전체 3권으로 이루어진 *C++과 CUDA C로 구현하는 딥러닝 신경망* 시리즈의 마지막 책이다. 딥러닝에서 가장 화두가 되고 있는 영상 속의 사물 인지 알고리즘을 깊게 파고들면서 실제로 CUDA 기반으로 구현까지 해볼 수 있도록 가이드해준다. Deep Convolution Neural Network를 크게 지역적으로 연결된 레이어와 풀링 레이어, 출력 레이어 등으로 구별해 살펴보고, 훈련 과정의 핵심인 그래디언트 역전파를 DCNN에 적용하는 방법을 살펴본다. 알고리즘을 레이어별로 활성화하는 과정과 그레디언트를 계산하는 과정으로 나누어 살펴본다. 단일 스레드 기반의 구현 방법부터 시작해서 마지막엔 멀티스레드 기반의 구현 방법으로 확장한다. 각 레이어별로 구현한 내용을 다시 GPGPU로 활용할 수 있도록 CUDA C로 구현한다. 마지막으로는 저자가 제공하는 CONVNET 프로그램의 매뉴얼을 소개하면서, 사용자가 구현 결과를 미리 확인하면서 쉽게 각 기능들의 실행 결과물이 어떠한지 확인해본다.

목차 1장. 소개 2장. 피드포워드 신경망 __다중 레이어 피드포워드 신경망 다시보기 __넒은 신경망 대 깊은 신경망 __지역적으로 연결된 레이어 ____행, 열, 슬라이스 ____합성곱 레이어 ____절반-너비와 패딩 ____스트라이딩과 유용한 계산 공식 __풀링 레이어 ____풀링 타입 __출력 레이어 ____SoftMax 출력 __그레디언트를 구하기 위한 오차의 역전파 3장. 알고리즘 프로그래밍 __모델 선언 ____가중치와 그레디언트의 처리 순서 __모델 생성자를 통한 초기화 __모든 활성화 탐색 __완전히 연결된 레이어의 활성화 계산 __지역적으로 연결된 레이어의 활성화 계산 __합성곱 레이어의 활성화 계산 __풀링 레이어 활성화 계산 __평가기준 값 계산 __그레디언트 계산 __완전히 연결된 레이어의 그레디언트 __지역적으로 연결된 레이어의 그레디언트 __합성곱 레이어의 그레디언트 __풀링 레이어의 그레디언트(존재하지 않는다!) __풀링 레이어를 제외한 델타 값 역전파 __풀링 레이어의 델타 역전파 __멀티 스레딩 기반 그레디언트 연산 ____알고리즘 프로그래밍 ____스레딩을 위한 메모리 할당 4장. CUDA 코드 __CUDA 구현에서의 가중치 레이아웃 __GPU 상의 전역 변수 __초기화 __디바이스에 가중치 복사 __출력층 활성화 계산 __지역적으로 연결된 레이어와 합성곱 레이어의 활성화 계산 ____공유된 메모리 활용을 통한 연산 속도 향상 ____GPU 코드 ____실행 코드 __풀링 레이어의 활성화 계산 __연산 절감 기법을 적용한 SoftMax와 로그 발생 가능 확률 __출력층의 델타 값 계산 __완전히 연결된 레이어로부터의 역전파 __합성곱 레이어와 지역적 레이어의 역전파 __풀링 레이어로부터의 역전파 __완전히 연결된 레이어의 그레디언트 __지역적으로 연결된 레이어와 합성곱 레이어의 그레디언트 ____합성곱 그레디언트 평편화 ____그레디언트 실행 코드 __그레디언트 값 가져오기 __모든 과정의 통합 5장. CONVNET 매뉴얼 __메뉴 옵션 ____File 메뉴 ____Test 메뉴 ____Display 메뉴 __제어 파일 읽어오기 ____이미지 데이터 생성과 읽어오기 ____시계열 데이터를 이미지로 변환하여 읽어오기 ____모델 아키텍처 ____파라미터 훈련 ____오퍼레이션 __이미지 출력 ____훈련 이미지 출력 ____필터 이미지 출력 ____활성화 이미지 출력 ____출력 예제 __CONVNET.LOG 파일 ____가중치 출력 __CUDA.LOG 파일