123,123

內(nèi)容簡(jiǎn)介

　　深度學(xué)習(xí)（DL，Deep Learning）是機(jī)器學(xué)習(xí)（ML，Machine Learning）領(lǐng)域中一個(gè)新的研究方向，通過(guò)學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，實(shí)現(xiàn)機(jī)器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識(shí)別文字、圖像和聲音等數(shù)據(jù)。在開始深度學(xué)習(xí)項(xiàng)目之前，選擇一個(gè)合適的框架能起到事半功倍的作用。****為流行的深度學(xué)習(xí)框架有TensorFlow、Caffe、PaddlePaddle和PyTorch。TensorFlow 是 Google 于 2015 年發(fā)布的深度學(xué)習(xí)框架，2019年，Google 推出 TensorFlow 2.0正式版本，以動(dòng)態(tài)圖優(yōu)先模式運(yùn)行，使得用戶既能輕松上手 TensorFlow 框架，又能無(wú)縫部署網(wǎng)絡(luò)模型至工業(yè)系統(tǒng)。本書針對(duì)高職學(xué)生的特點(diǎn)（有基本的編程能力，對(duì)開發(fā)人工智能應(yīng)用感興趣，學(xué)過(guò)一些高等數(shù)學(xué)基本知識(shí)，但談不上有深厚的數(shù)學(xué)功底和人工智能理論基礎(chǔ)），全面、系統(tǒng)地介紹基于TensorFlow深度學(xué)習(xí)框架的人工智能應(yīng)用開發(fā)技術(shù)、方法和應(yīng)用實(shí)踐，分析了神經(jīng)網(wǎng)絡(luò)原理并實(shí)踐，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）這些常用的深度學(xué)習(xí)模型進(jìn)行了演練，在此基礎(chǔ)上展開基于深度學(xué)習(xí)的目標(biāo)檢測(cè)、圖像分割、人臉識(shí)別等熱門應(yīng)用，為讀者提供了從理論學(xué)習(xí)到工程實(shí)踐的視圖。全書按照“項(xiàng)目導(dǎo)向、任務(wù)驅(qū)動(dòng)”的教學(xué)方法，以8個(gè)真實(shí)項(xiàng)目貫穿，分別是認(rèn)識(shí)人工智能、搭建線性回歸模型、搭建汽車油耗預(yù)測(cè)模型、搭建手寫數(shù)字識(shí)別模型、搭建卷積神經(jīng)網(wǎng)絡(luò)模型、搭建貓狗識(shí)別網(wǎng)絡(luò)模型、可視化方法應(yīng)用和經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，進(jìn)行深度學(xué)習(xí)模型的選擇、構(gòu)建和應(yīng)用，讓學(xué)習(xí)者能快速具備人工智能問(wèn)題求解的基本思想和初步的人工智能應(yīng)用軟件開發(fā)能力。本書講解通俗易懂，配套資源豐富。每個(gè)項(xiàng)目知識(shí)點(diǎn)配有PPT、一個(gè)或多個(gè)視頻講解、實(shí)踐練習(xí)和模型實(shí)現(xiàn)代碼。全書配有的視頻總時(shí)長(zhǎng)達(dá)400多分鐘。本書適合計(jì)算機(jī)、軟件工程、人工智能等本、?？茖I(yè)學(xué)生使用，也適合作為對(duì)深度學(xué)習(xí)感興趣的研究生、工程師和研究人員的學(xué)習(xí)資料。

作者簡(jiǎn)介

　　陳曉龍，近5年來(lái)，在5G新技術(shù)領(lǐng)域基于能量采集的移動(dòng)邊緣計(jì)算優(yōu)化方面開展研究，主持浙江省自然科學(xué)基金項(xiàng)目《基于能量采集的D2D無(wú)線數(shù)據(jù)緩存容量理論和優(yōu)化策略研究》（LY18F010018）、參與浙江省公益技術(shù)研究計(jì)劃《基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的產(chǎn)品表面缺陷檢測(cè)關(guān)鍵技術(shù)研究》（LGG18F020017）和廣東省科技計(jì)劃項(xiàng)目《基于軟件定義網(wǎng)絡(luò)的高速網(wǎng)絡(luò)傳輸控制關(guān)鍵技術(shù)研究》（2014A010103031047）。近5年在Information Sciences（中科院2區(qū)TOP期刊）、IEEE ACCESS（中科院2區(qū)）等SCI收錄期刊發(fā)表論文4篇，EI期刊收錄5篇，獲軟件著作版權(quán)4項(xiàng)，申報(bào)發(fā)明專利3項(xiàng)。

圖書目錄

項(xiàng)目1 認(rèn)識(shí)人工智能
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)1．1 了解人工智能發(fā)展與應(yīng)用
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
1．1．1 人工智能發(fā)展過(guò)程
1．1．2 深度學(xué)習(xí)應(yīng)用領(lǐng)域
任務(wù)1．2 認(rèn)識(shí)深度學(xué)習(xí)框架
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
1．2．1 深度學(xué)習(xí)框架發(fā)展歷程
1．2．2 TensorFlow
1．2．3 Caffe
1．2．4 PyTorch
1．2．5 不同框架的對(duì)比
任務(wù)1．3 搭建深度學(xué)習(xí)開發(fā)環(huán)境
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
1．3．1 Anaconda安裝
1．3．2 PyCharm安裝
1．3．3 PyCharm加載Anaconda虛擬環(huán)境
項(xiàng)目考核
項(xiàng)目2 搭建線性回歸模型
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)2．1 認(rèn)識(shí)TensorFlow基本概念
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
2．1．1 TensorFlow基本概念
2．1．2 TensorFlow 2．0架構(gòu)簡(jiǎn)介
任務(wù)2．2 掌握TensorFlow基礎(chǔ)用法
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
2．2．1 張量
2．2．2 變量
2．2．3 操作
2．2．4 自動(dòng)求導(dǎo)
任務(wù)2．3 搭建線性回歸模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
2．3．1 線性回歸模型
2．3．2 搭建模型
2．3．3 模型訓(xùn)練
2．3．4 模型預(yù)測(cè)
項(xiàng)目考核
項(xiàng)目3 搭建汽車油耗預(yù)測(cè)模型
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)3．1 汽車油耗數(shù)據(jù)處理
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
任務(wù)3．2 搭建汽車油耗預(yù)測(cè)模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
3．2．1 神經(jīng)元
3．2．2 激活函數(shù)
3．2．3 前饋神經(jīng)網(wǎng)絡(luò)
任務(wù)3．3 訓(xùn)練汽車油耗預(yù)測(cè)模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
項(xiàng)目考核
項(xiàng)目4 搭建手寫數(shù)字識(shí)別模型
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)4．1 MNIST數(shù)據(jù)集處理
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
4．1．1 下載MNIST數(shù)據(jù)集
4．1．2 圖像數(shù)字化與可視化
4．1．3 圖像向量化和標(biāo)簽編碼
4．1．4 數(shù)據(jù)預(yù)處理
任務(wù)4．2 搭建并訓(xùn)練手寫數(shù)字識(shí)別模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
4．2．1 手寫數(shù)字識(shí)別模型
4．2．2 模型訓(xùn)練
4．2．3 模型保存
任務(wù)4．3 手寫數(shù)字識(shí)別模型驗(yàn)證
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
4．3．1 加載模型權(quán)重
4．3．2 模型驗(yàn)證
項(xiàng)目考核
項(xiàng)目5 搭建卷積神經(jīng)網(wǎng)絡(luò)模型
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)5．1 探索卷積神經(jīng)網(wǎng)絡(luò)
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
5．1．1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特征
5．1．2 卷積
5．1．3 卷積層操作
5．1．4 池化層
任務(wù)5．2 搭建LeNet-5模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
5．2．1 LeNet模型
5．2．2 搭建改進(jìn)后的LeNet-5模型
任務(wù)5．3 訓(xùn)練并驗(yàn)證LeNet-5模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
項(xiàng)目考核
項(xiàng)目6 搭建貓狗識(shí)別網(wǎng)絡(luò)模型
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)6．1 探索貓狗數(shù)據(jù)集
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
6．1．1 貓狗數(shù)據(jù)集
6．1．2 讀取貓狗數(shù)據(jù)集
任務(wù)6．2 實(shí)現(xiàn)貓狗數(shù)據(jù)集的數(shù)據(jù)增強(qiáng)
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
6．2．1 數(shù)據(jù)增強(qiáng)
6．2．2 圖像幾何變換
6．2．3 圖像色彩調(diào)整
任務(wù)6．3 搭建貓狗識(shí)別網(wǎng)絡(luò)模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
6．3．1 認(rèn)識(shí)AlexNet模型
6．3．2 訓(xùn)練AlexNet模型
項(xiàng)目考核
項(xiàng)目7 可視化方法應(yīng)用
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)7．1 認(rèn)識(shí)TensorBoard
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
7．1．1 TensorBoard簡(jiǎn)介
7．1．2 兩種可視化方式
7．1．3 TensorBoard工作原理
任務(wù)7．2 數(shù)據(jù)可視化
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
7．2．1 一個(gè)簡(jiǎn)單的可視化例子
7．2．2 可視化圖像數(shù)據(jù)
任務(wù)7．3 可視化MNIST分類模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
7．3．1 可視化訓(xùn)練數(shù)據(jù)
7．3．2 可視化卷積神經(jīng)網(wǎng)絡(luò)
項(xiàng)目考核
項(xiàng)目8 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
項(xiàng)目介紹
任務(wù)安排
學(xué)習(xí)目標(biāo)
任務(wù)8．1 認(rèn)識(shí)遷移學(xué)習(xí)
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
8．1．1 遷移學(xué)習(xí)
8．1．2 TensorFlow中的遷移學(xué)習(xí)
8．1．3 一個(gè)簡(jiǎn)單的遷移學(xué)習(xí)例子
任務(wù)8．2 探索經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
8．2．1 VGG模型
8．2．2 Inception系列模型
8．2．3 ResNet模型
8．2．4 DenseNet模型
8．2．5 MobileNet系列模型
任務(wù)8．3 搭建垃圾分類識(shí)別模型
【任務(wù)描述】
【任務(wù)分析】
【知識(shí)準(zhǔn)備】
8．3．1 垃圾分類數(shù)據(jù)集
8．3．2 訓(xùn)練垃圾分類識(shí)別模型
項(xiàng)目考核
參考文獻(xiàn)