深度學(xué)習(xí)在動(dòng)態(tài)媒體中的應(yīng)用與實(shí)踐

第 1章 深度學(xué)習(xí)簡(jiǎn)介 1
1．1 深度學(xué)習(xí)的發(fā)展 1
1．2 深度學(xué)習(xí)的應(yīng)用及研究方向 3
1．3 深度學(xué)習(xí)工具介紹和對(duì)比 4
1．3．1 Caffe 4
1．3．2 TensorFlow 5
1．3．3 Torch 6
1．4 小結(jié) 7
第 2章 深度學(xué)習(xí)基本理論 9
2．1 深度學(xué)習(xí)的基本概念 9
2．2 深度學(xué)習(xí)的訓(xùn)練過程 13
2．3 深度學(xué)習(xí)的常用模型和方法 14
2．4 小結(jié) 20
第3章 深度學(xué)習(xí)環(huán)境搭建 23
3．1 Caffe安裝 23
3．1．1 安裝Caffe的相關(guān)依賴項(xiàng) 24
3．1．2 安裝NVIDIA驅(qū)動(dòng) 24
3．1．3 安裝CUDA 27
3．1．4 配置cuDNN 30
3．1．5 源代碼編譯安裝OpenCV 32
3．1．6 編譯Caffe，并配置Python接口 34
3．2 Caffe框架下的MNIST數(shù)字識(shí)別問題 41
3．3 TensorFlow安裝 42
3．3．1 基于pip安裝 42
3．3．2 基于Anaconda安裝 46
3．3．3 基于源代碼安裝 51
3．3．4 常見安裝問題 56
3．4 TensorFlow框架下的CIFAR圖像識(shí)別問題 59
3．5 Torch安裝 61
3．5．1 無CUDA的Torch 7安裝 61
3．5．2 CUDA的Torch 7安裝 61
3．6 Torch框架下neural-style圖像合成問題 62
3．7 小結(jié) 74
第4章 人臉識(shí)別 75
4．1 人臉識(shí)別概述 75
4．2 人臉識(shí)別系統(tǒng)設(shè)計(jì) 76
4．2．1 需求分析 76
4．2．2 功能設(shè)計(jì) 77
4．2．3 模塊設(shè)計(jì) 78
4．3 系統(tǒng)生產(chǎn)環(huán)境部署及驗(yàn)證 81
4．3．1 抽幀環(huán)境部署 81
4．3．2 抽幀功能驗(yàn)證 82
4．3．3 OpenFace環(huán)境部署 82
4．3．4 OpenFace環(huán)境驗(yàn)證 84
4．4 批量生產(chǎn) 90
4．5 小結(jié) 102
第5章 車輛識(shí)別 103
5．1 概述 103
5．2 系統(tǒng)設(shè)計(jì) 104
5．2．1 需求分析 104
5．2．2 功能設(shè)計(jì) 104
5．2．3 模塊設(shè)計(jì) 105
5．3 系統(tǒng)生產(chǎn)環(huán)境部署及驗(yàn)證 106
5．3．1 生產(chǎn)環(huán)境部署 106
5．3．2 項(xiàng)目部署 107
5．3．3 環(huán)境驗(yàn)證 108
5．4 批量生產(chǎn) 109
5．5 小結(jié) 117
第6章 不良視頻識(shí)別 119
6．1 概述 119
6．2 不良圖片模型簡(jiǎn)介 120
6．3 系統(tǒng)設(shè)計(jì) 122
6．4 系統(tǒng)部署及系統(tǒng)測(cè)試驗(yàn)證 123
6．5 批量生產(chǎn) 125
6．5．1 批量節(jié)目元數(shù)據(jù)信息檢索與篩選 125
6．5．2 基于FFmpeg的SDK抽取視頻I幀 126
6．5．3 基于膚色比例檢測(cè)的快速篩查 128
6．5．4 基于Caffe框架的不良圖片檢測(cè) 128
6．6 小結(jié) 129
第7章 集群部署與運(yùn)營維護(hù) 131
7．1 認(rèn)識(shí)Docker 131
7．2 基于Docker的TensorFlow實(shí)驗(yàn)環(huán)境 134
7．3 運(yùn)營維護(hù) 137
7．4 小結(jié) 138
參考文獻(xiàn) 139