深度学习框架应用开发

图书标准信息

• 作者 陈晓龙
• 出版社 电子工业出版社
• 出版时间 2022-08
• 版次 1
• ISBN 9787121439414
• 定价 54.00元
• 装帧 其他
• 页数 204页

【内容简介】

深度学习（DL，Deep Learning）是机器学习（ML，Machine Learning）领域中一个新的研究方向，通过学习样本数据的内在规律和表示层次，实现机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。在开始深度学习项目之前，选择一个合适的框架能起到事半功倍的作用。全世界最为流行的深度学习框架有TensorFlow、Caffe、PaddlePaddle和PyTorch。TensorFlow 是 Google 于 2015 年发布的深度学习框架，2019年，Google 推出 TensorFlow 2.0正式版本，以动态图优先模式运行，使得用户既能轻松上手 TensorFlow 框架，又能无缝部署网络模型至工业系统。本书针对高职学生的特点（有基本的编程能力，对开发人工智能应用感兴趣，学过一些高等数学基本知识，但谈不上有深厚的数学功底和人工智能理论基础），全面、系统地介绍基于TensorFlow深度学习框架的人工智能应用开发技术、方法和应用实践，分析了神经网络原理并实践，对循环神经网络（RNN）、卷积神经网络（CNN）这些常用的深度学习模型进行了演练，在此基础上展开基于深度学习的目标检测、图像分割、人脸识别等热门应用，为读者提供了从理论学习到工程实践的视图。全书按照“项目导向、任务驱动”的教学方法，以8个真实项目贯穿，分别是认识人工智能、搭建线性回归模型、搭建汽车油耗预测模型、搭建手写数字识别模型、搭建卷积神经网络模型、搭建猫狗识别网络模型、可视化方法应用和经典卷积神经网络的应用，进行深度学习模型的选择、构建和应用，让学习者能快速具备人工智能问题求解的基本思想和初步的人工智能应用软件开发能力。本书讲解通俗易懂，配套资源丰富。每个项目知识点配有PPT、一个或多个视频讲解、实践练习和模型实现代码。全书配有的视频总时长达400多分钟。本书适合计算机、软件工程、人工智能等本、专科专业学生使用，也适合作为对深度学习感兴趣的研究生、工程师和研究人员的学习资料。

【作者简介】

陈晓龙，近5年来，在5G新技术领域基于能量采集的移动边缘计算优化方面开展研究，主持浙江省自然科学基金项目  《基于能量采集的D2D无线数据缓存容量理论和优化策略研究》（LY18F010018）、参与浙江省公益技术研究计划 《基于多尺度卷积神经网络的产品表面缺陷检测关键技术研究》（LGG18F020017）和广东省科技计划项目 《基于软件定义网络的高速网络传输控制关键技术研究》（2014A010103031047）。近5年在Information Sciences（中科院2区TOP期刊）、IEEE ACCESS（中科院2区）等SCI收录期刊发表论文4篇，EI期刊收录5篇，获软件著作版权4项，申报发明专利3项。

【目录】

项目1  认识人工智能 

项目介绍 

任务安排 

学习目标 

任务1.1  了解人工智能发展与应用 

【任务描述】 

【任务分析】 

【知识准备】 

1.1.1  人工智能发展过程 

1.1.2  深度学习应用领域 

任务1.2  认识深度学习框架 

【任务描述】 

【任务分析】 

【知识准备】 

1.2.1  深度学习框架发展历程 

1.2.2  TensorFlow 

1.2.3  Caffe 

1.2.4  PyTorch 

1.2.5  不同框架的对比 

任务1.3  搭建深度学习开发环境 

【任务描述】 

【任务分析】 

【知识准备】 

1.3.1  Anaconda安装 

1.3.2  PyCharm安装 

1.3.3  PyCharm加载Anaconda虚拟环境 

项目考核 

项目2  搭建线性回归模型 

项目介绍 

任务安排 

学习目标 

任务2.1  认识TensorFlow基本概念 

【任务描述】 

【任务分析】 

【知识准备】 

2.1.1  TensorFlow基本概念 

2.1.2  TensorFlow 2.0架构简介 

任务2.2  掌握TensorFlow基础用法 

【任务描述】 

【任务分析】 

【知识准备】 

2.2.1  张量 

2.2.2  变量 

2.2.3  操作 

2.2.4  自动求导 

任务2.3  搭建线性回归模型 

【任务描述】 

【任务分析】 

【知识准备】 

2.3.1  线性回归模型 

2.3.2  搭建模型 

2.3.3  模型训练 

2.3.4  模型预测 

项目考核 

项目3  搭建汽车油耗预测模型 

项目介绍 

任务安排 

学习目标 

任务3.1  汽车油耗数据处理 

【任务描述】 

【任务分析】 

【知识准备】 

任务3.2  搭建汽车油耗预测模型 

【任务描述】 

【任务分析】 

【知识准备】 

3.2.1  神经元 

3.2.2  激活函数 

3.2.3  前馈神经网络 

任务3.3  训练汽车油耗预测模型 

【任务描述】 

【任务分析】 

【知识准备】 

项目考核 

项目4  搭建手写数字识别模型 

项目介绍 

任务安排 

学习目标 

任务4.1  MNIST数据集处理 

【任务描述】 

【任务分析】 

【知识准备】 

4.1.1  下载MNIST数据集 

4.1.2  图像数字化与可视化 

4.1.3  图像向量化和标签编码 

4.1.4  数据预处理 

任务4.2  搭建并训练手写数字识别模型 

【任务描述】 

【任务分析】 

【知识准备】 

4.2.1  手写数字识别模型 

4.2.2  模型训练 

4.2.3  模型保存 

任务4.3  手写数字识别模型验证 

【任务描述】 

【任务分析】 

【知识准备】 

4.3.1  加载模型权重 

4.3.2  模型验证 

项目考核 

项目5  搭建卷积神经网络模型 

项目介绍 

任务安排 

学习目标 

任务5.1  探索卷积神经网络 

【任务描述】 

【任务分析】 

【知识准备】 

5.1.1  卷积神经网络结构特征 

5.1.2  卷积 

5.1.3  卷积层操作 

5.1.4  池化层 

任务5.2  搭建LeNet-5模型 

【任务描述】 

【任务分析】 

【知识准备】 

5.2.1  LeNet模型 

5.2.2  搭建改进后的LeNet-5模型 

任务5.3  训练并验证LeNet-5模型 

【任务描述】 

【任务分析】 

【知识准备】 

项目考核 

项目6  搭建猫狗识别网络模型 

项目介绍 

任务安排 

学习目标 

任务6.1  探索猫狗数据集 

【任务描述】 

【任务分析】 

【知识准备】 

6.1.1  猫狗数据集 

6.1.2  读取猫狗数据集 

任务6.2  实现猫狗数据集的数据增强 

【任务描述】 

【任务分析】 

【知识准备】 

6.2.1  数据增强 

6.2.2  图像几何变换 

6.2.3  图像色彩调整 

任务6.3  搭建猫狗识别网络模型 

【任务描述】 

【任务分析】 

【知识准备】 

6.3.1  认识AlexNet模型 

6.3.2  训练AlexNet模型 

项目考核 

项目7  可视化方法应用 

项目介绍 

任务安排 

学习目标 

任务7.1  认识TensorBoard 

【任务描述】 

【任务分析】 

【知识准备】 

7.1.1  TensorBoard简介

7.1.2  两种可视化方式 

7.1.3  TensorBoard工作原理 

任务7.2  数据可视化 

【任务描述】 

【任务分析】 

【知识准备】 

7.2.1  一个简单的可视化例子 

7.2.2  可视化图像数据 

任务7.3  可视化MNIST分类模型 

【任务描述】 

【任务分析】 

【知识准备】 

7.3.1  可视化训练数据 

7.3.2  可视化卷积神经网络 

项目考核 

项目8  经典卷积神经网络的应用 

项目介绍 

任务安排

学习目标 

任务8.1  认识迁移学习 

【任务描述】 

【任务分析】 

【知识准备】 

8.1.1  迁移学习 

8.1.2  TensorFlow中的迁移学习 

8.1.3  一个简单的迁移学习例子 

任务8.2  探索经典卷积神经网络 

【任务描述】 

【任务分析】 

【知识准备】 

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 

任务8.3  搭建垃圾分类识别模型 

【任务描述】 

【任务分析】 

【知识准备】 

8.3.1  垃圾分类数据集 

8.3.2  训练垃圾分类识别模型 

项目考核 

参考文献