123,123

內(nèi)容簡(jiǎn)介

　　本書以深度學(xué)習(xí)的常用技術(shù)與TensorFlow 2真實(shí)案例相結(jié)合的方式，深入淺出地介紹TensorFlow 2實(shí)現(xiàn)深度學(xué)習(xí)的重要內(nèi)容。全書共7章，分為基礎(chǔ)篇（第1～3章）和實(shí)戰(zhàn)篇（第4～7章），基礎(chǔ)篇內(nèi)容包括深度學(xué)習(xí)概述、TensorFlow 2快速入門、深度神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)等基礎(chǔ)知識(shí)；實(shí)戰(zhàn)篇內(nèi)容包括4個(gè)案例，分別為基于CNN的門牌號(hào)識(shí)別、基于LSTM網(wǎng)絡(luò)的語音識(shí)別、基于CycleGAN的圖像風(fēng)格轉(zhuǎn)換以及基于TipDM大數(shù)據(jù)挖掘建模平臺(tái)的語音識(shí)別。本書多章包含實(shí)訓(xùn)和課后習(xí)題，通過練習(xí)和操作實(shí)踐，讀者可以鞏固所學(xué)的內(nèi)容。本書可用于1+X證書制度試點(diǎn)工作中的大數(shù)據(jù)應(yīng)用開發(fā)（Python）職業(yè)技能等級(jí)（高級(jí)）證書的教學(xué)和培訓(xùn)，也可以作為高校數(shù)據(jù)科學(xué)或人工智能相關(guān)專業(yè)的教材，還可作為深度學(xué)習(xí)愛好者的自學(xué)用書。

作者簡(jiǎn)介

　　崔煒，男，副教授，廣東松山職業(yè)技術(shù)學(xué)院計(jì)算機(jī)與信息工程學(xué)院副院長(zhǎng)，從事計(jì)算機(jī)專業(yè)教學(xué) 18 年，在《International Journal of Digital Content Technology and its Applications》、《科技通報(bào)》、《計(jì)算機(jī)與現(xiàn)代化》等多種雜志和刊物上發(fā)表論文 20 多篇，其中 EI 論文 1 篇、中文核心論文 2 篇、科技核心論文 1 篇；主持參與各類課題項(xiàng)目 10 多項(xiàng)，參與編寫出版教材 6 部。獲得的教學(xué)表彰/獎(jiǎng)勵(lì)有：2017 年廣東省職業(yè)院校教師信息化教學(xué)大賽高等職業(yè)教育組信息化課堂教學(xué)比賽榮獲三等獎(jiǎng)；2008 年計(jì)算機(jī)教育軟件評(píng)審高等教育組多媒體課件三等級(jí)、寶鋼集團(tuán)廣東韶關(guān)鋼鐵有限公司科協(xié) 2012~2013 年度優(yōu)秀科技論文三等獎(jiǎng)、2014 年優(yōu)秀教師、2019 年優(yōu)秀黨員、2019 年廣東省職業(yè)院?！俺潜蔽⒄n大賽（高職組）中榮獲二等獎(jiǎng)、2020 年廣東省職業(yè)院?！俺潜?微課大賽（高職組）中榮獲三等獎(jiǎng)、2021 年廣東省職業(yè)院校“超星杯”微課大賽（高職組）中榮獲二等獎(jiǎng)。張良均資深大數(shù)據(jù)專家，廣東泰迪智能科技股份有限公司董事長(zhǎng)，國(guó)家科技部入庫技術(shù)專家，教育部全國(guó)專業(yè)學(xué)位水平評(píng)估專家，工信部教育與考試中心入庫專家，中國(guó)工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會(huì)理事，廣東省工業(yè)與應(yīng)用數(shù)學(xué)學(xué)會(huì)副理事長(zhǎng)，廣東省高等職業(yè)教育教學(xué)指導(dǎo)委員會(huì)委員，華南師范大學(xué)、中南財(cái)經(jīng)政法大學(xué)等40余所高校校外碩導(dǎo)或兼職教授，泰迪杯全國(guó)數(shù)據(jù)挖掘挑戰(zhàn)賽發(fā)起人。曾在國(guó)內(nèi)外重要學(xué)術(shù)刊物上發(fā)表學(xué)術(shù)論文10余篇，主導(dǎo)編寫圖書專著60余部，其中獲普通高等教育“十一五”規(guī)劃教材一部，“十三五”職業(yè)教育國(guó)家規(guī)劃教材一部；參與標(biāo)準(zhǔn)建設(shè)4項(xiàng)，主持***課題1項(xiàng)、省部級(jí)課題4項(xiàng)。獲得SAS、SPSS數(shù)據(jù)挖掘認(rèn)證及Hadoop開發(fā)工程師證書，具有信訪、電力、電信、銀行、制造企業(yè)、電子商務(wù)和電子政務(wù)的項(xiàng)目經(jīng)驗(yàn)和行業(yè)背景，并榮獲中國(guó)產(chǎn)學(xué)研合作促進(jìn)獎(jiǎng)、中國(guó)南方電網(wǎng)公司發(fā)明專利一等獎(jiǎng)、廣東省農(nóng)業(yè)技術(shù)推廣二等獎(jiǎng)、廣州市荔灣區(qū)科學(xué)技術(shù)進(jìn)步獎(jiǎng)。

圖書目錄

第 1章深度學(xué)習(xí)概述　1
1．1 深度學(xué)習(xí)簡(jiǎn)介　1
1．1．1 深度學(xué)習(xí)定義　1
1．1．2 深度學(xué)習(xí)常見應(yīng)用　2
1．2 深度學(xué)習(xí)應(yīng)用技術(shù)　8
1．2．1 深度學(xué)習(xí)與計(jì)算機(jī)視覺　8
1．2．2 深度學(xué)習(xí)與自然語言處理　9
1．2．3 深度學(xué)習(xí)與語音識(shí)別　10
1．2．4 深度學(xué)習(xí)與機(jī)器學(xué)習(xí)　11
1．2．5 深度學(xué)習(xí)與人工智能　12
1．3 TensorFlow簡(jiǎn)介　12
1．3．1 各深度學(xué)習(xí)框架對(duì)比　12
1．3．2 TensorFlow生態(tài)　14
1．3．3 TensorFlow特性　15
1．3．4 TensorFlow的改進(jìn)　16
小結(jié)　17
課后習(xí)題　17
第 2章 TensorFlow 2快速入門　18
2．1 TensorFlow 2環(huán)境搭建　18
2．1．1 搭建TensorFlow CPU環(huán)境　18
2．1．2 搭建TensorFlow GPU環(huán)境　20
2．2 訓(xùn)練一個(gè)線性模型　24
2．2．1 問題描述　24
2．2．2 TensorFlow 2基本數(shù)據(jù)類型形式　24
2．2．3 構(gòu)建網(wǎng)絡(luò)　26
2．2．4 訓(xùn)練網(wǎng)絡(luò)　27
2．2．5 性能評(píng)估　27
2．3 TensorFlow 2深度學(xué)習(xí)通用流程　28
2．3．1 數(shù)據(jù)加載　29
2．3．2 數(shù)據(jù)預(yù)處理　34
2．3．3 構(gòu)建深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)　39
2．3．4 編譯網(wǎng)絡(luò)　45
2．3．5 訓(xùn)練網(wǎng)絡(luò)　51
2．3．6 性能評(píng)估　53
2．3．7 模型保存與調(diào)用　61
小結(jié)　65
實(shí)訓(xùn) 構(gòu)建鳶尾花分類模型　65
課后習(xí)題　66
第3章深度神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)　67
3．1 卷積神經(jīng)網(wǎng)絡(luò)　67
3．1．1 卷積神經(jīng)網(wǎng)絡(luò)中的核心網(wǎng)絡(luò)層　68
3．1．2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類實(shí)例　82
3．1．3 常用卷積神經(jīng)網(wǎng)絡(luò)算法及其結(jié)構(gòu)　84
3．2 循環(huán)神經(jīng)網(wǎng)絡(luò)　88
3．2．1 循環(huán)神經(jīng)網(wǎng)絡(luò)中的常用網(wǎng)絡(luò)層　89
3．2．2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的文本分類實(shí)例　99
3．3 生成對(duì)抗網(wǎng)絡(luò)　103
3．3．1 常用生成對(duì)抗網(wǎng)絡(luò)算法及其結(jié)構(gòu)　103
3．3．2 基于生成對(duì)抗網(wǎng)絡(luò)的動(dòng)漫人臉生成實(shí)例　106
小結(jié)　112
實(shí)訓(xùn)　112
實(shí)訓(xùn)1 基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字圖像識(shí)別　112
實(shí)訓(xùn)2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的詩詞生成　113
實(shí)訓(xùn)3 基于生成對(duì)抗網(wǎng)絡(luò)的手寫數(shù)字圖像生成　113
課后習(xí)題　113
第4章基于CNN的門牌號(hào)識(shí)別　116
4．1 目標(biāo)分析　116
4．1．1 了解背景　116
4．1．2 數(shù)據(jù)說明　117
4．1．3 分析目標(biāo)　117
4．1．4 項(xiàng)目工程結(jié)構(gòu)　118
4．2 數(shù)據(jù)預(yù)處理　119
4．2．1 獲取目標(biāo)與背景數(shù)據(jù)　119
4．2．2 基于HOG特征提取與SVM分類器的目標(biāo)檢測(cè)　122
4．3 構(gòu)建網(wǎng)絡(luò)　127
4．3．1 讀取訓(xùn)練集與測(cè)試集　128
4．3．2 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)　128
4．3．3 訓(xùn)練并保存模型　129
4．4 模型評(píng)估　130
4．4．1 模型性能評(píng)估　130
4．4．2 識(shí)別門牌號(hào)　130
小結(jié)　133
實(shí)訓(xùn) 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)單數(shù)字識(shí)別　134
課后習(xí)題　134
第5章基于LSTM網(wǎng)絡(luò)的語音識(shí)別　135
5．1 目標(biāo)分析　135
5．1．1 了解背景　135
5．1．2 數(shù)據(jù)說明　136
5．1．3 分析目標(biāo)　136
5．1．4 項(xiàng)目工程結(jié)構(gòu)　136
5．2 數(shù)據(jù)預(yù)處理　137
5．2．1 劃分?jǐn)?shù)據(jù)集　137
5．2．2 提取MFCC特征　138
5．2．3 標(biāo)準(zhǔn)化數(shù)據(jù)　141
5．3 構(gòu)建網(wǎng)絡(luò)　142
5．3．1 設(shè)置網(wǎng)絡(luò)超參數(shù)　142
5．3．2 構(gòu)建網(wǎng)絡(luò)層　143
5．4 訓(xùn)練網(wǎng)絡(luò)　144
5．4．1 編譯網(wǎng)絡(luò)　144
5．4．2 訓(xùn)練以及保存模型　145
5．4．3 模型調(diào)參　145
5．5 模型評(píng)估　148
5．5．1 泛化測(cè)試　148
5．5．2 結(jié)果分析　149
小結(jié)　150
實(shí)訓(xùn) 基于LSTM網(wǎng)絡(luò)的聲紋識(shí)別　150
課后習(xí)題　151
第6章基于CycleGAN的圖像風(fēng)格轉(zhuǎn)換　152
6．1 目標(biāo)分析　152
6．1．1 了解背景　152
6．1．2 分析目標(biāo)　153
6．1．3 項(xiàng)目工程結(jié)構(gòu)　154
6．2 讀取數(shù)據(jù)　154
6．3 數(shù)據(jù)預(yù)處理　155
6．3．1 隨機(jī)抖動(dòng)　155
6．3．2 歸一化處理圖像　156
6．3．3 對(duì)所有圖像做批處理并打亂　157
6．3．4 建立迭代器　157
6．4 構(gòu)建網(wǎng)絡(luò)　158
6．5 訓(xùn)練網(wǎng)絡(luò)　158
6．5．1 定義損失函數(shù)　158
6．5．2 定義優(yōu)化器　159
6．5．3 定義圖像生成函數(shù)　159
6．5．4 定義訓(xùn)練函數(shù)　160
6．5．5 訓(xùn)練網(wǎng)絡(luò)　161
6．6 結(jié)果分析　162
小結(jié)　163
實(shí)訓(xùn) 基于CycleGAN實(shí)現(xiàn)蘋果與橙子的轉(zhuǎn)換　163
課后習(xí)題　163
第7章基于TipDM大數(shù)據(jù)挖掘建模平臺(tái)的語音識(shí)別　164
7．1 平臺(tái)簡(jiǎn)介　164
7．1．1 實(shí)訓(xùn)庫　165
7．1．2 數(shù)據(jù)連接　166
7．1．3 實(shí)訓(xùn)數(shù)據(jù)　166
7．1．4 我的實(shí)訓(xùn)　167
7．1．5 系統(tǒng)算法　168
7．1．6 個(gè)人算法　170
7．2 實(shí)現(xiàn)語音識(shí)別　170
7．2．1 配置數(shù)據(jù)源　171
7．2．2 數(shù)據(jù)預(yù)處理　173
7．2．3 訓(xùn)練網(wǎng)絡(luò)　176
7．2．4 模型評(píng)估　176
小結(jié)　178
實(shí)訓(xùn) 實(shí)現(xiàn)基于LSTM網(wǎng)絡(luò)的聲紋
識(shí)別　178
課后習(xí)題　178