资料下载：深度学习21天实战Caffe.pdf

深度学习21天实战Caffe.pdf

http://www.100md.com 2020年12月1日

第1页

第4页

第20页

第30页

第45页

参见附件(44668KB，395页)。

《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

    编辑推荐

    本书内容来自作者长期学习研究及在阿里一线相关工作经历。

    Caffe是应用广的深度学习框架，非常适于用来练手和入门。

    本书侧重解决实际问题及理解深度学习理论，实例、习题丰富。

    既狠抓基功又紧扣产业，既详述工具、模型又深入分析源码。

    内容提要

    本书和国外机器学习、深度学习大部头著作相比，本书偏重动手实践，将难以提摸的枯燥理论用浅显易懂的形式表达出来，透过代码揭开其神秘面纱，更多地贴近实阿应用。

    本书非常适合：对人工智能、机器学习感兴趣的读者；希望用深度学习完成设计的计算机或电子信息专业学生：准备开设机器学习、深度学习实践课的授课老师；学习过C+，希望进一步提升编程水平的开发者：刚入坑的机器学习、语音、机器视觉、智能机器人研发或算法工程师。

    深度学习反思

    读史使人明智，通过历史可以找到前人的闪光点，指导后人少踩坑。

    深度学习也有坑。深度学习看似万能，实则有很多调参技巧在里面，掌握得当可以快速获得模型，否则可能费力不讨好。

    0模型参数远大于数据量时，相当于求解一个欠定方程，存在多解的可能性大，容易产生过拟合问题。

    0模型参数远小于数据量时，相当于求解超定方程，可能无解，或者有解但准确率很低.

    这属于欠拟合问题。

    0模型参数与数据量匹配时，相当于求解恰定方程，既能避免过拟合，又能兼顾准确率，但模型参数量和数据量怎样才能做到匹配，是一个工程问题。

    所以，如果你选择用某个模型处理数据，那么应该考虑这个因素，越大的模型越难训练，因为需要与之匹配的数据量、一系列避免过拟合的方法才能训练得到一个较为理想的模型。幸运的是，我们可以将大模型首先在较大的数据集(如ImageNet)上预训练，得到模型，再对特定数据集(如人脸数据)进行精调(fine-tuning)，，即可得到较为理想的结果。

    Facebook、亚马逊与NVIDIA

    facebook于2013年成立了人工智能实验室，在Yann LeCun的带领下Facebook同纽约大学数据科学中心在数据科学、机器学习、人工智能领域展开合作，代表性工作有最著名的开源深度学习项目Torch(http:/torch.ch/)和fbcunn(https://github.com/facebook/bcunn)。

    Amazon本身是做laas平台的，看到机器学习如火如荼的发展，也迅速融入并推出了云上的机器学习服务(http://aws.amazon.com/cn/machine-learning/)，提供一种Paas模式。Amazon Machine Learning提供可视化的工具和向导，无须学习复杂的机器学习算法和技术。使用简单的API即可让用户应用程序轻松获得预测能力，而无须实现自定义预测生成码或管理任何基础设施。采用Amazon内部使用的机器学习方法，非常容易扩展。而且，使用Amazon Machine Learning不需要对硬件或软件事先投入资金，只需按使用量付费

    另外，不得不提NVIDIA，这家老牌显卡制造商也将未来方向瞄准了深度学习，于GTC 20152016连续发布多款面向深度学习的GPU加速器硬件(Titan X、Tesla P100)、加速库(cuDNN)

    和解决方案(DIGITS DevBox，DGX-1)，为深度学习的普及和更大模型的支持起到推波助澜的作用。

    深度学习21天实战Caffe截图

附件资料：

深度学习21天实战Caffe.pdf（44667KB）

本页网址：

http://www.100md.com/html/file/202012/016202.htm