TensorFlow 2 深度學習實戰(第2版)(微課版)
崔煒,張良均
- 出版商: 人民郵電
- 出版日期: 2025-08-01
- 售價: $299
- 語言: 簡體中文
- 頁數: 196
- ISBN: 7115673594
- ISBN-13: 9787115673596
-
相關分類:
TensorFlow
下單後立即進貨 (約4週~6週)
商品描述
本書以TensorFlow 2深度學習的常用技術講解與真實案例實戰相結合的方式,深入淺出地介紹使用TensorFlow 2實現深度學習的知識內容。全書共有8個項目,分為基礎部分和實戰部分。基礎部分包括深度學習概述、TensorFlow 2快速入門、深度神經網絡原理及實現。實戰部分包括5個真實案例,分別為基於CNN的彩色圖像分類、基於CNN的門牌號識別、基於LSTM網絡的語音識別、基於CycleGAN的圖像風格轉換和基於TipDM大數據挖掘建模平臺的彩色圖像分類。本書多個項目包含項目實訓和課後習題,可以幫助讀者鞏固所學的知識。
本書可用作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)證書的教學和培訓教材,也可以作為高校數據科學或人工智能相關專業的教材,還可供深度學習愛好者自學使用。
作者簡介
崔煒,男,副教授,博士研究生,廣東松山職業技術學院計算機與信息工程學院副院長,從事計算機專業教學 22 年,在多種雜誌和刊物上發表論文 20 多篇,主持或主要參與各類課題項目 20多項,參與編寫出版教材 7 部。獲得的教學表彰/獎勵有:2017 年廣東省職業院校教師信息化教學大賽高等職業教育組信息化課堂教學比賽榮獲三等獎;2008 年計算機教育軟件評審高等教育組多媒體課件三等級、寶鋼集團廣東韶關鋼鐵有限公司科協 2012~2013 年度優秀科技論文三等獎、2014 年優秀教師、2019 年優秀黨員、2019 年廣東省職業院校“超星杯”微課大賽(高職組)中榮獲二等獎、2020 年廣東省職業院校“超星杯” 微課大賽(高職組)中榮獲三等獎、2021 年廣東省職業院校“超星杯”微課大賽(高職組)中榮獲二等獎。2024 年廣東省大學生計算機設計大賽大數據主題賽——“在線教育綜合大數據分析”賽項三等獎(指導老師)。
目錄大綱
項目1 深度學習概述 1
任務1.1 認識深度學習 2
1.1.1 深度學習的定義與常見應用 2
1.1.2 深度學習的應用領域 8
1.1.3 基於圖像分類的拍照識圖 11
任務1.2 搭建TensorFlow 2環境 12
1.2.1 各深度學習框架對比 12
1.2.2 了解TensorFlow 14
1.2.3 安裝TensorFlow 2 CPU版本 17
項目小結 18
課後習題 19
項目2 TensorFlow 2快速入門 20
任務2.1 TensorFlow 2深度學習通用流程 21
2.1.1 深度學習通用流程 21
2.1.2 數據加載 22
2.1.3 數據預處理 27
2.1.4 構建網絡 32
2.1.5 編譯網絡 37
2.1.6 訓練網絡 44
2.1.7 性能評估 46
2.1.8 模型保存與調用 54
2.1.9 設計果蔬識別的流程與步驟 58
任務2.2 訓練線性模型 60
2.2.1 TensorFlow 2基本數據類型 60
2.2.2 了解Sequential網絡的基本結構 62
2.2.3 構建網絡 63
2.2.4 訓練網絡與性能評估 64
項目小結 64
項目實訓 64
實訓1 構建花卉分類模型 64
實訓2 使用飛槳深度學習平臺實現 花卉分類 65
課後習題 65
項目3 深度神經網絡原理及實現 67
任務3.1 卷積神經網絡 68
3.1.1 卷積神經網絡中的核心網絡層 69
3.1.2 常用卷積神經網絡算法及其結構 84
3.1.3 基於卷積神經網絡的圖像分類實例 89
任務3.2 循環神經網絡 91
3.2.1 循環神經網絡中的常用網絡層 91
3.2.2 基於循環神經網絡的評論文本情感分類實例 103
任務3.3 生成對抗網絡 107
3.3.1 常用生成對抗網絡算法及其結構 107
3.3.2 基於生成對抗網絡的鞋子圖片生成實例 111
項目小結 117
項目實訓 117
實訓1 基於卷積神經網絡的中藥材圖像識別 117
實訓2 基於循環神經網絡的詩詞生成 118
實訓3 基於生成對抗網絡的中國傳統山水畫生成 118
課後習題 118
項目4 基於CNN的彩色圖像分類 121
任務4.1 了解彩色圖像分類 122
4.1.1 了解背景 122
4.1.2 數據說明 122
4.1.3 設計彩色圖像分類的流程與步驟 122
任務4.2 數據讀取與預處理 123
4.2.1 獲取數據集 123
4.2.2 繪制部分訓練集圖像 124
4.2.3 數據歸一化與數據存儲 126
任務4.3 構建與訓練卷積神經網絡 126
4.3.1 構建和編譯卷積神經網絡 126
4.3.2 訓練網絡並保存模型 128
任務4.4 模型評估 129
4.4.1 模型性能評估 129
4.4.2 模型預測 130
項目小結 132
項目實訓 132
實訓1 基於卷積神經網絡實現車型分類 132
實訓2 基於飛槳深度學習平臺實現車型分類 133
課後習題 133
項目5 基於CNN的門牌號識別 134
任務5.1 目標分析 135
5.1.1 了解背景 135
5.1.2 數據說明 135
5.1.3 設計門牌號識別流程與步驟 136
任務5.2 數據預處理 137
5.2.1 了解HOG特征 137
5.2.2 獲取目標數據與背景數據 141
5.2.3 基於HOG特征提取與SVM分類器的目標檢測 144
任務5.3 構建網絡 146
5.3.1 讀取訓練集與測試集 146
5.3.2 構建卷積神經網絡 147
5.3.3 訓練並保存模型 147
任務5.4 模型評估 148
5.4.1 模型性能評估 148
5.4.2 識別門牌號 149
項目小結 152
項目實訓 152
實訓1 基於卷積神經網絡實現單數字識別 152
實訓2 基於飛槳深度學習平臺實現數字識別 153
課後習題 153
項目6 基於LSTM網絡的語音識別 154
任務6.1 目標分析 155
6.1.1 了解背景 155
6.1.2 數據說明 155
6.1.3 設計語音識別流程與步驟 156
任務6.2 數據預處理 156
6.2.1 了解MFCC特征 157
6.2.2 劃分數據集 157
6.2.3 提取MFCC特征 158
6.2.4 標準化數據 160
任務6.3 構建網絡 162
6.3.1 設置網絡超參數 162
6.3.2 構建網絡層 162
任務6.4 訓練網絡 163
6.4.1 編譯網絡 164
6.4.2 訓練以及保存模型 164
6.4.3 模型調參 165
任務6.5 模型評估 167
6.5.1 泛化測試 167
6.5.2 結果分析 168
項目小結 169
項目實訓 169
實訓1 基於LSTM網絡的聲紋識別 169
實訓2 基於飛槳深度學習平臺實現的聲紋識別 170
課後習題 170
項目7 基於CycleGAN的圖像風格轉換 171
任務7.1 目標分析 172
7.1.1 了解背景 172
7.1.2 設計圖像風格轉換的流程與步驟 173
任務7.2 數據讀取 173
任務7.3 數據預處理 174
7.3.1 隨機抖動 175
7.3.2 歸一化處理圖像 175
7.3.3 對所有圖像做批處理並打亂順序 176
7.3.4 建立疊代器 177
任務7.4 構建網絡 177
任務7.5 訓練網絡 178
7.5.1 定義損失函數 178
7.5.2 定義優化器 179
7.5.3 定義圖像生成函數 179
7.5.4 定義訓練函數 179
7.5.5 訓練網絡 181
任務7.6 結果分析 181
項目小結 182
項目實訓 182
實訓 基於CycleGAN實現蘋果與橙子的轉換 182
課後習題 183
項目8 基於TipDM大數據挖掘建模平臺的彩色圖像分類 184
任務8.1 獲取數據並對數據進行預處理 185
8.1.1 使用平臺配置彩色圖像分類項目的步驟和流程 185
8.1.2 配置數據源 186
8.1.3 數據預處理 187
任務8.2 構建網絡並應用模型實現彩色圖像分類 191
8.2.1 構建與訓練網絡 192
8.2.2 模型評估 193
8.2.3 模型預測 193
項目小結 196
項目實訓 196
實訓 實現基於LSTM網絡的語音識別 196
課後習題 196