Docker入门 305 17.2.4 Docker使用进阶 312 17.3 练习题 317 17.4 参考资料 317 第18天 关于ILSVRC不得不说的一些事儿 318 18.1 ImageNet数据集 318 18.2 ILSVRC比赛项目 319 18.2.1 图像分类(CLS) 320 18.2.2 目标定位(LOC) 320 18.2.3 目标检测(DET) 321 18.2.4 视频目标检测(VID) 322 18.2.5 场景分类 322 18.3 Caffe ILSVRC实践 323 18.4 练习题 326 18.5 参考资料 326 第19天 放之四海而皆准 327 19.1 图像分类 327 19.1.1 问题描述 327 19.1.2 应用案例--商品分类 330 19.2 图像中的字符识别 332 19.2.1 问题描述 332 19.2.2 应用案例--身份证实名认证 333 19.3 目标检测 337 19.3.1 问题描述 337 19.3.2 最佳实践--运行R-CNN例程 337 19.4 人脸识别 340 19.4.1 问题描述 340 19.4.2 最佳实践--使用Face++ SDK实现人脸检测 342 19.5 自然语言处理 343 19.5.1 问题描述 343 19.5.2 最佳实践--NLP-Caffe 344 19.6 艺术风格 350 19.6.1 问题描述 350 19.6.2 最佳实践--style-transfer 352 19.7 小结 354 19.8 练习题 354 19.9 参考资料 355 第20天 继往开来的领路人 356 20.1 Caffe Traps and Pitfalls 356 20.1.1 不支持任意数据类型 356 20.1.2 不够灵活的高级接口 357 20.1.3 繁杂的依赖包 357 20.1.4 堪忧的卷积层实现 357 20.1.5 架构之殇 358 20.1.6 应用场景局限性 358 20.2 最佳实践--Caffe2 359 20.3 练习题 361 20.4 参考资料 362 第21天 新生 363 21.1 三人行,必有我师 363 21.2 路漫漫其修远兮,吾将上下而求索 364 篇尾语 366 结束语 367 附录A 其他深度学习工具
上传时间:2018-02 大小:91.95MB
- 28.46MB
21天实战Caffe 高清扫描版
2018-08-1921天实战Caffe,扫描版的 不是高清的 21天实战Caffe,扫描版的 不是高清的
- 27.71MB
21天实战Caffe.rar
2019-05-1621天实战Caffe.rar
- 102.42MB
深度学习_21天实战Caffe+Caffe之经典模型详解与实战 (pdf文件 带书签)
2019-04-11深度学习_21天实战Caffe + Caffe之经典模型详解与实战 (pdf文件 带书签) [深度学习——Caffe] 经典书籍,可学习查阅
- 75.8MB
21天实战Caffe.pdf
2019-02-13深度学习,21天实战Caffe(赵永科).pdf,高清pdf
- 27.7MB
深度学习21天实战Caffe完整版
2018-01-20个人收集电子书,比较好的caffe入门教材,好资源一起分享学习,如有版权问题,请联系删除!
- 28.78MB
《21天实战Caffe - 赵永科》
2019-01-17《深度学习:21天实战Caffe》是一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例,由浅入深,从 Caffe 的配置、部署、使用开始学习,通过阅读 Caffe 源码理解其精髓,加强对深度学习理论的...
- 27.95MB
21天实战caffe.pdf
2017-10-21扫描版的《深度学习-21天实战caffe》,你值得拥有。全书通过讲解caffe的C++源码,剖析caffe框架。
- 27.95MB
21天实战Caffe[赵永科]pdf电子书
2018-09-14深度学习:21天实战Caffe 扫描版PDF,一本深度学习入门读物。以目前已经大量用于线上系统的深度学习框架Caffe为例,由浅入深,从 Caffe 的配置、部署、使用开始学习,通过阅读 Caffe 源码理解其精髓,加强对深度学习...
- 1.72MB
《深度学习:21天实战Caffe》读书笔记模板.pptx
2023-09-14《深度学习:21天实战Caffe》读书笔记模板.pptx
- 82.25MB
caffe配套的深度学习PDF教程
2014-11-23caffe配套的深度学习PDF教程,包括监督学习,非监督学习,识别,检测等。
- 1.35MB
Caffe官方教程中文版
2018-12-13Caffe官方教程的中文版,使用的时候可以参考一下。初学者不建议参考。
- 1.23MB
Caffe官方教程中文版(高清 非扫描).zip
2019-06-21Caffe官方教程中文版(高清 非扫描) 可以复制文字 深度学习caffe官方教程中文翻译版本,内容基本翻译准确,可以给准备入门或者刚入门学习caffe的朋友提供一个基础的框架概念和基本理论知识。
- 1.4MB
caffe2 入门教程(python完整版)
2017-07-18caffe2的python教程
- 1.31MB
caffe 官方教程 中文版
2016-11-23caffe官方教程中文翻译版
- 8.46MB
caffe-master:2022年1月20日下载
2022-01-20caffe-master:2022年1月20日下载
- 43.57MB
深度学习caffe各个版本
2010-09-01包含windwos-caffe源码、faster-rcnn 、ssd、lstm ,自己之前用过的深度学习源码全部打包一起上传。
- 8.31MB
caffe-windows(github原版本).zip
2020-05-11由于新版本不包含windows文件夹导致很多老教程失效,这个版本带 windows文件夹。需要的可以下载
- 8.37MB
caffe-master
2018-02-28caffe Linux代码,要先在Ubuntu下配置好Cuda、opencv、cudnn等编译工具。
- 2.47MB
caffe学习笔记1-7-完整版-薛开宇
2015-11-18caffe学习笔记1-7-完整版-薛开宇
- 45KB
caffe-opencv3-docker.zip
2019-06-26利用dockerfile构建 caffe opencv3 docker 容器。环境:ubuntu16.04/nvidia driver >= 384.81
- 499.55MB
Docker 快速安装caffe步骤
2017-12-211.打开 2.解压 3.将这个压缩包传到linux里面 (我的环境如下: 我在win7虚拟机里面装的linux,用xshell用具链接linux,xftp实现win7和linux文件的传输。 3 可以使用 docker import 从容器快照文件中再导入为镜像,例如 cat ubuntu_c affe.tar | sudo docker import - test/ubuntu_caffe:v1.0 docker images 4建一个 Docker 实例: docker run -i -t test/ubuntu_caffe:v1.0 /bin/bash 5 执行训练: cd ~ cd caffe ./examples/mnist/train_lenet.sh 比较慢,多等一会儿!!! PS:centos7安装docker(其他版本安装centos自行百度) CentOS 7 中 Docker 的安装 Docker 软件包已经包括在默认的 CentOS-Extras 软件源里。因此想要安装 docker,只需要运行下面的 yum 命令: 1.[root@localhost ~]# yum install docker 启动 Docker 服务 安装完成后,使用下面的命令来启动 docker 服务,并将其设置为开机启动: 1.[root@localhost ~]# service docker start 2.[root@localhost ~]# chkconfig docker on (LCTT 译注:此处采用了旧式的 sysv 语法,如采用CentOS 7中支持的新式 systemd 语法,如下: 1.[root@localhost ~]# systemctl start docker.service 2.[root@localhost ~]# systemctl enable docker.service )
- 64KB
基于docker的caffe环境搭建方法
2020-09-30主要介绍了基于docker的caffe环境搭建方法,小编觉得挺不错的,现在分享给大家,也给大家做个参考。一起跟随小编过来看看吧
- 28.62MB
深度学习21天实战Caffe_高清
2018-02-13深度学习21天实战Caffe_高清,可作为caffe学习参考,含caffe源码解析及使用
- 14.63MB
CNN卷积神经网络应用于人脸识别(带详细流程+代码实现)
2015-01-30《DeepLearning tutorial(5)CNN卷积神经网络应用于人脸识别(详细流程+代码实现)》这篇文章的代码,将CNN用于人脸识别,整个实现流程请见:http://blog.csdn.net/u012162613/article/details/43277187
- 14.4MB
CNN(matlab源程序)
2015-10-14手写数字识别matlab 程序,包含详细的讲解
- 38.55MB
代码阅读方法与实践-中文版
2017-05-12《代码阅读方法与实践-中文版》书籍分享
- 293.88MB
YOLOv8-deepsort 实现智能车辆目标检测+车辆跟踪+车辆计数
2023-10-06本资源纯属免费,不收任何钱和任何积分,纯粹为爱发电,本资源已经为大家整合好了的,看我的博客部署好直接用:https://blog.csdn.net/Little_Carter/article/details/133610076?spm=1001.2014.3001.5501 资源原本项目源码地址:https://github.com/MuhammadMoinFaisal/YOLOv8-DeepSORT-Object-Tracking 本资源提供了基于YOLOv8-deepsort算法的智能车辆目标检测、车辆跟踪和车辆计数的实现方案。首先,利用YOLOv8算法对视频中的车辆目标进行检测,并对检测到的目标进行标记。然后,通过deepsort算法对标记的车辆目标进行跟踪,实现车辆目标的持续跟踪。最后,根据跟踪结果对车辆数量进行统计,实现车辆计数功能。本资源提供了完整的代码实现和详细的使用说明,帮助读者快速掌握基于YOLOv8-deepsort的智能车辆目标检测、车辆跟踪和车辆计数技术。
- 367.44MB
yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt
2023-10-09yolov8(2023年8月版本),已经下好yolov8s.pt和yolov8n.pt,需要创建的文件夹都以创建,方便大家不用再去GitHub下载 可以搭配该博客:https://blog.csdn.net/weixin_43366149/article/details/132206526?spm=1001.2014.3001.5501
- 98KB
YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
2024-03-12YOLOv8网络结构图,自制visio文件,yolov8.vsds,需要的自取,在原有的基础上直接改就行了
- 123.13MB
Unet眼底血管图像分割数据集+代码+模型+系统界面+教学视频.zip
2024-02-17本资源配套对应的视频教程和图文教程,手把手教你使用Unet做眼底图像分割的训练、测试和界面封装,包含了Unet原理的解析、处理好的训练集和测试集、训练和测试的代码以及训练好的模型,并封装为了图形化界面,只需点击上传按钮上传图像即可完成眼底图像的预测。 随着生活水平的提高,眼科疾病以及心脑血管疾病的发病率呈现逐年增长的趋势。视网膜血管是这类疾病诊断和监测的重要信息来源,其形态和状况的变化可以反映出许多疾病的早期病理变化。然而,由于受眼底图像采集技术的限制以及视网膜血管自身结构的复杂性和多变性,使得视网膜血管的分割变得非常困难。传统方法依靠人工手动分割视网膜血管,不仅工作量巨大,极为耗时,而且受主观因素影响严重。通过眼底血管图像分割可以提高诊断准确性、效率以及推动科学研究和改进治疗方法等方面。 B站主页:https://space.bilibili.com/161240964 C站主页:https://blog.csdn.net/ECHOSON