TensorFlow 2深度學習實戰(zhàn)

第 1章 深度學習概述　1
1．1 深度學習簡介　1
1．1．1 深度學習定義　1
1．1．2 深度學習常見應(yīng)用　2
1．2 深度學習應(yīng)用技術(shù)　8
1．2．1 深度學習與計算機視覺　8
1．2．2 深度學習與自然語言處理　9
1．2．3 深度學習與語音識別　10
1．2．4 深度學習與機器學習　11
1．2．5 深度學習與人工智能　12
1．3 TensorFlow簡介　12
1．3．1 各深度學習框架對比　12
1．3．2 TensorFlow生態(tài)　14
1．3．3 TensorFlow特性　15
1．3．4 TensorFlow的改進　16
小結(jié)　17
課后習題　17
第 2章 TensorFlow 2快速入門　18
2．1 TensorFlow 2環(huán)境搭建　18
2．1．1 搭建TensorFlow CPU環(huán)境　18
2．1．2 搭建TensorFlow GPU環(huán)境　20
2．2 訓練一個線性模型　24
2．2．1 問題描述　24
2．2．2 TensorFlow 2基本數(shù)據(jù)類型形式　24
2．2．3 構(gòu)建網(wǎng)絡(luò)　26
2．2．4 訓練網(wǎng)絡(luò)　27
2．2．5 性能評估　27
2．3 TensorFlow 2深度學習通用流程　28
2．3．1 數(shù)據(jù)加載　29
2．3．2 數(shù)據(jù)預處理　34
2．3．3 構(gòu)建深度學習神經(jīng)網(wǎng)絡(luò)　39
2．3．4 編譯網(wǎng)絡(luò)　45
2．3．5 訓練網(wǎng)絡(luò)　51
2．3．6 性能評估　53
2．3．7 模型保存與調(diào)用　61
小結(jié)　65
實訓 構(gòu)建鳶尾花分類模型　65
課后習題　66
第3章 深度神經(jīng)網(wǎng)絡(luò)原理及實現(xiàn)　67
3．1 卷積神經(jīng)網(wǎng)絡(luò)　67
3．1．1 卷積神經(jīng)網(wǎng)絡(luò)中的核心網(wǎng)絡(luò)層　68
3．1．2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類實例　82
3．1．3 常用卷積神經(jīng)網(wǎng)絡(luò)算法及其結(jié)構(gòu)　84
3．2 循環(huán)神經(jīng)網(wǎng)絡(luò)　88
3．2．1 循環(huán)神經(jīng)網(wǎng)絡(luò)中的常用網(wǎng)絡(luò)層　89
3．2．2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的文本分類實例　99
3．3 生成對抗網(wǎng)絡(luò)　103
3．3．1 常用生成對抗網(wǎng)絡(luò)算法及其結(jié)構(gòu)　103
3．3．2 基于生成對抗網(wǎng)絡(luò)的動漫人臉生成實例　106
小結(jié)　112
實訓　112
實訓1 基于卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字圖像識別　112
實訓2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的詩詞生成　113
實訓3 基于生成對抗網(wǎng)絡(luò)的手寫數(shù)字圖像生成　113
課后習題　113
第4章 基于CNN的門牌號識別　116
4．1 目標分析　116
4．1．1 了解背景　116
4．1．2 數(shù)據(jù)說明　117
4．1．3 分析目標　117
4．1．4 項目工程結(jié)構(gòu)　118
4．2 數(shù)據(jù)預處理　119
4．2．1 獲取目標與背景數(shù)據(jù)　119
4．2．2 基于HOG特征提取與SVM分類器的目標檢測　122
4．3 構(gòu)建網(wǎng)絡(luò)　127
4．3．1 讀取訓練集與測試集　128
4．3．2 構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)　128
4．3．3 訓練并保存模型　129
4．4 模型評估　130
4．4．1 模型性能評估　130
4．4．2 識別門牌號　130
小結(jié)　133
實訓 基于卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)單數(shù)字識別　134
課后習題　134
第5章 基于LSTM網(wǎng)絡(luò)的語音識別　135
5．1 目標分析　135
5．1．1 了解背景　135
5．1．2 數(shù)據(jù)說明　136
5．1．3 分析目標　136
5．1．4 項目工程結(jié)構(gòu)　136
5．2 數(shù)據(jù)預處理　137
5．2．1 劃分數(shù)據(jù)集　137
5．2．2 提取MFCC特征　138
5．2．3 標準化數(shù)據(jù)　141
5．3 構(gòu)建網(wǎng)絡(luò)　142
5．3．1 設(shè)置網(wǎng)絡(luò)超參數(shù)　142
5．3．2 構(gòu)建網(wǎng)絡(luò)層　143
5．4 訓練網(wǎng)絡(luò)　144
5．4．1 編譯網(wǎng)絡(luò)　144
5．4．2 訓練以及保存模型　145
5．4．3 模型調(diào)參　145
5．5 模型評估　148
5．5．1 泛化測試　148
5．5．2 結(jié)果分析　149
小結(jié)　150
實訓 基于LSTM網(wǎng)絡(luò)的聲紋識別　150
課后習題　151
第6章 基于CycleGAN的圖像風格轉(zhuǎn)換　152
6．1 目標分析　152
6．1．1 了解背景　152
6．1．2 分析目標　153
6．1．3 項目工程結(jié)構(gòu)　154
6．2 讀取數(shù)據(jù)　154
6．3 數(shù)據(jù)預處理　155
6．3．1 隨機抖動　155
6．3．2 歸一化處理圖像　156
6．3．3 對所有圖像做批處理并打亂　157
6．3．4 建立迭代器　157
6．4 構(gòu)建網(wǎng)絡(luò)　158
6．5 訓練網(wǎng)絡(luò)　158
6．5．1 定義損失函數(shù)　158
6．5．2 定義優(yōu)化器　159
6．5．3 定義圖像生成函數(shù)　159
6．5．4 定義訓練函數(shù)　160
6．5．5 訓練網(wǎng)絡(luò)　161
6．6 結(jié)果分析　162
小結(jié)　163
實訓 基于CycleGAN實現(xiàn)蘋果與橙子的轉(zhuǎn)換　163
課后習題　163
第7章 基于TipDM大數(shù)據(jù)挖掘建模平臺的語音識別　164
7．1 平臺簡介　164
7．1．1 實訓庫　165
7．1．2 數(shù)據(jù)連接　166
7．1．3 實訓數(shù)據(jù)　166
7．1．4 我的實訓　167
7．1．5 系統(tǒng)算法　168
7．1．6 個人算法　170
7．2 實現(xiàn)語音識別　170
7．2．1 配置數(shù)據(jù)源　171
7．2．2 數(shù)據(jù)預處理　173
7．2．3 訓練網(wǎng)絡(luò)　176
7．2．4 模型評估　176
小結(jié)　178
實訓 實現(xiàn)基于LSTM網(wǎng)絡(luò)的聲紋
識別　178
課后習題　178