人工智能深度学习基础实践

张健，深圳信息职业技术学院软件技术专业主任，高级工程师，哈尔滨工业大学（深圳）博士后，深圳市后备级人才，龙岗区深龙英才C类。曾在中国电子科技集团公司第三研究所、哈尔滨工业大学（深圳）计算机学院工作。主要研究领域有：基于深度学习的目标检测算法研究、小样本情况下生物特征识别算法研究、复杂交通路况下的图像分割算法以及智能辅助驾驶应用等。主持面向大专和本科层次的《基于云的深度学习框架开发与应用》课程建设，分别立项基于亚马逊云的立体化教材1本与课程1门、基于腾讯云的教材1本与课程1门，以及面向联合国教科文组织的国际化课程1门。

第 1篇 人工智能产品研发 1

项目1 人工智能需求管理 2

项目描述 2

知识准备 2

1．1 需求的定义 2

1．2 需求管理的过程 3

1．2．1 需求获取 3

1．2．2 需求分析 4

1．2．3 需求表述 4

1．2．4 需求验证 5

1．3 需求文档的撰写 5

1．3．1 产品需求 5

1．3．2 产品目标 6

1．3．3 产品功能 6

项目实施 撰写商品检测项目需求文档 7

1．4 实施思路 7

1．5 实施步骤 7

知识拓展 9

课后实训 10

项目2 设计人工智能产品 11

项目描述 11

知识准备 11

2．1 人工智能产品的特性 11

2．2 人工智能产品设计流程 12

2．2．1 需求管理 12

2．2．2 功能设计 12

2．2．3 原型设计 14

2．2．4 研发实施 16

2．3 人工智能产品的发展趋势 16

2．3．1 当前人工智能产品设计的缺陷 16

2．3．2 人工智能产品设计的发展趋势 16

项目实施 商品检测项目设计 17

2．4 实施思路 17

2．5 实施步骤 17

知识拓展 20

课后实训 20

项目3 人工智能开发平台应用 22

项目描述 22

知识准备 22

3．1 人工智能开发平台简介 22

3．1．1 智能数据服务平台 23

3．1．2 深度学习模型定制平台 24

3．2 人工智能开发流程 27

3．2．1 需求分析 27

3．2．2 数据准备 27

3．2．3 模型训练 34

3．2．4 模型应用 34

项目实施 商品检测 35

3．3 实施思路 35

3．4 实施步骤 35

知识拓展 49

课后实训 50

第 2篇 深度学习数据应用 51

项目4 数据采集工程应用 52

项目描述 52

知识准备 52

4．1 常见数据集和数据服务市场 52

4．1．1 开源数据集 53

4．1．2 行业数据集 53

4．1．3 数据服务市场 54

4．2 PaddlePaddle 内置数据集 55

4．3 数据采集质量要求 56

4．3．1 数据质量控制原则 56

4．3．2 数据质量控制方式 56

4．3．3 数据质量评价方法 57

项目实施 加载PaddlePaddle内置数据集 57

4．4 实施思路 57

4．5 实施步骤 57

知识拓展 60

课后实训 61

项目5 数据处理工程应用 62

项目描述 62

知识准备 62

5．1 数据特征 62

5．2 特征工程 63

5．2．1 数据预处理 63

5．2．2 数据特征可视化 63

5．2．3 数据特征挖掘 64

项目实施 汽车油耗量数据挖掘 65

5．3 实施思路 65

5．4 实施步骤 65

知识拓展 72

课后实训 73

项目6 数据标注工程应用 74

项目描述 74

知识准备 74

6．1 数据标注工具与平台 74

6．1．1 图像数据标注工具 75

6．1．2 文本数据标注工具 75

6．1．3 音频数据标注工具 76

6．1．4 数据标注平台 76

6．2 数据标注常见任务 77

6．2．1 分类标注 77

6．2．2 标框标注 77

6．2．3 区域标注 78

6．2．4 描点标注 78

6．3 数据标注质量标准 79

项目实施 EasyData数据标注 79

6．4 实施思路 79

6．5 图像分类数据标注实施步骤 79

6．6 物体检测数据标注实施步骤 81

6．7 图像分割数据标注实施步骤 82

6．8 文本分类数据标注实施步骤 83

6．9 短文本相似度数据标注实施步骤 84

知识拓展 85

课后实训 86

第3篇 深度学习基础应用 87

项目7 机器学习模型训练 88

项目描述 88

知识准备 88

7．1 机器学习基础知识 88

7．2 机器学习的训练流程 89

7．2．1 数据操作 89

7．2．2 模型构建 90

7．2．3 机器学习任务实现 90

7．3 常用算法 90

7．3．1 线性回归 90

7．3．2 逻辑回归 91

7．3．3 决策树 91

7．3．4 随机森林 92

项目实施 通过机器学习模型预测汽车油耗量 92

7．4 实施思路 92

7．5 实施步骤 92

知识拓展 94

课后实训 94

项目8 深度学习框架应用开发 96

项目描述 96

知识准备 96

8．1 深度学习框架的作用 96

8．2 常用的深度学习框架 97

8．2．1 PaddlePaddle 97

8．2．2 TensorFlow 99

8．2．3 Keras 99

8．2．4 Caffe 99

8．2．5 PyTorch 100

项目实施 安装PaddlePaddle 100

8．3 实施思路 100

8．4 实施步骤 100

8．4．1 在Windows 系统下安装PaddlePaddle实施步骤 100

8．4．2 在Linux 系统下安装PaddlePaddle实施步骤 106

知识拓展 108<