深度學(xué)習(xí)框架應(yīng)用開發(fā)

定　價：￥54.00

作　者：	陳曉龍
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121439414	出版時間：	2022-08-01	包裝：
開本：	16開	頁數(shù)：	204	字數(shù)：

內(nèi)容簡介

　　深度學(xué)習(xí)（DL，Deep Learning）是機器學(xué)習(xí)（ML，Machine Learning）領(lǐng)域中一個新的研究方向，通過學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次，實現(xiàn)機器能夠像人一樣具有分析學(xué)習(xí)能力，能夠識別文字、圖像和聲音等數(shù)據(jù)。在開始深度學(xué)習(xí)項目之前，選擇一個合適的框架能起到事半功倍的作用。****為流行的深度學(xué)習(xí)框架有TensorFlow、Caffe、PaddlePaddle和PyTorch。TensorFlow 是 Google 于 2015 年發(fā)布的深度學(xué)習(xí)框架，2019年，Google 推出 TensorFlow 2.0正式版本，以動態(tài)圖優(yōu)先模式運行，使得用戶既能輕松上手 TensorFlow 框架，又能無縫部署網(wǎng)絡(luò)模型至工業(yè)系統(tǒng)。本書針對高職學(xué)生的特點（有基本的編程能力，對開發(fā)人工智能應(yīng)用感興趣，學(xué)過一些高等數(shù)學(xué)基本知識，但談不上有深厚的數(shù)學(xué)功底和人工智能理論基礎(chǔ)），全面、系統(tǒng)地介紹基于TensorFlow深度學(xué)習(xí)框架的人工智能應(yīng)用開發(fā)技術(shù)、方法和應(yīng)用實踐，分析了神經(jīng)網(wǎng)絡(luò)原理并實踐，對循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）這些常用的深度學(xué)習(xí)模型進行了演練，在此基礎(chǔ)上展開基于深度學(xué)習(xí)的目標檢測、圖像分割、人臉識別等熱門應(yīng)用，為讀者提供了從理論學(xué)習(xí)到工程實踐的視圖。全書按照“項目導(dǎo)向、任務(wù)驅(qū)動”的教學(xué)方法，以8個真實項目貫穿，分別是認識人工智能、搭建線性回歸模型、搭建汽車油耗預(yù)測模型、搭建手寫數(shù)字識別模型、搭建卷積神經(jīng)網(wǎng)絡(luò)模型、搭建貓狗識別網(wǎng)絡(luò)模型、可視化方法應(yīng)用和經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用，進行深度學(xué)習(xí)模型的選擇、構(gòu)建和應(yīng)用，讓學(xué)習(xí)者能快速具備人工智能問題求解的基本思想和初步的人工智能應(yīng)用軟件開發(fā)能力。本書講解通俗易懂，配套資源豐富。每個項目知識點配有PPT、一個或多個視頻講解、實踐練習(xí)和模型實現(xiàn)代碼。全書配有的視頻總時長達400多分鐘。本書適合計算機、軟件工程、人工智能等本、?？茖I(yè)學(xué)生使用，也適合作為對深度學(xué)習(xí)感興趣的研究生、工程師和研究人員的學(xué)習(xí)資料。

作者簡介

　　陳曉龍，近5年來，在5G新技術(shù)領(lǐng)域基于能量采集的移動邊緣計算優(yōu)化方面開展研究，主持浙江省自然科學(xué)基金項目《基于能量采集的D2D無線數(shù)據(jù)緩存容量理論和優(yōu)化策略研究》（LY18F010018）、參與浙江省公益技術(shù)研究計劃《基于多尺度卷積神經(jīng)網(wǎng)絡(luò)的產(chǎn)品表面缺陷檢測關(guān)鍵技術(shù)研究》（LGG18F020017）和廣東省科技計劃項目《基于軟件定義網(wǎng)絡(luò)的高速網(wǎng)絡(luò)傳輸控制關(guān)鍵技術(shù)研究》（2014A010103031047）。近5年在Information Sciences（中科院2區(qū)TOP期刊）、IEEE ACCESS（中科院2區(qū)）等SCI收錄期刊發(fā)表論文4篇，EI期刊收錄5篇，獲軟件著作版權(quán)4項，申報發(fā)明專利3項。

圖書目錄

項目1 認識人工智能
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)1．1 了解人工智能發(fā)展與應(yīng)用
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
1．1．1 人工智能發(fā)展過程
1．1．2 深度學(xué)習(xí)應(yīng)用領(lǐng)域
任務(wù)1．2 認識深度學(xué)習(xí)框架
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
1．2．1 深度學(xué)習(xí)框架發(fā)展歷程
1．2．2 TensorFlow
1．2．3 Caffe
1．2．4 PyTorch
1．2．5 不同框架的對比
任務(wù)1．3 搭建深度學(xué)習(xí)開發(fā)環(huán)境
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
1．3．1 Anaconda安裝
1．3．2 PyCharm安裝
1．3．3 PyCharm加載Anaconda虛擬環(huán)境
項目考核
項目2 搭建線性回歸模型
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)2．1 認識TensorFlow基本概念
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
2．1．1 TensorFlow基本概念
2．1．2 TensorFlow 2．0架構(gòu)簡介
任務(wù)2．2 掌握TensorFlow基礎(chǔ)用法
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
2．2．1 張量
2．2．2 變量
2．2．3 操作
2．2．4 自動求導(dǎo)
任務(wù)2．3 搭建線性回歸模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
2．3．1 線性回歸模型
2．3．2 搭建模型
2．3．3 模型訓(xùn)練
2．3．4 模型預(yù)測
項目考核
項目3 搭建汽車油耗預(yù)測模型
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)3．1 汽車油耗數(shù)據(jù)處理
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
任務(wù)3．2 搭建汽車油耗預(yù)測模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
3．2．1 神經(jīng)元
3．2．2 激活函數(shù)
3．2．3 前饋神經(jīng)網(wǎng)絡(luò)
任務(wù)3．3 訓(xùn)練汽車油耗預(yù)測模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
項目考核
項目4 搭建手寫數(shù)字識別模型
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)4．1 MNIST數(shù)據(jù)集處理
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
4．1．1 下載MNIST數(shù)據(jù)集
4．1．2 圖像數(shù)字化與可視化
4．1．3 圖像向量化和標簽編碼
4．1．4 數(shù)據(jù)預(yù)處理
任務(wù)4．2 搭建并訓(xùn)練手寫數(shù)字識別模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
4．2．1 手寫數(shù)字識別模型
4．2．2 模型訓(xùn)練
4．2．3 模型保存
任務(wù)4．3 手寫數(shù)字識別模型驗證
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
4．3．1 加載模型權(quán)重
4．3．2 模型驗證
項目考核
項目5 搭建卷積神經(jīng)網(wǎng)絡(luò)模型
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)5．1 探索卷積神經(jīng)網(wǎng)絡(luò)
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
5．1．1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)特征
5．1．2 卷積
5．1．3 卷積層操作
5．1．4 池化層
任務(wù)5．2 搭建LeNet-5模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
5．2．1 LeNet模型
5．2．2 搭建改進后的LeNet-5模型
任務(wù)5．3 訓(xùn)練并驗證LeNet-5模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
項目考核
項目6 搭建貓狗識別網(wǎng)絡(luò)模型
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)6．1 探索貓狗數(shù)據(jù)集
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
6．1．1 貓狗數(shù)據(jù)集
6．1．2 讀取貓狗數(shù)據(jù)集
任務(wù)6．2 實現(xiàn)貓狗數(shù)據(jù)集的數(shù)據(jù)增強
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
6．2．1 數(shù)據(jù)增強
6．2．2 圖像幾何變換
6．2．3 圖像色彩調(diào)整
任務(wù)6．3 搭建貓狗識別網(wǎng)絡(luò)模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
6．3．1 認識AlexNet模型
6．3．2 訓(xùn)練AlexNet模型
項目考核
項目7 可視化方法應(yīng)用
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)7．1 認識TensorBoard
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
7．1．1 TensorBoard簡介
7．1．2 兩種可視化方式
7．1．3 TensorBoard工作原理
任務(wù)7．2 數(shù)據(jù)可視化
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
7．2．1 一個簡單的可視化例子
7．2．2 可視化圖像數(shù)據(jù)
任務(wù)7．3 可視化MNIST分類模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
7．3．1 可視化訓(xùn)練數(shù)據(jù)
7．3．2 可視化卷積神經(jīng)網(wǎng)絡(luò)
項目考核
項目8 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
項目介紹
任務(wù)安排
學(xué)習(xí)目標
任務(wù)8．1 認識遷移學(xué)習(xí)
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
8．1．1 遷移學(xué)習(xí)
8．1．2 TensorFlow中的遷移學(xué)習(xí)
8．1．3 一個簡單的遷移學(xué)習(xí)例子
任務(wù)8．2 探索經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
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
任務(wù)8．3 搭建垃圾分類識別模型
【任務(wù)描述】
【任務(wù)分析】
【知識準備】
8．3．1 垃圾分類數(shù)據(jù)集
8．3．2 訓(xùn)練垃圾分類識別模型
項目考核
參考文獻