MXNet - API
译-MXNet官方文档中文版教程(1)：教程（Tutorials）
[转]我的第一本书《MXNet深度学习实战》
整本书共12章，分为准备篇、基础篇、实战篇和扩展篇4大部分，前面10章都是基于MXNet高效的符号式编程进行介绍，最后2章介绍MXNet推出的命令式编程接口Gluon和用于计算机视觉的工具库GluonCV，具体内容如下：
准备篇
第1章介绍人工智能、机器学习、深度学习、深度学习框架之间的关系，帮助读者理清名词。此外还将介绍MXNet框架的基础知识、发展历程、优势特点、和其他深度学习框架的对比等。
第2章介绍MXNet的不同安装方式，涉及显卡驱动、cuda、cudnn等介绍，尤其介绍了Docker，一种常用的环境隔离工具，目前在工业界应用十分广泛。目前安装MXNet非常简单，例如CPU版本的安装只需要一行pip命令就可以完成。
基础篇
第3章介绍MXNet的几个基础组成：NDArray、Symbol和Module，分别对应基础数据结构、网络层、整体网络，是层层递进的关系，MXNet高效的静态图主要就是通过Symbol模块实现的。
第4章介绍基于MNIST手写书字体分类的训练和测试，是一个非常适合新手入门的算法例子，涉及常用的几个模块划分，比如数据读取、网络结构搭建、训练参数配置、模型导入等。
第5章介绍MXNet框架的数据读取和数据增强操作，涉及基于原图像和MXNet框架使用的RecordIO文件两种读取方式的对比；数据增强操作是模型训练过程中非常重要的步骤，因此将详细介绍常用数据增强操作，包括不同形式的resize、crop和镜像、色彩变化等，通过实际图像对比理解这些操作的含义。
第6章介绍常用网络层，比如卷积层、池化层、激活层、全连接层、损失函数层等，通过实际数据演示这些层的具体计算过程和维度变化过程。另外这一章简要介绍目前计算机视觉领域广泛使用的算法网络，比如VGG、ResNet、DenseNet等。
第7章介绍模型训练的配置，比如参数初始化、优化函数设置、训练日志保存、评价指标的定义与选择等，还将介绍迁移学习、断点训练的含义。
实战篇
第8章介绍图像分类算法，以kaggle比赛中的猫狗分类为例介绍如何在实际数据中应用图像分类算法，涉及常用评价指标介绍、训练调优、迁移学习、固定网络层参数等。
第9章介绍目标检测算法，以SSD算法为例，内容包括任务定义、网络结构的搭建、模型的训练及测试等细节。对数据集准备和评价指标、IOU、NMS等计算细节做详细介绍。
第10章介绍图像分割算法，以语义分割中的FCN算法为例介绍语义分割算法的定义、相关指标的介绍、如何训练模型、如何测试模型等过程，另外还会介绍自定义评价指标、自定义数据读取接口的实现。
扩展篇
第11章介绍MXNet框架的Gluon接口，包括Gluon接口中比较重要的data、nn、model zoo等模块，用户可以通过这些接口灵活构建网络结构，同时可以将基于动态图构建好的网络结构转换成静态图进行训练或测试，兼顾灵活和高效。
第12章介绍GluonCV库，这是MXNet推出的一个专门为计算机视觉任务服务的深度学习库，包含常用公开数据集的读取接口、常用算法的网络结构读取和预训练模型下载接口等，部分复现的算法结果都优于原论文算法的结果。这一章还会重点解读复现论文的代码细节，方便有需要的同学学习。目前MXNet官方也在强力推这个库，用起来体验真的很棒。