深度學習與機器人

目錄
認 知 篇
第1章 人工智能、深度學習和電腦視覺 1
1.1 人工智能簡介 1
1.2 人工智能的發展 3
1.3 深度學習簡介 4
1.4 電腦視覺 5
第2章 捲積神經網絡及應用介紹 7
2.1 神經網絡結構 8
2.1.1 神經元與感知器 8
2.1.2 神經網絡 9
2.2 圖像識別的任務 10
2.2.1 視覺感知 10
2.2.2 圖像表達 11
2.2.3 畫面不變性 12
2.3 捲積神經網絡結構 14
2.3.1 捲積層 15
2.3.2 池化 16
2.3.3 激活函數 16
2.3.4 全連接層 17
2.3.5 捲積神經網絡訓練 18
2.4 軟件環境安裝 20
2.4.1 Python環境安裝 20
2.4.2 Numpy功能包安裝 25
2.5 捲積神經網絡代碼詳解 26
2.5.1 Numpy功能包導入 26
2.5.2 捲積層的實現 26
2.5.3 Max Pooling層的實現 35
2.6 網絡參數調整或微調 37
框 架 篇
第3章 圖像分類及目標檢測 38
3.1 圖像分類簡介 38
3.1.1 AlexNet 42
3.1.2 VGG 45
3.1.3 GoogLeNet 49
3.1.4 ResNet 53
3.2 目標檢測 60
3.2.1 目標檢測簡介 60
3.2.2 RCNN基礎 72
3.2.3 Faster RCNN原理 80
3.2.4 Yolo系列算法 89
3.2.5 Yolov3案例 105
第4章 PyTorch基礎 137
4.1 PyTorch簡介 137
4.1.1 Tensor數據類型 137
4.1.2 Tensor運算 140
4.1.3 搭建簡單的神經網絡 144
4.2 自動求梯度 146
4.3 構建模型和優化參數 148
4.3.1 torch.nn 148
4.3.2 torch.optim 151
4.4 案例：基於PyTorch的CIFAR-10圖片分類 153
第5章 PaddlePaddle基礎 157
5.1 PaddlePaddle捲積神經網絡基礎 157
5.1.1 CNN的構成 158
5.1.2 捲積層 159
5.1.3 填充 160
5.1.4 步長 161
5.1.5 多通道捲積 161
5.1.6 多捲積核捲積 162
5.1.7 特徵圖大小 163
5.1.8 池化層 163
5.1.9 全連接層 164
5.2 PaddlePaddle基本運算 165
5.3 使用PaddlePaddle高層API直接調用分類網絡 170
5.4 手寫數字識別案例 171
5.4.1 數據處理及數據加載 172
5.4.2 網絡結構和設置學習率 173
5.4.3 模型訓練及模型推理 174
實 戰 篇
第6章 深度學習智能車項目 180
6.1 智能車硬件架構設計 181
6.2 深度學習智能車各部分介紹 182
6.3 軟件安裝和使用 183
6.4 點亮深度學習智能車的車燈 185
6.4.1 深度學習智能車車燈介紹 185
6.4.2 智能車LED引腳連接配置 185
6.4.3 智能車LED電路設計 186
6.4.4 程序設計 186
6.4.5 執行程序和查看結果 187
6.5 智能車運動控制 187
6.5.1 智能車電機特徵 187
6.5.2 電機工作方式 188
6.5.3 智能車電機控制 189
6.5.4 智能車電機引腳連接配置 190
6.5.5 電機驅動電路 190
6.5.6 智能車驅動程序設計 192
6.5.7 執行程序和查看結果 194
6.6 智能車上位機與下位機通信 194
6.6.1 智能車下位機程序設計 194
6.6.2 智能車上位機程序設計 198
6.6.3 智能車串口通信調試 199
第7章 實戰案例 200
7.1 基於PaddlePaddle深度學習框架的安裝 200
7.2 車道線識別數據處理與模型構建 203
7.3 車道線識別訓練模型 207
7.4 標誌物檢測的數據採集與處理 211
7.5 Yolov5網絡模型介紹 213
7.5.1 Yolov5網絡結構 213
7.5.2 Yolov5相對於Yolov4和Yolov3的改進 215
7.6 標誌物識別的模型訓練 218
7.7 智能車無人駕駛實踐 226
7.7.1 無人駕駛沙盤模型 226
7.7.2 深度學習智能車 227
7.7.3 遙控使用 228
7.7.4 深度學習智能車 229
參考文獻 235