书籍详情
TensorFlow 2深度学习实战
作者：崔炜，张良均
出版社：人民邮电出版社
出版时间：2022-07-01
ISBN：9787115575906
定价：¥49.80
购买这本书可以去
内容简介
本书以深度学习的常用技术与TensorFlow 2真实案例相结合的方式，深入浅出地介绍TensorFlow 2实现深度学习的重要内容。全书共7章，分为基础篇（第1～3章）和实战篇（第4～7章），基础篇内容包括深度学习概述、TensorFlow 2快速入门、深度神经网络原理及实现等基础知识；实战篇内容包括4个案例，分别为基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换以及基于TipDM大数据挖掘建模平台的语音识别。本书多章包含实训和课后习题，通过练习和操作实践，读者可以巩固所学的内容。本书可用于1+X证书制度试点工作中的大数据应用开发（Python）职业技能等级（高级）证书的教学和培训，也可以作为高校数据科学或人工智能相关专业的教材，还可作为深度学习爱好者的自学用书。
作者简介
崔炜，男，副教授，广东松山职业技术学院计算机与信息工程学院副院长，从事计算机专业教学 18 年，在《International Journal of Digital Content Technology and its Applications》、《科技通报》、《计算机与现代化》等多种杂志和刊物上发表论文 20 多篇，其中 EI 论文 1 篇、中文核心论文 2 篇、科技核心论文 1 篇；主持参与各类课题项目 10 多项，参与编写出版教材 6 部。获得的教学表彰/奖励有：2017 年广东省职业院校教师信息化教学大赛高等职业教育组信息化课堂教学比赛荣获三等奖；2008 年计算机教育软件评审高等教育组多媒体课件三等级、宝钢集团广东韶关钢铁有限公司科协 2012~2013 年度优秀科技论文三等奖、2014 年优秀教师、2019 年优秀党员、2019 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖、2020 年广东省职业院校“超星杯” 微课大赛（高职组）中荣获三等奖、2021 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖。张良均资深大数据专家，广东泰迪智能科技股份有限公司董事长，国家科技部入库技术专家，教育部全国专业学位水平评估专家，工信部教育与考试中心入库专家，中国工业与应用数学学会理事，广东省工业与应用数学学会副理事长，广东省高等职业教育教学指导委员会委员，华南师范大学、中南财经政法大学等40余所高校校外硕导或兼职教授，泰迪杯全国数据挖掘挑战赛发起人。曾在国内外重要学术刊物上发表学术论文10余篇，主导编写图书专著60余部，其中获普通高等教育“十一五”规划教材一部，“十三五”职业教育国家规划教材一部；参与标准建设4项，主持***课题1项、省部级课题4项。获得SAS、SPSS数据挖掘认证及Hadoop开发工程师证书，具有信访、电力、电信、银行、制造企业、电子商务和电子政务的项目经验和行业背景，并荣获中国产学研合作促进奖、中国南方电网公司发明专利一等奖、广东省农业技术推广二等奖、广州市荔湾区科学技术进步奖。
目录
第 1章 深度学习概述 1
1．1 深度学习简介 1
1．1．1 深度学习定义 1
1．1．2 深度学习常见应用 2
1．2 深度学习应用技术 8
1．2．1 深度学习与计算机视觉 8
1．2．2 深度学习与自然语言处理 9
1．2．3 深度学习与语音识别 10
1．2．4 深度学习与机器学习 11
1．2．5 深度学习与人工智能 12
1．3 TensorFlow简介 12
1．3．1 各深度学习框架对比 12
1．3．2 TensorFlow生态 14
1．3．3 TensorFlow特性 15
1．3．4 TensorFlow的改进 16
小结 17
课后习题 17
第 2章 TensorFlow 2快速入门 18
2．1 TensorFlow 2环境搭建 18
2．1．1 搭建TensorFlow CPU环境 18
2．1．2 搭建TensorFlow GPU环境 20
2．2 训练一个线性模型 24
2．2．1 问题描述 24
2．2．2 TensorFlow 2基本数据类型形式 24
2．2．3 构建网络 26
2．2．4 训练网络 27
2．2．5 性能评估 27
2．3 TensorFlow 2深度学习通用流程 28
2．3．1 数据加载 29
2．3．2 数据预处理 34
2．3．3 构建深度学习神经网络 39
2．3．4 编译网络 45
2．3．5 训练网络 51
2．3．6 性能评估 53
2．3．7 模型保存与调用 61
小结 65
实训 构建鸢尾花分类模型 65
课后习题 66
第3章 深度神经网络原理及实现 67
3．1 卷积神经网络 67
3．1．1 卷积神经网络中的核心网络层 68
3．1．2 基于卷积神经网络的图像分类实例 82
3．1．3 常用卷积神经网络算法及其结构 84
3．2 循环神经网络 88
3．2．1 循环神经网络中的常用网络层 89
3．2．2 基于循环神经网络的文本分类实例 99
3．3 生成对抗网络 103
3．3．1 常用生成对抗网络算法及其结构 103
3．3．2 基于生成对抗网络的动漫人脸生成实例 106
小结 112
实训 112
实训1 基于卷积神经网络的手写数字图像识别 112
实训2 基于循环神经网络的诗词生成 113
实训3 基于生成对抗网络的手写数字图像生成 113
课后习题 113
第4章 基于CNN的门牌号识别 116
4．1 目标分析 116
4．1．1 了解背景 116
4．1．2 数据说明 117
4．1．3 分析目标 117
4．1．4 项目工程结构 118
4．2 数据预处理 119
4．2．1 获取目标与背景数据 119
4．2．2 基于HOG特征提取与SVM分类器的目标检测 122
4．3 构建网络 127
4．3．1 读取训练集与测试集 128
4．3．2 构建卷积神经网络 128
4．3．3 训练并保存模型 129
4．4 模型评估 130
4．4．1 模型性能评估 130
4．4．2 识别门牌号 130
小结 133
实训 基于卷积神经网络实现单数字识别 134
课后习题 134
第5章 基于LSTM网络的语音识别 135
5．1 目标分析 135
5．1．1 了解背景 135
5．1．2 数据说明 136
5．1．3 分析目标 136
5．1．4 项目工程结构 136
5．2 数据预处理 137
5．2．1 划分数据集 137
5．2．2 提取MFCC特征 138
5．2．3 标准化数据 141
5．3 构建网络 142
5．3．1 设置网络超参数 142
5．3．2 构建网络层 143
5．4 训练网络 144
5．4．1 编译网络 144
5．4．2 训练以及保存模型 145
5．4．3 模型调参 145
5．5 模型评估 148
5．5．1 泛化测试 148
5．5．2 结果分析 149
小结 150
实训 基于LSTM网络的声纹识别 150
课后习题 151
第6章 基于CycleGAN的图像风格转换 152
6．1 目标分析 152
6．1．1 了解背景 152
6．1．2 分析目标 153
6．1．3 项目工程结构 154
6．2 读取数据 154
6．3 数据预处理 155
6．3．1 随机抖动 155
6．3．2 归一化处理图像 156
6．3．3 对所有图像做批处理并打乱 157
6．3．4 建立迭代器 157
6．4 构建网络 158
6．5 训练网络 158
6．5．1 定义损失函数 158
6．5．2 定义优化器 159
6．5．3 定义图像生成函数 159
6．5．4 定义训练函数 160
6．5．5 训练网络 161
6．6 结果分析 162
小结 163
实训 基于CycleGAN实现苹果与橙子的转换 163
课后习题 163
第7章 基于TipDM大数据挖掘建模平台的语音识别 164
7．1 平台简介 164
7．1．1 实训库 165
7．1．2 数据连接 166
7．1．3 实训数据 166
7．1．4 我的实训 167
7．1．5 系统算法 168
7．1．6 个人算法 170
7．2 实现语音识别 170
7．2．1 配置数据源 171
7．2．2 数据预处理 173
7．2．3 训练网络 176
7．2．4 模型评估 176
小结 178
实训 实现基于LSTM网络的声纹
识别 178
课后习题 178
1．1 深度学习简介 1
1．1．1 深度学习定义 1
1．1．2 深度学习常见应用 2
1．2 深度学习应用技术 8
1．2．1 深度学习与计算机视觉 8
1．2．2 深度学习与自然语言处理 9
1．2．3 深度学习与语音识别 10
1．2．4 深度学习与机器学习 11
1．2．5 深度学习与人工智能 12
1．3 TensorFlow简介 12
1．3．1 各深度学习框架对比 12
1．3．2 TensorFlow生态 14
1．3．3 TensorFlow特性 15
1．3．4 TensorFlow的改进 16
小结 17
课后习题 17
第 2章 TensorFlow 2快速入门 18
2．1 TensorFlow 2环境搭建 18
2．1．1 搭建TensorFlow CPU环境 18
2．1．2 搭建TensorFlow GPU环境 20
2．2 训练一个线性模型 24
2．2．1 问题描述 24
2．2．2 TensorFlow 2基本数据类型形式 24
2．2．3 构建网络 26
2．2．4 训练网络 27
2．2．5 性能评估 27
2．3 TensorFlow 2深度学习通用流程 28
2．3．1 数据加载 29
2．3．2 数据预处理 34
2．3．3 构建深度学习神经网络 39
2．3．4 编译网络 45
2．3．5 训练网络 51
2．3．6 性能评估 53
2．3．7 模型保存与调用 61
小结 65
实训 构建鸢尾花分类模型 65
课后习题 66
第3章 深度神经网络原理及实现 67
3．1 卷积神经网络 67
3．1．1 卷积神经网络中的核心网络层 68
3．1．2 基于卷积神经网络的图像分类实例 82
3．1．3 常用卷积神经网络算法及其结构 84
3．2 循环神经网络 88
3．2．1 循环神经网络中的常用网络层 89
3．2．2 基于循环神经网络的文本分类实例 99
3．3 生成对抗网络 103
3．3．1 常用生成对抗网络算法及其结构 103
3．3．2 基于生成对抗网络的动漫人脸生成实例 106
小结 112
实训 112
实训1 基于卷积神经网络的手写数字图像识别 112
实训2 基于循环神经网络的诗词生成 113
实训3 基于生成对抗网络的手写数字图像生成 113
课后习题 113
第4章 基于CNN的门牌号识别 116
4．1 目标分析 116
4．1．1 了解背景 116
4．1．2 数据说明 117
4．1．3 分析目标 117
4．1．4 项目工程结构 118
4．2 数据预处理 119
4．2．1 获取目标与背景数据 119
4．2．2 基于HOG特征提取与SVM分类器的目标检测 122
4．3 构建网络 127
4．3．1 读取训练集与测试集 128
4．3．2 构建卷积神经网络 128
4．3．3 训练并保存模型 129
4．4 模型评估 130
4．4．1 模型性能评估 130
4．4．2 识别门牌号 130
小结 133
实训 基于卷积神经网络实现单数字识别 134
课后习题 134
第5章 基于LSTM网络的语音识别 135
5．1 目标分析 135
5．1．1 了解背景 135
5．1．2 数据说明 136
5．1．3 分析目标 136
5．1．4 项目工程结构 136
5．2 数据预处理 137
5．2．1 划分数据集 137
5．2．2 提取MFCC特征 138
5．2．3 标准化数据 141
5．3 构建网络 142
5．3．1 设置网络超参数 142
5．3．2 构建网络层 143
5．4 训练网络 144
5．4．1 编译网络 144
5．4．2 训练以及保存模型 145
5．4．3 模型调参 145
5．5 模型评估 148
5．5．1 泛化测试 148
5．5．2 结果分析 149
小结 150
实训 基于LSTM网络的声纹识别 150
课后习题 151
第6章 基于CycleGAN的图像风格转换 152
6．1 目标分析 152
6．1．1 了解背景 152
6．1．2 分析目标 153
6．1．3 项目工程结构 154
6．2 读取数据 154
6．3 数据预处理 155
6．3．1 随机抖动 155
6．3．2 归一化处理图像 156
6．3．3 对所有图像做批处理并打乱 157
6．3．4 建立迭代器 157
6．4 构建网络 158
6．5 训练网络 158
6．5．1 定义损失函数 158
6．5．2 定义优化器 159
6．5．3 定义图像生成函数 159
6．5．4 定义训练函数 160
6．5．5 训练网络 161
6．6 结果分析 162
小结 163
实训 基于CycleGAN实现苹果与橙子的转换 163
课后习题 163
第7章 基于TipDM大数据挖掘建模平台的语音识别 164
7．1 平台简介 164
7．1．1 实训库 165
7．1．2 数据连接 166
7．1．3 实训数据 166
7．1．4 我的实训 167
7．1．5 系统算法 168
7．1．6 个人算法 170
7．2 实现语音识别 170
7．2．1 配置数据源 171
7．2．2 数据预处理 173
7．2．3 训练网络 176
7．2．4 模型评估 176
小结 178
实训 实现基于LSTM网络的声纹
识别 178
课后习题 178
猜您喜欢
