内容简介
本书分为四大部分：
第一部分为准备篇（第1～2章），简单介绍深度学习相关的基础背景知识、深度学习框架MXNet的发展过程和优缺点，同时介绍基础开发环境的构建和docker的使用，帮助读者构建必要的基础知识背景。
第二部分为基础篇（第3～7章），介绍MXNet的几个主要模块，介绍MXNet的数据读取、数据增强操作，同时介绍了常用网络层的含义及使用方法、常见网络结构的设计思想，以及介绍模型训练相关的参数配置。
第三部分为实战篇（第8～10章），以图像分类、目标检测和图像分割这三个常用领域为例介绍如何通过MXNet实现算法训练和模型测试，同时还将结合MXNet的接口详细介绍算法细节内容。
第四部分为扩展篇（第11～12章），主要介绍Gluon和GluonCV。Gluon接口是MXNet推出的用于动态构建网络结构的重要接口，GluonCV则是一个专门为计算机视觉任务服务的深度学习库。
目录
前言
第1章 全面认识MXNet1
1.1 人工智能、机器学习与深度学习2
1.1.1 人工智能2
1.1.2 机器学习2
1.1.3 深度学习4
1.2 深度学习框架4
1.2.1 MXNet6
1.2.2 PyTorch6
1.2.3 Caffe/Caffe27
1.2.4 TensorFlow7
1.2.5 其他7
1.3 关于MXNet8
1.3.1 MXNet的发展历程8
1.3.2 MXNet的优势9
1.4 MXNet开发需要具备的知识10
1.4.1 接口语言11
1.4.2 NumPy11
1.4.3 神经网络11
1.5 本章小结12
第2章 搭建开发环境13
2.1 环境配置14
2.2 使用Docker安装MXNet19
2.2.1 准备部分19
2.2.2 使用仓库安装Docker20
2.2.3 基于安装包安装Docker23
2.2.4 安装nvidia-docker23
2.2.5 通过Docker使用MXNet25
2.3 本地pip安装MXNet27
2.4 本章小结29
第3章 MXNet基础31
3.1 NDArray31
3.2 Symbol37
3.3 Module43
3.4 本章小结48
第4章 MNIST手写数字体分类50
4.1 训练代码初探52
4.2 训练代码详细解读55
4.2.1 训练参数配置56
4.2.2 数据读取59
4.2.3 网络结构搭建59
4.2.4 模型训练61
4.3 测试代码初探62
4.4 测试代码详细解
前言/序言
为什么要写这本书
深度学习领域开始受到越来越多的关注，各大深度学习框架也孕育而生，在这个阶段，我被深度学习深深吸引并逐渐开始学习相关知识。研究生毕业后，我继续从事算法相关的工作，具体而言是深度学习算法在图像领域的应用，也就是常说的计算机视觉算法。
MXNet和PyTorch这两个框架我都非常喜欢，不过目前市面上关于MXNet框架的书籍较少，而且MXNet发展至今各种接口比较稳定，用户体验挺不错的，所以最终决定以MXNet框架来写这本深度学习实战教程。MXNet是亚马逊官方维护的深度学习框架，在灵活性和高效性方面都做得很棒，非常推荐读者学习。
本书的写作难度比想象中要大许多，在写作过程中许多零散的知识点需要想办法串联起来，让不同知识储备的人都能看懂，许多环境依赖需要从头到尾跑一遍来确认清楚。写书和写博客（AI之路）最大的区别在于书籍在出版后修正比较麻烦，不像博客，随时发现错误都可以修改，因此在写作过程中对许多细节和措辞都推敲了很久，自己也从中学到了许多。
读者对象
随着深度学习的快速发展和相关学习资料的出版，深度学习入门门槛越来越低，竞争也越来越激烈，相关从业者不仅要有坚实的算法基础，更要具备一定的实战经验，相信本书能够帮助你更好地入门深度学习。
本书面向的读者为：
计算机视觉算法从业者或爱好者
准备入门深度学习的读者
使用MXNet框架进行算法实现的读者
本书特色
假如一本书只是单纯介绍算法内容，那其实和直接看论文没有太大区别；假如一本书只是单纯介绍框架接口，那其实和直接看接口文档没有太大区别。在笔者看来，算法是思想，框架是工具，用框架实现算法才能体现算法的价值，因此这本书将算法和框架结合起来，通过讲解算法和个人项目经验介绍如何使用MXNet框架实现算法，希望能够帮助读者领略算法之美。
本书是从一名算法工程师的角度出发介绍算法实现，整体上偏基础和细节，能够帮助入门者少走弯路。随着这几年深度学习的快速发展，众多深度学习框架对各类接口的封装都很完善，使用起来非常方便，但是部分深度学习入门者仅仅停留在跑通demo却不理解细节内容的层面，这也常常被人调侃有些浮躁，通过本书，笔者希
