深度学习21天实战Caffe电子书PDF下载|百度网盘下载

编辑评论：

深度学习：21 天的 Caffe 实践 是深度学习的介绍。以在线系统中广泛使用的深度学习框架Caffe为例，从简单到深入，从Caffe的配置、部署、使用入手，通过阅读Caffe源码了解其本质，加强对深度学习理论的理解，最终达到熟练使用Caffe解决实际问题的目的

编辑推荐

本书内容来源于作者长期在阿里一线的学习研究及相关工作经验。

Caffe 是一种广泛使用的深度学习框架，非常适合练习和入门。

本书侧重于解决实际问题和理解深度学习理论。它有丰富的例子和练习。

不仅关注基本功，还紧跟行业，不仅有详细的工具和模型，还有对源代码的深入分析。

总结

相对于国外机器学习和深度学习大部头，本书注重动手实践，以通俗易懂的形式表达了难以启齿的枯燥理论，并通过代码揭开了它的神秘面纱。更接近实际应用。

本书非常适合：对人工智能和机器学习感兴趣的读者；想利用深度学习完成设计的计算机或电子信息类专业；教授准备提供机器学习和深度学习实践课程的教师；学过C+，想进一步提高编程能力的开发者：机器学习、语音、机器视觉、智能机器人研发或刚入坑的算法工程师。

深度学习反思

阅读历史使人变得聪明。纵观历史，我们可以找到前人的闪光点，引导后人避免误入歧途。

深度学习也有陷阱。深度学习看似无所不能，其实里面有很多参数调优的技巧。如果掌握得当，可以快速获得模型。否则，可能会吃力不讨好。

0 当模型参数远大于数据量时，相当于求解一个欠定方程，存在多重解的可能性很高，容易出现过拟合。

0 当模型参数远小于数据量时，相当于求解一个超定方程。可能没有解决方案，或者有解决方案但准确率很低。

这是一个欠拟合问题。

0 当模型参数与数据量匹配时，相当于求解精确方程，可以避免过拟合，兼顾精度。然而，如何匹配模型参数和数据量是一个工程问题。

所以，如果你选择使用模型来处理数据，你应该考虑这个因素，模型越大越难训练，因为它需要匹配数据量，一系列的方法来避免过度拟合训练以获得更理想的模型。幸运的是，我们可以在更大的数据集（如 ImageNet）上预训练大模型以获得模型，然后对特定的数据集（如人脸数据）进行微调，从而获得更好的结果。

Facebook、亚马逊和英伟达

facebook于2013年成立人工智能实验室，在Yann LeCun的带领下，Facebook与纽约大学数据科学中心在数据科学、机器学习和人工智能等领域展开合作。代表作是最著名的开源深度学习 Project Torch（http://torch.ch/）和 fbcunn（https://github.com/facebook/bcunn）。

亚马逊本身就是一个 laas 平台。看到机器学习的飞速发展，它也迅速在云端集成并推出了机器学习服务（http://aws.amazon.com/cn/machine-learning/），提供了Paas模式。 Amazon Machine Learning 提供可视化工具和向导，无需学习复杂的机器学习算法和技术。用户应用程序可以使用简单的 API 轻松使用预测功能，而无需实施自定义预测生成代码或管理任何基础设施。使用亚马逊内部使用的机器学习方法非常容易扩展。此外，使用 Amazon Machine Learning 无需事先对硬件或软件进行投资，只需按使用量付费

另外，不得不提一下NVIDIA。这家老牌显卡厂商未来也瞄准深度学习。在 GTC 2015 和 2016 年，先后发布了多款 GPU 加速器硬件（Titan X、Tesla P100）、加速库（cuDNN）

以及解决方案（DIGITS DevBox、DGX-1），这有助于深度学习的普及和更大模型的支持。