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)

  • TensorFlow 2 深度學習實戰(第2版)(微課版)-preview-1
  • TensorFlow 2 深度學習實戰(第2版)(微課版)-preview-2
TensorFlow 2 深度學習實戰(第2版)(微課版)-preview-1

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