《MXNet深度學習實戰(zhàn)》讀書筆記思維導圖PPT模板下載

PPT書籍導讀最新版本讀書筆記模板《MXNet深度學習實戰(zhàn)》最新版讀書筆記，下載可以直接修改小結第章數(shù)據(jù)MXNet訓練算法模型基礎指標評價接口圖像模塊深度準備網(wǎng)絡結構信息目標參數(shù)本書關鍵字分析思維導圖01第1章全面認識MXNet第3章MXNet基礎第5章數(shù)據(jù)讀取及增強第2章搭建開發(fā)環(huán)境第4章MNIST手寫數(shù)字體分類第6章網(wǎng)絡結構搭建目錄030502040607第7章模型訓練配置第9章目標檢測第11章Gluon第8章圖像分類第10章圖像分割第12章GluonCV目錄0901108010012內(nèi)容摘要本書是從一名算法工程師的角度出發(fā)介紹算法實現(xiàn)，整體上偏基礎和細節(jié)，能夠幫助入門者少走彎路。隨著這幾年深度學習的快速發(fā)展，眾多深度學習框架對各類接口的封裝都很完善，使用起來非常方便，但是部分深度學習入門者僅僅停留在跑通demo卻不理解細節(jié)內(nèi)容的層面，這也常常被人調(diào)侃有些浮躁，通過本書，筆者希望讀者不僅能夠靈活調(diào)用這些接口實現(xiàn)算法，而且能夠理解這些接口的內(nèi)在含義，不斷夯實自己的算法基礎。第1章全面認識MXNet1.1人工智能、機器學習與深度學習1.2深度學習框架1.3關于MXNet1.4MXNet開發(fā)需要具備的知識1.5本章小結12345第1章全面認識MXNet1.1.1人工智能1.1.3深度學習1.1.2機器學習1.1人工智能、機器學習與深度學習1.2.1MXNet1.2.2PyTorch1.2.3Caffe/Caffe21.2.4TensorFlow1.2.5其他123451.2深度學習框架1.3.2MXNet的優(yōu)勢1.3.1MXNet的發(fā)展歷程1.3關于MXNet1.4.1接口語言1.4.3神經(jīng)網(wǎng)絡1.4.2NumPy1.4MXNet開發(fā)需要具備的知識第2章搭建開發(fā)環(huán)境2.1環(huán)境配置2.2使用Docker安裝MXNet2.3本地pip安裝MXNet2.4本章小結第2章搭建開發(fā)環(huán)境2.2.1準備部分2.2.2使用倉庫安裝Docker2.2.3基于安裝包安裝Docker2.2.4安裝nvidia-docke...2.2.5通過Docker使用MXNe...123452.2使用Docker安裝MXNet第3章MXNet基礎3.1NDArray3.2Symbol3.3Module3.4本章小結第3章MXNet基礎第4章MNIST手寫數(shù)字體分類4.1訓練代碼初探4.2訓練代碼詳細解讀4.3測試代碼初探4.4測試代碼詳細解讀4.5本章小結12345第4章MNIST手寫數(shù)字體分類4.2.1訓練參數(shù)配置4.2.2數(shù)據(jù)讀取4.2.3網(wǎng)絡結構搭建4.2.4模型訓練4.2訓練代碼詳細解讀4.4.1模型導入4.4.3預測輸出4.4.2數(shù)據(jù)讀取4.4測試代碼詳細解讀第5章數(shù)據(jù)讀取及增強5.1直接讀取原圖像數(shù)據(jù)5.2基于RecordIO文件讀取數(shù)據(jù)5.3數(shù)據(jù)增強5.4本章小結第5章數(shù)據(jù)讀取及增強5.1.2使用方法5.1.1優(yōu)點及缺點5.1直接讀取原圖像數(shù)據(jù)5.2.1什么是RecordIO文件5.2.3使用方法5.2.2優(yōu)點及缺點5.2基于RecordIO文件讀取數(shù)據(jù)5.3.1resize5.3.2crop5.3.3鏡像5.3.4亮度5.3.5對比度5.3.6飽和度0103020405065.3數(shù)據(jù)增強第6章網(wǎng)絡結構搭建6.1網(wǎng)絡層6.3本章小結6.2圖像分類網(wǎng)絡結構第6章網(wǎng)絡結構搭建6.1.1卷積層6.1.2BN層6.1.3激活層6.1.4池化層6.1網(wǎng)絡層6.1.5全連接層6.1.6損失函數(shù)層6.1.7通道合并層6.1.8逐點相加層6.1網(wǎng)絡層6.2.1AlexNet6.2.2VGG6.2.3GoogleNet6.2.4ResNet6.2.5ResNeXt6.2.6DenseNet0103020405066.2圖像分類網(wǎng)絡結構6.2.7SENet6.2.9ShuffleNet6.2.8MobileNet6.2圖像分類網(wǎng)絡結構第7章模型訓練配置7.1問題定義7.2參數(shù)及訓練配置7.3遷移學習7.4斷點訓練7.5本章小結12345第7章模型訓練配置7.2.1參數(shù)初始化7.2.2優(yōu)化函數(shù)設置7.2.3保存模型7.2.4訓練日志的保存7.2.5選擇或定義評價指標7.2.6多GPU訓練0103020405067.2參數(shù)及訓練配置第8章圖像分類8.1圖像分類基礎知識8.3本章小結8.2貓狗分類實戰(zhàn)第8章圖像分類8.1.2損失函數(shù)8.1.1評價指標8.1圖像分類基礎知識8.2.1數(shù)據(jù)準備8.2.2訓練參數(shù)及配置8.2.3數(shù)據(jù)讀取8.2.4網(wǎng)絡結構搭建8.2.5訓練模型8.2.6測試模型0103020405068.2貓狗分類實戰(zhàn)第9章目標檢測9.1目標檢測基礎知識9.4本章小結9.2通用目標檢測第9章目標檢測9.1.1數(shù)據(jù)集9.1.2SSD算法簡介9.1.3anchor9.1.4IoU9.1目標檢測基礎知識9.1.5模型訓練目標9.1.7評價指標mAP9.1.6NMS9.1目標檢測基礎知識9.2.1數(shù)據(jù)準備9.2.2訓練參數(shù)及配置9.2.3網(wǎng)絡結構搭建9.2.4數(shù)據(jù)讀取9.2通用目標檢測9.2.5定義訓練評價指標9.2.7測試模型9.2.6訓練模型9.2通用目標檢測第10章圖像分割10.1圖像分割10.3本章小結10.2語義分割實戰(zhàn)第10章圖像分割10.1.1數(shù)據(jù)集10.1.3語義分割算法10.1.2評價指標10.1圖像分割10.2.1數(shù)據(jù)準備10.2.2訓練參數(shù)及配置10.2.3數(shù)據(jù)讀取10.2.4網(wǎng)絡結構搭建10.2語義分割實戰(zhàn)10.2.5定義評價指標10.2.7測試模型效果10.2.6訓練模型10.2語義分割實戰(zhàn)第11章Gluon11.1Gluon基礎11.3本章小結11.2CIFAR10數(shù)據(jù)集分類第11章Gluon11.1.1data模塊11.1.3modelzoo模塊11.1.2nn模塊11.1Gluon基礎11.2.1基于CPU的訓練代碼11.2.3測試代碼11.2.2基于GPU的訓練代碼11.2CIFAR10數(shù)據(jù)集分類第12章GluonCV12.1GluonCV基礎12.3本章小結12.2解讀ResNet復現(xiàn)代碼第12章GluonCV12.1.1data模塊12.1.3utils模塊12.1.2modelzoo模塊12.1Glu