TensorFlow 2深度學習實戰

本書以深度學習的常用技術與TensorFlow 2真實案例相結合的方式，深入淺出地介紹TensorFlow 2實現深度學習的重要內容。全書共7章，分為基礎篇（第1～3章）和實戰篇（第4～7章），基礎篇內容包括深度學習概述、TensorFlow 2快速入門、深度神經網絡原理及實現等基礎知識；實戰篇內容包括4個案例，分別為基於CNN的門牌號識別、基於LSTM網絡的語音識別、基於CycleGAN的圖像風格轉換以及基於TipDM大數據挖掘建模平臺的語音識別。本書多章包含實訓和課後習題，通過練習和操作實踐，讀者可以鞏固所學的內容。

本書可用於1+X證書制度試點工作中的大數據應用開發（Python）職業技能等級（高級）證書的教學和培訓，也可以作為高校數據科學或人工智能相關專業的教材，還可作為深度學習愛好者的自學用書。

崔炜，男，副教授，广东松山职业技术学院计算机与信息工程学院副院长，从事计算机专业教学 18 年，在《International Journal of Digital Content Technology and its Applications》、《科技通报》、《计算机与现代化》等多种杂志和刊物上发表论文 20 多篇，其中 EI 论文 1 篇、中文核心论文 2 篇、科技核心论文 1 篇；主持参与各类课题项目 10 多项，参与编写出版教材 6 部。获得的教学表彰/奖励有：2017 年广东省职业院校教师信息化教学大赛高等职业教育组信息化课堂教学比赛荣获三等奖；2008 年计算机教育软件评审高等教育组多媒体课件三等级、宝钢集团广东韶关钢铁有限公司科协 2012~2013 年度优秀科技论文三等奖、2014 年优秀教师、2019 年优秀党员、2019 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖、2020 年广东省职业院校“超星杯” 微课大赛（高职组）中荣获三等奖、2021 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖。

张良均

资深大数据专家，广东泰迪智能科技股份有限公司董事长，国家科技部入库技术专家，教育部全国专业学位水平评估专家，工信部教育与考试中心入库专家，中国工业与应用数学学会理事，广东省工业与应用数学学会副理事长，广东省高等职业教育教学指导委员会委员，华南师范大学、中南财经政法大学等40余所高校校外硕导或兼职教授，泰迪杯全国数据挖掘挑战赛发起人。

曾在国内外重要学术刊物上发表学术论文10余篇，主导编写图书专著60余部，其中获普通高等教育“十一五”规划教材一部，“十三五”职业教育国家规划教材一部；参与标准建设4项，主持国家级课题1项、省部级课题4项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有信访、电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景，并荣获中国产学研合作促进奖、中国南方电网公司发明专利一等奖、广东省农业技术推广二等奖、广州市荔湾区科学技术进步奖。

第 1章 深度學習概述　1

1.1　深度學習簡介　1

1.1.1　深度學習定義　1

1.1.2　深度學習常見應用　2

1.2　深度學習應用技術　8

1.2.1　深度學習與電腦視覺　8

1.2.2　深度學習與自然語言處理　9

1.2.3　深度學習與語音識別　10

1.2.4　深度學習與機器學習　11

1.2.5　深度學習與人工智能　12

1.3　TensorFlow簡介　12

1.3.1　各深度學習框架對比　12

1.3.2　TensorFlow生態　14

1.3.3　TensorFlow特性　15

1.3.4　TensorFlow的改進　16

小結　17

課後習題　17

第　2章 TensorFlow 2快速入門　18

2.1　TensorFlow 2環境搭建　18

2.1.1　搭建TensorFlow CPU環境　18

2.1.2　搭建TensorFlow GPU環境　20

2.2　訓練一個線性模型　24

2.2.1　問題描述　24

2.2.2　TensorFlow 2基本數據類型形式　24

2.2.3　構建網絡　26

2.2.4　訓練網絡　27

2.2.5　性能評估　27

2.3　TensorFlow 2深度學習通用流程　28

2.3.1　數據加載　29

2.3.2　數據預處理　34

2.3.3　構建深度學習神經網絡　39

2.3.4　編譯網絡　45

2.3.5　訓練網絡　51

2.3.6　性能評估　53

2.3.7　模型保存與調用　61

小結　65

實訓　構建鳶尾花分類模型　65

課後習題　66

第3章　深度神經網絡原理及實現　67

3.1　捲積神經網絡　67

3.1.1　捲積神經網絡中的核心網絡層　68

3.1.2　基於捲積神經網絡的圖像分類實例　82

3.1.3　常用捲積神經網絡算法及其結構　84

3.2　循環神經網絡　88

3.2.1　循環神經網絡中的常用網絡層　89

3.2.2　基於循環神經網絡的文本分類實例　99

3.3　生成對抗網絡　103

3.3.1　常用生成對抗網絡算法及其結構　103

3.3.2　基於生成對抗網絡的動漫人臉生成實例　106

小結　112

實訓　112

實訓1　基於捲積神經網絡的手寫數字圖像識別　112

實訓2　基於循環神經網絡的詩詞生成　113

實訓3　基於生成對抗網絡的手寫數字圖像生成　113

課後習題　113

第4章　基於CNN的門牌號識別　116

4.1　目標分析　116

4.1.1　瞭解背景　116

4.1.2　數據說明　117

4.1.3　分析目標　117

4.1.4　項目工程結構　118

4.2　數據預處理　119

4.2.1　獲取目標與背景數據　119

4.2.2　基於HOG特徵提取與SVM分類器的目標檢測　122

4.3　構建網絡　127

4.3.1　讀取訓練集與測試集　128

4.3.2　構建捲積神經網絡　128

4.3.3　訓練並保存模型　129

4.4　模型評估　130

4.4.1　模型性能評估　130

4.4.2　識別門牌號　130

小結　133

實訓　基於捲積神經網絡實現單數字識別　134

課後習題　134

第5章　基於LSTM網絡的語音識別　135

5.1　目標分析　135

5.1.1　瞭解背景　135

5.1.2　數據說明　136

5.1.3　分析目標　136

5.1.4　項目工程結構　136

5.2　數據預處理　137

5.2.1　劃分數據集　137

5.2.2　提取MFCC特徵　138

5.2.3　標準化數據　141

5.3　構建網絡　142

5.3.1　設置網絡超參數　142

5.3.2　構建網絡層　143

5.4　訓練網絡　144

5.4.1　編譯網絡　144

5.4.2　訓練以及保存模型　145

5.4.3　模型調參　145

5.5　模型評估　148

5.5.1　泛化測試　148

5.5.2　結果分析　149

小結　150

實訓　基於LSTM網絡的聲紋識別　150

課後習題　151

第6章　基於CycleGAN的圖像風格轉換　152

6.1　目標分析　152

6.1.1　瞭解背景　152

6.1.2　分析目標　153

6.1.3　項目工程結構　154

6.2　讀取數據　154

6.3　數據預處理　155

6.3.1　隨機抖動　155

6.3.2　歸一化處理圖像　156

6.3.3　對所有圖像做批處理並打亂　157

6.3.4　建立迭代器　157

6.4　構建網絡　158

6.5　訓練網絡　158

6.5.1　定義損失函數　158

6.5.2　定義優化器　159

6.5.3　定義圖像生成函數　159

6.5.4　定義訓練函數　160

6.5.5　訓練網絡　161

6.6　結果分析　162

小結　163

實訓　基於CycleGAN實現蘋果與橙子的轉換　163

課後習題　163

第7章　基於TipDM大數據挖掘建模平臺的語音識別　164

7.1　平臺簡介　164

7.1.1　實訓庫　165

7.1.2　數據連接　166

7.1.3　實訓數據　166

7.1.4　我的實訓　167

7.1.5　系統算法　168

7.1.6　個人算法　170

7.2　實現語音識別　170

7.2.1　配置數據源　171

7.2.2　數據預處理　173

7.2.3　訓練網絡　176

7.2.4　模型評估　176

小結　178

實訓　實現基於LSTM網絡的聲紋

識別　178

課後習題　178