MXNet深度學習實戰（簡體書）

深度學習領域開始受到越來越多的關注，各大深度學習框架也孕育而生，在這個階段，我被深度學習深深吸引並逐漸開始學習相關知識。研究生畢業後，我繼續從事算法相關的工作，具體而言是深度學習算法在圖像領域的應用，也就是常說的計算機視覺算法。MXNet和PyTorch這兩個框架我都非常喜歡，不過目前市面上關於MXNet框架的書籍較少，而且MXNet發展至今各種接口比較穩定，用戶體驗挺不錯的，所以最終決定以MXNet框架來寫這本深度學習實戰教程。MXNet是亞馬遜官方維護的深度學習框架，在靈活性和高效性方面都做得很棒，非常推薦讀者學習。本書的寫作難度比想像中要大許多，在寫作過程中許多零散的知識點需要想辦法串聯起來，讓不同知識儲備的人都能看懂，許多環境依賴需要從頭到尾跑一遍來確認清楚。寫書和寫博客(AI之路)最大的區別在於書籍在出版後修正比較麻煩，不像博客，隨時發現錯誤都可以修改，因此在寫作過程中對許多細節和措辭都推敲了很久，自己也從中學到了許多。

目 錄前言第1章 全面認識MXNet11.1 人工智能、機器學習與深度學習21.1.1 人工智能21.1.2 機器學習21.1.3 深度學習41.2 深度學習框架41.2.1 MXNet61.2.2 PyTorch61.2.3 Caffe/Caffe271.2.4 TensorFlow71.2.5 其他71.3 關於MXNet81.3.1 MXNet的發展歷程81.3.2 MXNet的優勢91.4 MXNet開發需要具備的知識101.4.1 接口語言111.4.2 NumPy111.4.3 神經網絡111.5 本章小結12第2章 搭建開發環境132.1 環境配置142.2 使用Docker安裝MXNet192.2.1 準備部分192.2.2 使用倉庫安裝Docker202.2.3 基於安裝包安裝Docker232.2.4 安裝nvidia-docker232.2.5 通過Docker使用MXNet252.3 本地pip安裝MXNet272.4 本章小結29第3章 MXNet基礎313.1 NDArray313.2 Symbol373.3 Module433.4 本章小結48第4章MNIST手寫數字體分類504.1 訓練代碼初探524.2 訓練代碼詳細解讀554.2.1 訓練參數配置564.2.2 數據讀取594.2.3 網絡結構搭建594.2.4 模型訓練614.3 測試代碼初探624.4 測試代碼詳細解讀644.4.1 模型導入644.4.2 數據讀取664.4.3 預測輸出674.5 本章小結68第5章 數據讀取及增強695.1 直接讀取原圖像數據705.1.1 優點及缺點705.1.2 使用方法715.2 基於RecordIO文件讀取數據755.2.1 什麼是RecordIO文件755.2.2 優點及缺點765.2.3 使用方法765.3 數據增強785.3.1 resize795.3.2 crop835.3.3 鏡像895.3.4 亮度905.3.5 對比度925.3.6 飽和度 945.4 本章小結95第6章 網絡結構搭建976.1 網絡層986.1.1 卷積層986.1.2 BN層1066.1.3 激活層1086.1.4 池化層1116.1.5 全連接層1146.1.6 損失函數層1166.1.7 通道合併層1196.1.8 逐點相加層1216.2 圖像分類網絡結構1226.2.1 AlexNet1236.2.2 VGG1246.2.3 GoogleNet1256.2.4 ResNet1286.2.5 ResNeXt1306.2.6 DenseNet1316.2.7 SENet1326.2.8 MobileNet1346.2.9 ShuffleNet1366.3 本章小結138第7章 模型訓練配置1407.1 問題定義1417.2 參數及訓練配置1427.2.1 參數初始化1427.2.2 優化函數設置1447.2.3 保存模型1457.2.4 訓練日誌的保存1467.2.5 選擇或定義評價指標1477.2.6 多GPU訓練1507.3 遷移學習1517.4 斷點訓練1537.5 本章小結154第8章 圖像分類1568.1 圖像分類基礎知識1578.1.1 評價指標1588.1.2 損失函數1608.2 貓狗分類實戰1608.2.1 數據準備1618.2.2 訓練參數及配置1658.2.3 數據讀取1688.2.4 網絡結構搭建1708.2.5 訓練模型1718.2.6 測試模型1768.3 本章小結179第9章 目標檢測1809.1 目標檢測基礎知識1829.1.1 數據集1849.1.2 SSD算法簡介1889.1.3 anchor1899.1.4 IoU1949.1.5 模型訓練目標1959.1.6 NMS1999.1.7 評價指標mAP2019.2 通用目標檢測2029.2.1 數據準備2039.2.2 訓練參數及配置2059.2.3 網絡結構搭建2089.2.4 數據讀取2159.2.5 定義訓練評價指標2189.2.6 訓練模型2209.2.7 測試模型2219.4 本章小結224第10章 圖像分割22510.1 圖像分割22610.1.1 數據集22710.1.2 評價指標22910.1.3 語義分割算法23010.2 語義分割實戰23110.2.1 數據準備23210.2.2 訓練參數及配置23310.2.3 數據讀取23710.2.4 網絡結構搭建24010.2.5 定義評價指標24510.2.6 訓練模型24910.2.7 測試模型效果25110.3 本章小結253第11章 Gluon25511.1 Gluon基礎25611.1.1 data模塊25611.1.2 nn模塊26011.1.3 model zoo模塊26511.2 CIFAR10數據集分類26711.2.1 基於CPU的訓練代碼26711.2.2 基於GPU的訓練代碼27211.2.3 測試代碼27511.3 本章小結276第12章 GluonCV27812.1 GluonCV基礎27912.1.1 data模塊28012.1.2 model zoo模塊28512.1.3 utils模塊29212.2 解讀ResNet複現代碼29312.2.1 導入模塊29612.2.2 命令行參數設置29612.2.3 日誌信息設置29712.2.4 訓練參數配置29812.2.5 模型導入30012.2.6 數據讀取30112.2.7 定義評價指標30312.2.8 模型訓練30312.3 本章小結308