內容提要
《深度學習——Caffe之經典模型詳解與實戰》首先介紹了深度學習相關的理論和主流的深度學習框架，然後從Caffe深度學習框架為切入點，介紹了Caffe的安裝、配置、編譯和接口等運行環境，剖析Caffe網路模型的構成要素和常用的層類型和Solver方法。通過LeNet網路模型的Mnist手寫實例介紹其樣本訓練和識別過程，進一步詳細解讀了AlexNet、VGGNet、GoogLeNet、Siamese和SqueezeNet網路模型，並給出了這些模型基於Caffe的訓練實戰方法。然後，《深度學習——Caffe之經典模型詳解與實戰》解讀了利用深度學習進行目標定位的經典網路模型：FCN、R-CNN、Fast-RCNN、Faster-RCNN和SSD，並進行目標定位Caffe實戰。《深度學習——Caffe之經典模型詳解與實戰》的最後，從著名的Kaggle網站引入了兩個經典的實戰項目，並進行了有針對性的原始數據分析、網路模型設計和Caffe訓練策略實踐，以求帶給讀者從問題提出到利用Caffe求解的完整工程經歷，從而使讀者能儘快掌握Caffe框架的使用技巧和實戰經驗。
針對Caffe和深度學習領域的初學者，《深度學習——Caffe之經典模型詳解與實戰》是一本不可多得的參考資料。《深度學習——Caffe之經典模型詳解與實戰》的內容既有易懂的理論背景，又有豐富的套用實踐，是深度學習初學者的指導手冊，也可作為深度學習相關領域工程師和愛好者的參考用書。
目錄
第1章 緒論1
1.1 引言1
1.2 人工智慧的發展歷程2
1.3 機器學習及相關技術4
1.3.1 學習形式分類4
1.3.2 學習方法分類5
1.3.3 機器學習的相關技術7
1.4 國內外研究現狀8
1.4.1 國外研究現狀8
1.4.2 國內研究現狀9
第2章 深度學習11
2.1 神經網路模型11
2.1.1 人腦視覺機理11
2.1.2 生物神經元13
2.1.3 人工神經網路15
2.2 BP神經網路18
2.2.1 BP神經元18
2.2.2 BP神經網路構成19
2.2.3 正向傳播21
2.2.4 反向傳播21
2.3 卷積神經網路24
2.3.1 卷積神經網路的歷史25
2.3.2 卷積神經網路的網路結構26
2.3.3 局部感知27
2.3.4 參數共享28
2.3.5 多卷積核28
2.3.6 池化（Pooling）29
2.4 深度學習框架30
2.4.1 Caffe 30
2.4.2 Torch 31
2.4.3 Keras 32
2.4.4 MXNet 32
2.4.5 TensorFlow 33
2.4.6 CNTK 33
2.4.7 Theano 34
第3章 Caffe簡介及其安裝配置36
3.1 Caffe是什麼36
3.1.1 Caffe的特點38
3.1.2 Caffe的架構38
3.2 Caffe的安裝環境39
3.2.1 Caffe的硬體環境39
3.2.2 Caffe的軟體環境43
3.2.3 Caffe的依賴庫44
3.2.4 Caffe開發環境的安裝46
3.3 Caffe接口52
3.3.1 Caffe Python接口52
3.3.2 Caffe MATLAB接口55
3.3.3 Caffe命令行接口56
第4章 Caffe網路定義58
4.1 Caffe模型要素58
4.1.1 網路模型58
4.1.2 參數配置62
4.2 Google Protobuf結構化數據63
4.3 Caffe資料庫65
4.3.1 LevelDB 65
4.3.2 LMDB 66
4.3.3 HDF5 66
4.4 Caffe Net 66
4.5 Caffe Blob 68
4.6 Caffe Layer 70
4.6.1 Data Layers 71
4.6.2 Convolution Layers 75
4.6.3 Pooling Layers 76
4.6.4 InnerProduct Layers 77
4.6.5 ReLU Layers 78
4.6.6 Sigmoid Layers 79
4.6.7 LRN Layers 79
4.6.8 Dropout Layers 80
4.6.9 SoftmaxWithLoss Layers 80
4.6.10 Softmax Layers 81
4.6.11 Accuracy Layers 81
4.7 Caffe Solver 82
Solver方法83
第5章 LeNet模型88
5.1 LeNet模型簡介88
5.2 LeNet模型解讀89
5.3 Caffe環境LeNet模型91
5.3.1 mnist實例詳解91
5.3.2 mnist手寫測試103
5.3.3 mnist樣本字型檔的圖片轉換106
第6章 AlexNet模型107
6.1 AlexNet模型介紹107
6.2 AlexNet模型解讀108
6.3 AlexNet模型特點111
6.4 Caffe環境AlexNet模型訓練112
6.4.1 數據準備112
6.4.2 其他支持檔案113
6.4.3 圖片預處理113
6.4.4 ImageNet數據集介紹113
6.4.5 ImageNet圖片介紹115
6.4.6 ImageNet模型訓練115
6.4.7 Caffe的AlexNet模型與論文的不同124
6.4.8 ImageNet模型測試124
第7章 GoogLeNet模型126
7.1 GoogLeNet模型簡介126
7.1.1 背景和動機127
7.1.2 Inception結構127
7.2 GoogLeNet模型解讀129
7.2.1 GoogLeNet模型結構129
7.2.2 GoogLeNet模型特點134
7.3 GoogLeNet模型的Caffe實現135
第8章 VGGNet模型146
8.1 VGGNet網路模型146
8.1.1 VGGNet模型介紹146
8.1.2 VGGNet模型特點147
8.1.3 VGGNet模型解讀147
8.2 VGGNet網路訓練149
8.2.1 VGGNet訓練參數設定149
8.2.2 Multi-Scale訓練149
8.2.3 測試150
8.2.4 部署150
8.3 VGGNet模型分類實驗150
8.3.1 Single-scale對比150
8.3.2 Multi-scale對比151
8.3.3 模型融合152
8.4 VGGNet網路結構153
第9章 Siamese模型158
9.1 Siamese網路模型159
9.1.1 Siamese模型原理159
9.1.2 Siamese模型實現160
9.2 Siamese網路訓練165
9.2.1 數據準備165
9.2.2 生成side 165
9.2.3 對比損失函式166
9.2.4 定義solver 166
9.2.5 網路訓練166
第10章 SqueezeNet模型168
10.1 SqueezeNet網路模型168
10.1.1 SqueezeNet模型原理168
10.1.2 Fire Module 169
10.1.3 SqueezeNet模型結構170
10.1.4 SqueezeNet模型特點171
10.2 SqueezeNet網路實現172
第11章 FCN模型177
11.1 FCN模型簡介177
11.2 FCN的特點和使用場景178
11.3 Caffe FCN解讀179
11.3.1 FCN模型訓練準備180
11.3.1 FCN模型訓練183
第12章 R-CNN模型196
12.1 R-CNN模型簡介196
12.2 R-CNN的特點和使用場景197
12.3 Caffe R-CNN解讀198
12.3.1 R-CNN模型訓練準備198
12.3.2R-CNN模型訓練201
第13章 Fast-RCNN模型217
13.1 Fast-RCNN模型簡介217
13.2 Fast-RCNN的特點和使用場景218
13.3 Caffe Fast-RCNN解讀220
13.3.1 Fast-RCNN模型訓練準備220
13.3.2Fast-RCNN模型訓練222
第14章 Faster-RCNN模型239
14.1 Faster-RCNN模型簡介239
14.2 Faster-RCNN的特點和使用場景241
14.3 Caffe Faster-RCNN解讀242
14.3.1 Faster-RCNN模型訓練準備242
14.3.2 Faster-RCNN模型訓練244
第15章 SSD模型264
15.1 SSD模型簡介264
15.2 SSD的特點和使用場景266
15.3 Caffe SSD解讀267
15.3.1 SSD模型訓練準備267
15.3.2 SSD模型訓練268
第16章 Kaggle項目實踐：人臉特徵檢測290
16.1 項目簡介290
16.2 賽題和數據291
16.3 Caffe訓練和測試資料庫293
16.3.1 資料庫生成293
16.3.2 網路對比295
16.3.3 網路一296
16.3.4 網路二300
16.3.5 Python人臉特徵預測程式306
第17章 Kaggle項目實踐：貓狗分類檢測311
17.1 項目簡介311
17.2 賽題和數據312
17.3 Caffe訓練和測試資料庫312
17.3.1 資料庫生成312
17.3.2 Caffe實現316
17.3.3 CatdogNet訓練328
17.3.4 CatdogNet模型驗證332
