第1章 绪论

1.1 引言

1.2 人工智能的发展历程

1.3 机器学习及相关技术

1.3.1 学习形式分类

1.3.2 学习方法分类

1.3.3 机器学习的相关技术

1.4 国内外研究现状

1.4.1 国外研究现状

1.4.2 国内研究现状

第2章 深度学习

2.1 神经网络模型

2.1.1 人脑视觉机理

2.1.2 生物神经元

2.1.3 人工神经网络

2.2 BP神经网络

2.2.1 BP神经元

2.2.2 BP神经网络构成

2.2.3 正向传播

2.2.4 反向传播

2.3 卷积神经网络

2.3.1 卷积神经网络的历史

2.3.2 卷积神经网络的网络结构

2.3.3 局部感知

2.3.4 参数共享

2.3.5 多卷积核

2.3.6 池化（Pooling）

2.4 深度学习框架

2.4.1 Caffe

2.4.2 Torch

2.4.3 Keras

2.4.4 MXNet

2.4.5 TensorFlow

2.4.6 CNTK

2.4.7 Theano

第3章 Caffe简介及其安装配置

3.1 Caffe是什么

3.1.1 Caffe的特点

3.1.2 Caffe的架构

3.2 Caffe的安装环境

3.2.1 Caffe的硬件环境

3.2.2 Caffe的软件环境

3.2.3 Caffe的依赖库

3.2.4 Caffe开发环境的安装

3.3 Caffe接口

3.3.1 Caffe Python接口

3.3.2 CaffeMATLAB接口

3.3.3 Caffe命令行接口

第4章 Caffe网络定义

4.1 Caffe模型要素

4.1.1 网络模型

4.1.2 参数配置

4.2 Google Protobuf结构化数据

4.3 Caffe数据库

4.3.1 LeveDB

4.3.2 LMDB

4.3.3 HDF5

4.4 Caffe Net

4.5 Caffe Blob

4.6 Caffe Layer

4.6.1 Data Layers

4.6.2 Convolution Layers

4.6.3 Pooling Layers

4.6.4 InnerProduct Layers

4.6.5 ReLU Layers

4.6.6 Sigmoid Layers

4.6.7 LRN Layers

4.6.8 Dropout Layers

4.6.9 SoftmaxWithLoss Layers

4.6.10 Softmax Layers

4.6.11 Accuracy Layers

4.7 Caffe Solver

Solver方法

第5章 LeNet模型

5.1 LeNet模型简介

5.2 LeNet模型解读

5.3 Caffe环境LeNet模型

5.3.1 mnist实例详解

5.3.2 mnist手写测试

5.3.3 mnist样本字库的图片转换

第6章 AlexNet模型

6.1 AlexNet模型介绍

6.2 AlexNet模型解读

6.3 AlexNet模型特点

6.4 Caffe环境AlexNet模型训练

6.4.1 数据准备

6.4.2 其他支持文件

6.4.3 图片预处理

6.4.4 ImageNet数据集介绍

6.4.5 ImageNet图片介绍

6.4.6 ImageNet模型训练

6.4.7 Caffe的AlexNet模型与论文的不同

6.4.8 ImageNet模型测试

第7章 GoogLeNet模型

7.1 GoogLeNet模型简介

7.1.1 背景和动机

7.1.2 Inception结构

7.2 GoogLeNet模型解读

7.2.1 GoogLeNet模型结构

7.2.2 GoogLeNet模型特点

7.3 GoogLeNet模型的Caffe实现

第8章 VGGNet模型

8.1 VGGNet网络模型

8.1.1 VGGNet模型介绍

8.1.2 VGGNet模型特点

8.1.3 VGGNet模型解读

8.2 VGGNet网络训练

8.2.1 VGGNet训练参数设置

8.2.2 Multi-Scale训练

8.2.3 测试

8.2.4 部署

8.3 VGGNet模型分类实验

8.3.1 Single-scale对比

8.3.2 Multi-scale对比

8.3.3 模型融合

8.4 VGGNet网络结构

第9章 Siamese模型

9.1 Siamese网络模型

9.1.1 Siamese模型原理

9.1.2 Siamese模型实现

9.2 Siamese网络训练

9.2.1 数据准备

9.2.2 生成side

9.2.3 对比损失函数

9.2.4 定义solver

9.2.5 网络训练

第10章 SqueezeNet模型

10.1 SqueezeNet网络模型

10.1.1 SqueezeNet模型原理

10.1.2 Fire Module

10.1.3 SqueezeNet模型结构

10.1.4 SqueezeNet模型特点

10.2 SqueezeNet网络实现

第11章 FCN模型

11.1 FCN模型简介

11.2 FCN的特点和使用场景

11.3 Caffe FCN解读

11.3.1 FCN模型训练准备

11.3.1 FCN模型训练

第12章 R-CNN模型

12.1 R-CNN模型简介

12.2 R-CNN的特点和使用场景

12.3 Caffe R-CNN解读

12.3.1 R-CNN模型训练准备

12.3.2 R-CNN模型训练

第13章 Fast-RCNN模型

13.1 Fast-RCNN模型简介

13.2 Fast-RCNN的特点和使用场景

13.3 Caffe Fast-RCNN解读

13.3.1 Fast-RCNN模型训练准备

13.3.2 Fast-RCNN模型训练

第14章 Faster-RCNN模型

14.1 Faster-RCNN模型简介

14.2 Faster-RCNN的特点和使用场景

14.3 Caffe Faster-RCNN解读

14.3.1 Faster-RCNN模型训练准备

14.3.2 Faster-RCNN模型训练

第15章 SSD模型

15.1 SSD模型简介

15.2 SSD的特点和使用场景

15.3 Caffe SSD解读

15.3.1 SSD模型训练准备

15.3.2 SSD模型训练

第16章 Kaggle项目实践：人脸特征检测

16.1 项目简介

16.2 赛题和数据

16.3 Caffe训练和测试数据库

16.3.1 数据库生成

16.3.2 网络对比

16.3.3 网络一

16.3.4 网络二

16.3.5 Python人脸特征预测程序

第17章 Kaggle项目实践：猫狗分类检测

17.1 项目简介

17.2 赛题和数据

17.3 Caffe训练和测试数据库

17.3.1 数据库生成

17.3.2 Caffe实现

17.3.3 CatdogNet训练

17.3.4 CatdogNet模型验证