更新时间：2019-06-21 18:23:30
封面
版权信息
前言
第1章 全面认识MXNet
1.1 人工智能、机器学习与深度学习
1.1.1 人工智能
1.1.2 机器学习
1.1.3 深度学习
1.2 深度学习框架
1.2.1 MXNet
1.2.2 PyTorch
1.2.3 Caffe/Caffe2
1.2.4 TensorFlow
1.2.5 其他
1.3 关于MXNet
1.3.1 MXNet的发展历程
1.3.2 MXNet的优势
1.4 MXNet开发需要具备的知识
1.4.1 接口语言
1.4.2 NumPy
1.4.3 神经网络
1.5 本章小结
第2章 搭建开发环境
2.1 环境配置
2.2 使用Docker安装MXNet
2.2.1 准备部分
2.2.2 使用仓库安装Docker
2.2.3 基于安装包安装Docker
2.2.4 安装nvidia-docker
2.2.5 通过Docker使用MXNet
2.3 本地pip安装MXNet
2.4 本章小结
第3章 MXNet基础
3.1 NDArray
3.2 Symbol
3.3 Module
3.4 本章小结
第4章 MNIST手写数字体分类
4.1 训练代码初探
4.2 训练代码详细解读
4.2.1 训练参数配置
4.2.2 数据读取
4.2.3 网络结构搭建
4.2.4 模型训练
4.3 测试代码初探
4.4 测试代码详细解读
4.4.1 模型导入
4.4.2 数据读取
4.4.3 预测输出
4.5 本章小结
第5章 数据读取及增强
5.1 直接读取原图像数据
5.1.1 优点及缺点
5.1.2 使用方法
5.2 基于RecordIO文件读取数据
5.2.1 什么是RecordIO文件
5.2.2 优点及缺点
5.2.3 使用方法
5.3 数据增强
5.3.1 resize
5.3.2 crop
5.3.3 镜像
5.3.4 亮度
5.3.5 对比度
5.3.6 饱和度
5.4 本章小结
第6章 网络结构搭建
6.1 网络层
6.1.1 卷积层
6.1.2 BN层
6.1.3 激活层
6.1.4 池化层
6.1.5 全连接层
6.1.6 损失函数层
6.1.7 通道合并层
6.1.8 逐点相加层
6.2 图像分类网络结构
6.2.1 AlexNet
6.2.2 VGG
6.2.3 GoogleNet
6.2.4 ResNet
6.2.5 ResNeXt
6.2.6 DenseNet
6.2.7 SENet
6.2.8 MobileNet
6.2.9 ShuffleNet
6.3 本章小结
第7章 模型训练配置
7.1 问题定义
7.2 参数及训练配置
7.2.1 参数初始化
7.2.2 优化函数设置
7.2.3 保存模型
7.2.4 训练日志的保存
7.2.5 选择或定义评价指标
7.2.6 多GPU训练
7.3 迁移学习
7.4 断点训练
7.5 本章小结
第8章 图像分类
