項(xiàng)目1　深度學(xué)習(xí)概述　1

任務(wù)1.1 認(rèn)識(shí)深度學(xué)習(xí)　2

1.1.1 深度學(xué)習(xí)的定義與常見(jiàn)應(yīng)用　2

1.1.2 深度學(xué)習(xí)的應(yīng)用領(lǐng)域　8

1.1.3 基于圖像分類的拍照識(shí)圖　11

任務(wù)1.2 搭建TensorFlow 2環(huán)境　12

1.2.1 各深度學(xué)習(xí)框架對(duì)比　12

1.2.2 了解TensorFlow　14

1.2.3 安裝TensorFlow 2 CPU版本　17

項(xiàng)目小結(jié)　18

課后習(xí)題　19

項(xiàng)目2　TensorFlow 2快速入門(mén)　20

任務(wù)2.1 TensorFlow 2深度學(xué)習(xí)通用流程　21

2.1.1 深度學(xué)習(xí)通用流程　21

2.1.2 數(shù)據(jù)加載　22

2.1.3 數(shù)據(jù)預(yù)處理　27

2.1.4 構(gòu)建網(wǎng)絡(luò)　32

2.1.5 編譯網(wǎng)絡(luò)　37

2.1.6 訓(xùn)練網(wǎng)絡(luò)　44

2.1.7 性能評(píng)估　46

2.1.8 模型保存與調(diào)用　54

2.1.9 設(shè)計(jì)果蔬識(shí)別的流程與步驟　58

任務(wù)2.2 訓(xùn)練線性模型　60

2.2.1 TensorFlow 2基本數(shù)據(jù)類型　60

2.2.2 了解Sequential網(wǎng)絡(luò)的基本結(jié)構(gòu)　62

2.2.3 構(gòu)建網(wǎng)絡(luò)　63

2.2.4 訓(xùn)練網(wǎng)絡(luò)與性能評(píng)估　64

項(xiàng)目小結(jié)　64

項(xiàng)目實(shí)訓(xùn)　64

實(shí)訓(xùn)1 構(gòu)建花卉分類模型　64

實(shí)訓(xùn)2 使用飛槳深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn) 花卉分類　65

課后習(xí)題　65

項(xiàng)目3　深度神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)　67

任務(wù)3.1 卷積神經(jīng)網(wǎng)絡(luò)　68

3.1.1 卷積神經(jīng)網(wǎng)絡(luò)中的核心網(wǎng)絡(luò)層　69

3.1.2 常用卷積神經(jīng)網(wǎng)絡(luò)算法及其結(jié)構(gòu)　84

3.1.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類實(shí)例　89

任務(wù)3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)　91

3.2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)中的常用網(wǎng)絡(luò)層　91

3.2.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的評(píng)論文本情感分類實(shí)例　103

任務(wù)3.3 生成對(duì)抗網(wǎng)絡(luò)　107

3.3.1 常用生成對(duì)抗網(wǎng)絡(luò)算法及其結(jié)構(gòu)　107

3.3.2 基于生成對(duì)抗網(wǎng)絡(luò)的鞋子圖片生成實(shí)例　111

項(xiàng)目小結(jié)　117

項(xiàng)目實(shí)訓(xùn)　117

實(shí)訓(xùn)1 基于卷積神經(jīng)網(wǎng)絡(luò)的中藥材圖像識(shí)別　117

實(shí)訓(xùn)2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的詩(shī)詞生成　118

實(shí)訓(xùn)3 基于生成對(duì)抗網(wǎng)絡(luò)的中國(guó)傳統(tǒng)山水畫(huà)生成　118

課后習(xí)題　118

項(xiàng)目4　基于CNN的彩色圖像分類　121

任務(wù)4.1 了解彩色圖像分類　122

4.1.1 了解背景　122

4.1.2 數(shù)據(jù)說(shuō)明　122

4.1.3 設(shè)計(jì)彩色圖像分類的流程與步驟　122

任務(wù)4.2 數(shù)據(jù)讀取與預(yù)處理　123

4.2.1 獲取數(shù)據(jù)集　123

4.2.2 繪制部分訓(xùn)練集圖像　124

4.2.3 數(shù)據(jù)歸一化與數(shù)據(jù)存儲(chǔ)　126

任務(wù)4.3 構(gòu)建與訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)　126

4.3.1 構(gòu)建和編譯卷積神經(jīng)網(wǎng)絡(luò)　126

4.3.2 訓(xùn)練網(wǎng)絡(luò)并保存模型　128

任務(wù)4.4 模型評(píng)估　129

4.4.1 模型性能評(píng)估　129

4.4.2 模型預(yù)測(cè)　130

項(xiàng)目小結(jié)　132

項(xiàng)目實(shí)訓(xùn)　132

實(shí)訓(xùn)1 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)車型分類　132

實(shí)訓(xùn)2 基于飛槳深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn)車型分類　133

課后習(xí)題　133

項(xiàng)目5　基于CNN的門(mén)牌號(hào)識(shí)別　134

任務(wù)5.1 目標(biāo)分析　135

5.1.1 了解背景　135

5.1.2 數(shù)據(jù)說(shuō)明　135

5.1.3 設(shè)計(jì)門(mén)牌號(hào)識(shí)別流程與步驟　136

任務(wù)5.2 數(shù)據(jù)預(yù)處理　137

5.2.1 了解HOG特征　137

5.2.2 獲取目標(biāo)數(shù)據(jù)與背景數(shù)據(jù)　141

5.2.3 基于HOG特征提取與SVM分類器的目標(biāo)檢測(cè)　144

任務(wù)5.3 構(gòu)建網(wǎng)絡(luò)　146

5.3.1 讀取訓(xùn)練集與測(cè)試集　146

5.3.2 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)　147

5.3.3 訓(xùn)練并保存模型　147

任務(wù)5.4 模型評(píng)估　148

5.4.1 模型性能評(píng)估　148

5.4.2 識(shí)別門(mén)牌號(hào)　149

項(xiàng)目小結(jié)　152

項(xiàng)目實(shí)訓(xùn)　152

實(shí)訓(xùn)1 基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)單數(shù)字識(shí)別　152

實(shí)訓(xùn)2 基于飛槳深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn)數(shù)字識(shí)別　153

課后習(xí)題　153

項(xiàng)目6　基于LSTM網(wǎng)絡(luò)的語(yǔ)音識(shí)別　154

任務(wù)6.1 目標(biāo)分析　155

6.1.1 了解背景　155

6.1.2 數(shù)據(jù)說(shuō)明　155

6.1.3 設(shè)計(jì)語(yǔ)音識(shí)別流程與步驟　156

任務(wù)6.2 數(shù)據(jù)預(yù)處理　156

6.2.1 了解MFCC特征　157

6.2.2 劃分?jǐn)?shù)據(jù)集　157

6.2.3 提取MFCC特征　158

6.2.4 標(biāo)準(zhǔn)化數(shù)據(jù)　160

任務(wù)6.3 構(gòu)建網(wǎng)絡(luò)　162

6.3.1 設(shè)置網(wǎng)絡(luò)超參數(shù)　162

6.3.2 構(gòu)建網(wǎng)絡(luò)層　162

任務(wù)6.4 訓(xùn)練網(wǎng)絡(luò)　163

6.4.1 編譯網(wǎng)絡(luò)　164

6.4.2 訓(xùn)練以及保存模型　164

6.4.3 模型調(diào)參　165

任務(wù)6.5 模型評(píng)估　167

6.5.1 泛化測(cè)試　167

6.5.2 結(jié)果分析　168

項(xiàng)目小結(jié)　169

項(xiàng)目實(shí)訓(xùn)　169

實(shí)訓(xùn)1 基于LSTM網(wǎng)絡(luò)的聲紋識(shí)別　169

實(shí)訓(xùn)2 基于飛槳深度學(xué)習(xí)平臺(tái)實(shí)現(xiàn)的聲紋識(shí)別　170

課后習(xí)題　170

項(xiàng)目7　基于CycleGAN的圖像風(fēng)格轉(zhuǎn)換　171

任務(wù)7.1 目標(biāo)分析　172

7.1.1 了解背景　172

7.1.2 設(shè)計(jì)圖像風(fēng)格轉(zhuǎn)換的流程與步驟　173

任務(wù)7.2 數(shù)據(jù)讀取　173

任務(wù)7.3 數(shù)據(jù)預(yù)處理　174

7.3.1 隨機(jī)抖動(dòng)　175

7.3.2 歸一化處理圖像　175

7.3.3 對(duì)所有圖像做批處理并打亂順序　176

7.3.4 建立迭代器　177

任務(wù)7.4 構(gòu)建網(wǎng)絡(luò)　177

任務(wù)7.5 訓(xùn)練網(wǎng)絡(luò)　178

7.5.1 定義損失函數(shù)　178

7.5.2 定義優(yōu)化器　179

7.5.3 定義圖像生成函數(shù)　179

7.5.4 定義訓(xùn)練函數(shù)　179

7.5.5 訓(xùn)練網(wǎng)絡(luò)　181

任務(wù)7.6 結(jié)果分析　181

項(xiàng)目小結(jié)　182

項(xiàng)目實(shí)訓(xùn)　182

實(shí)訓(xùn) 基于CycleGAN實(shí)現(xiàn)蘋(píng)果與橙子的轉(zhuǎn)換　182

課后習(xí)題　183

項(xiàng)目8　基于TipDM大數(shù)據(jù)挖掘建模平臺(tái)的彩色圖像分類　184

任務(wù)8.1 獲取數(shù)據(jù)并對(duì)數(shù)據(jù)進(jìn)行預(yù)處理　185

8.1.1 使用平臺(tái)配置彩色圖像分類項(xiàng)目的步驟和流程　185

8.1.2 配置數(shù)據(jù)源　186

8.1.3 數(shù)據(jù)預(yù)處理　187

任務(wù)8.2 構(gòu)建網(wǎng)絡(luò)并應(yīng)用模型實(shí)現(xiàn)彩色圖像分類　191

8.2.1 構(gòu)建與訓(xùn)練網(wǎng)絡(luò)　192

8.2.2 模型評(píng)估　193

8.2.3 模型預(yù)測(cè)　193

項(xiàng)目小結(jié)　196

項(xiàng)目實(shí)訓(xùn)　196

實(shí)訓(xùn) 實(shí)現(xiàn)基于LSTM網(wǎng)絡(luò)的語(yǔ)音識(shí)別　196

課后習(xí)題　196