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(lǐng)域　8

1.1.3 基于圖像分類的拍照識圖　11

任務1.2 搭建TensorFlow 2環(huán)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(jié)　18

課后習題　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(shù)據(jù)加載　22

2.1.3 數(shù)據(jù)預處理　27

2.1.4 構(gòu)建網(wǎng)絡　32

2.1.5 編譯網(wǎng)絡　37

2.1.6 訓練網(wǎng)絡　44

2.1.7 性能評估　46

2.1.8 模型保存與調(diào)用　54

2.1.9 設(shè)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(shù)據(jù)類型　60

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

2.2.3 構(gòu)建網(wǎng)絡　63

2.2.4 訓練網(wǎng)絡與性能評估　64

項目小結(jié)　64

項目實訓　64

實訓1 構(gòu)建花卉分類模型　64

實訓2 使用飛槳深度學習平臺實現(xiàn) 花卉分類　65

課后習題　65

項目3　深度神經(jīng)網(wǎng)絡原理及實現(xiàn)　67

任務3.1 卷積神經(jīng)網(wǎng)絡　68

3.1.1 卷積神經(jīng)網(wǎng)絡中的核心網(wǎng)絡層　69

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

3.1.3 基于卷積神經(jīng)網(wǎng)絡的圖像分類實例　89

任務3.2 循環(huán)神經(jīng)網(wǎng)絡　91

3.2.1 循環(huán)神經(jīng)網(wǎng)絡中的常用網(wǎng)絡層　91

3.2.2 基于循環(huán)神經(jīng)網(wǎng)絡的評論文本情感分類實例　103

任務3.3 生成對抗網(wǎng)絡　107

3.3.1 常用生成對抗網(wǎng)絡算法及其結(jié)構(gòu)　107

3.3.2 基于生成對抗網(wǎng)絡的鞋子圖片生成實例　111

項目小結(jié)　117

項目實訓　117

實訓1 基于卷積神經(jīng)網(wǎng)絡的中藥材圖像識別　117

實訓2 基于循環(huán)神經(jīng)網(wǎng)絡的詩詞生成　118

實訓3 基于生成對抗網(wǎng)絡的中國傳統(tǒng)山水畫生成　118

課后習題　118

項目4　基于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(shù)據(jù)說明　122

4.1.3 設(shè)計彩色圖像分類的流程與步驟　122

任務4.2 數(shù)據(jù)讀取與預處理　123

4.2.1 獲取數(shù)據(jù)集　123

4.2.2 繪制部分訓練集圖像　124

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

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

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

4.3.2 訓練網(wǎng)絡并保存模型　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(jié)　132

項目實訓　132

實訓1 基于卷積神經(jīng)網(wǎng)絡實現(xiàn)車型分類　132

實訓2 基于飛槳深度學習平臺實現(xiàn)車型分類　133

課后習題　133

項目5　基于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(shù)據(jù)說明　135

5.1.3 設(shè)計門牌號識別流程與步驟　136

任務5.2 數(shù)據(jù)預處理　137

5.2.1 了解HOG特征　137

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

5.2.3 基于HOG特征提取與SVM分類器的目標檢測　144

任務5.3 構(gòu)建網(wǎng)絡　146

5.3.1 讀取訓練集與測試集　146

5.3.2 構(gòu)建卷積神經(jīng)網(wǎng)絡　147

5.3.3 訓練并保存模型　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(jié)　152

項目實訓　152

實訓1 基于卷積神經(jīng)網(wǎng)絡實現(xiàn)單數(shù)字識別　152

實訓2 基于飛槳深度學習平臺實現(xiàn)數(shù)字識別　153

課后習題　153

項目6　基于LSTM網(wǎng)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(shù)據(jù)說明　155

6.1.3 設(shè)計語音識別流程與步驟　156

任務6.2 數(shù)據(jù)預處理　156

6.2.1 了解MFCC特征　157

6.2.2 劃分數(shù)據(jù)集　157

6.2.3 提取MFCC特征　158

6.2.4 標準化數(shù)據(jù)　160

任務6.3 構(gòu)建網(wǎng)絡　162

6.3.1 設(shè)置網(wǎng)絡超參數(shù)　162

6.3.2 構(gòu)建網(wǎng)絡層　162

任務6.4 訓練網(wǎng)絡　163

6.4.1 編譯網(wǎng)絡　164

6.4.2 訓練以及保存模型　164

6.4.3 模型調(diào)參　165

任務6.5 模型評估　167

6.5.1 泛化測試　167

6.5.2 結(jié)果分析　168

項目小結(jié)　169

項目實訓　169

實訓1 基于LSTM網(wǎng)絡的聲紋識別　169

實訓2 基于飛槳深度學習平臺實現(xiàn)的聲紋識別　170

課后習題　170

項目7　基于CycleGAN的圖像風格轉(zhuǎn)換　171

任務7.1 目標分析　172

7.1.1 了解背景　172

7.1.2 設(shè)計圖像風格轉(zhuǎn)換的流程與步驟　173

任務7.2 數(shù)據(jù)讀取　173

任務7.3 數(shù)據(jù)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并打亂順序　176

7.3.4 建立迭代器　177

任務7.4 構(gòu)建網(wǎng)絡　177

任務7.5 訓練網(wǎng)絡　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 定義訓練函數(shù)　179

7.5.5 訓練網(wǎng)絡　181

任務7.6 結(jié)果分析　181

項目小結(jié)　182

項目實訓　182

實訓 基于CycleGAN實現(xiàn)蘋果與橙子的轉(zhuǎn)換　182

課后習題　183

項目8　基于TipDM大數(shù)據(jù)挖掘建模平臺的彩色圖像分類　184

任務8.1 獲取數(shù)據(jù)并對數(shù)據(jù)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(shù)據(jù)源　186

8.1.3 數(shù)據(jù)預處理　187

任務8.2 構(gòu)建網(wǎng)絡并應用模型實現(xiàn)彩色圖像分類　191

8.2.1 構(gòu)建與訓練網(wǎng)絡　192

8.2.2 模型評估　193

8.2.3 模型預測　193

項目小結(jié)　196

項目實訓　196

實訓 實現(xiàn)基于LSTM網(wǎng)絡的語音識別　196

課后習題　196