TensorFlow深度學(xué)習(xí)實(shí)例教程
定 價(jià)：65 元
叢書名：高等職業(yè)教育系列教材
- 作者：主編平震宇, 匡亮
- 出版時(shí)間：2023/1/1
- ISBN：9787111703655
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP18
- 頁(yè)碼：233
- 紙張：
- 版次：1
- 開本：26cm
本書主要包括8個(gè)項(xiàng)目, 分別為搭建TensorFlow開發(fā)環(huán)境, 手寫數(shù)字識(shí)別: TensorFlow初探, 波士頓房?jī)r(jià)預(yù)測(cè): 前饋神經(jīng)網(wǎng)絡(luò), 服裝圖像識(shí)別: Keras搭建與訓(xùn)練模型, 圖像識(shí)別: 卷積神經(jīng)網(wǎng)絡(luò), AI詩(shī)人: 循環(huán)神經(jīng)網(wǎng)絡(luò), 預(yù)測(cè)汽車油耗效率: TensorFlow.js應(yīng)用開發(fā)和慶娣花卉識(shí)別: TensorFlow Lite。
1．編寫主體體現(xiàn)校企雙元組合
2．教材內(nèi)容項(xiàng)目化
3．將“1+X”內(nèi)容充分融入教材，職業(yè)技能標(biāo)準(zhǔn)規(guī)范化
人工智能是新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動(dòng)力，給我國(guó)經(jīng)濟(jì)社會(huì)帶來(lái)了極其深遠(yuǎn)的影響，既為促進(jìn)經(jīng)濟(jì)建設(shè)注入了新動(dòng)能，又為服務(wù)社會(huì)發(fā)展帶來(lái)了新機(jī)遇。2019年，全國(guó)有171所高職院校開設(shè)了人工智能技術(shù)服務(wù)專業(yè)，為我國(guó)人工智能技術(shù)的發(fā)展提供科技和人才支撐，推動(dòng)我國(guó)人工智能技術(shù)邁向新的高度。
深度學(xué)習(xí)帶來(lái)了機(jī)器學(xué)習(xí)技術(shù)的革命，參與了人類重大的工程挑戰(zhàn)，比如自動(dòng)駕駛、醫(yī)療診斷和預(yù)測(cè)、跨語(yǔ)言的自由交流、更通用的人工智能系統(tǒng)等領(lǐng)域。本書主要介紹基于深度學(xué)習(xí)的基本概念以及TensorFlow深度學(xué)習(xí)框架應(yīng)用開發(fā)技術(shù)，不僅介紹了深度學(xué)習(xí)的基礎(chǔ)理論和主流的模型及算法（包括神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等），而且重點(diǎn)講解了如何基于TensorFlow框架針對(duì)不同的應(yīng)用場(chǎng)景進(jìn)行深度學(xué)習(xí)模型的選擇、構(gòu)建和應(yīng)用。TensorFlow是Google于 2011 年發(fā)布的用于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)功能的開源框架，在學(xué)術(shù)、科研和工業(yè)領(lǐng)域得到了廣泛應(yīng)用。
本書省略了煩瑣的深度學(xué)習(xí)數(shù)學(xué)模型的推導(dǎo)，從實(shí)際應(yīng)用問題出發(fā)，通過具體的項(xiàng)目介紹如何使用深度學(xué)習(xí)解決實(shí)際問題，主要包括手寫數(shù)字識(shí)別、房?jī)r(jià)預(yù)測(cè)、服裝圖像識(shí)別、AI詩(shī)人、花卉識(shí)別等經(jīng)典深度學(xué)習(xí)項(xiàng)目。在項(xiàng)目講解過程中深入淺出地介紹了TensorFlow常用模塊的使用方法，建立和訓(xùn)練模型的方式，在服務(wù)器、嵌入式設(shè)備和瀏覽器等平臺(tái)部署模型的方法。本書包括8個(gè)項(xiàng)目，分別為搭建TensorFlow開發(fā)環(huán)境，手寫數(shù)字識(shí)別：TensorFlow初探，房?jī)r(jià)預(yù)測(cè)：前饋神經(jīng)網(wǎng)絡(luò)，服裝圖像識(shí)別：Keras搭建與訓(xùn)練模型，圖像識(shí)別：卷積神經(jīng)網(wǎng)絡(luò)，AI詩(shī)人：循環(huán)神經(jīng)網(wǎng)絡(luò)，預(yù)測(cè)汽車油耗效率：TensorFlow.js應(yīng)用開發(fā)和花卉識(shí)別：TensorFlow Lite。
本書的編寫理念是“以學(xué)生能力提升為本位”，指導(dǎo)原則是“理論以夠用為度，技能以實(shí)用為本”，編寫團(tuán)隊(duì)精心設(shè)置教學(xué)內(nèi)容，重構(gòu)知識(shí)與技能組織形式，體現(xiàn)案例教學(xué)、任務(wù)驅(qū)動(dòng)等教學(xué)改革成果。本書主要特色與創(chuàng)新如下。
1．編寫主體體現(xiàn)校企雙元組合
職業(yè)教育的課堂教學(xué)需要及時(shí)反映技術(shù)發(fā)展的新動(dòng)態(tài)，為了編寫出高質(zhì)量的工作手冊(cè)式教材，制定合理的編寫流程，需明確學(xué)校編寫人員和企業(yè)編寫人員的科學(xué)分工。企業(yè)編寫人員將企業(yè)案例匯聚到實(shí)踐項(xiàng)目中，把企業(yè)項(xiàng)目轉(zhuǎn)化為教學(xué)項(xiàng)目，學(xué)校編寫人員按照教學(xué)規(guī)律對(duì)技術(shù)內(nèi)容進(jìn)行適當(dāng)轉(zhuǎn)化和合理編排，這實(shí)質(zhì)上是人才供需雙方在人才培養(yǎng)目標(biāo)和培養(yǎng)方式上達(dá)成共識(shí)的過程，也是一種取長(zhǎng)補(bǔ)短、優(yōu)勢(shì)互補(bǔ)的協(xié)同化工作方式。
2．教材內(nèi)容項(xiàng)目化
按照人工智能專業(yè)高素質(zhì)技能人才必備的素質(zhì)、知識(shí)和能力要求，將這些目標(biāo)落實(shí)在基于真實(shí)工作過程的學(xué)習(xí)性工作任務(wù)載體中，圍繞“將真實(shí)企業(yè)項(xiàng)目轉(zhuǎn)化為教學(xué)任務(wù)，以項(xiàng)目為背景，以知識(shí)為主線，以提高能力和興趣為目的，全面提升技能水平和職業(yè)素養(yǎng)”的思路進(jìn)行教材設(shè)計(jì)，完整呈現(xiàn)企業(yè)典型項(xiàng)目的開發(fā)過程。
3．將“1+X”內(nèi)容充分融入教材，職業(yè)技能標(biāo)準(zhǔn)規(guī)范化
本書涉及的知識(shí)點(diǎn)在“1+X”計(jì)算機(jī)視覺應(yīng)用開發(fā)職業(yè)技能等級(jí)證書考核體系中占有相當(dāng)大的比例，深入研究職業(yè)技能等級(jí)標(biāo)準(zhǔn)與有關(guān)專業(yè)教學(xué)標(biāo)準(zhǔn)，將證書培訓(xùn)考核知識(shí)點(diǎn)有機(jī)融入教材內(nèi)容，推進(jìn)書證融通、課證融通。積極發(fā)揮職業(yè)技能等級(jí)證書在促進(jìn)院校人才培養(yǎng)、實(shí)施職業(yè)技能水平評(píng)價(jià)等方面的優(yōu)勢(shì)。
本書編寫團(tuán)隊(duì)由江蘇省科技創(chuàng)新團(tuán)隊(duì)、江蘇省青藍(lán)工程優(yōu)秀教學(xué)團(tuán)隊(duì)核心成員、國(guó)家精品在線開放課程開發(fā)團(tuán)隊(duì)中的骨干教師組成，包括平震宇、匡亮、沈冠林、朱瑩芳、凌路、高云、李濤、李陽(yáng)、朱二喜。同時(shí)，吸收了知名企業(yè)一線專家深度參與本書的編寫，無(wú)錫新思聯(lián)信息技術(shù)有限公司的鄧慧斌、徐佳，聯(lián)合新大陸、澳鵬科技（無(wú)錫）有限公司以及瀚云科技有限公司等企業(yè)將其項(xiàng)目轉(zhuǎn)化為教學(xué)項(xiàng)目。
在本書的編寫過程中，得到了江蘇信息職業(yè)技術(shù)學(xué)院孫萍、顧曉燕、華馳等老師的大力支持與幫助，他們?yōu)楸緯木帉懱岢隽嗽S多寶貴的意見和建議，在此向他們表示衷心的感謝。
雖然對(duì)書中所述內(nèi)容盡量核實(shí)，并進(jìn)行了多次文字校對(duì)，但因時(shí)間所限，書中難免有疏漏之處，懇請(qǐng)廣大讀者批評(píng)指正。
前言
二維碼資源清單
項(xiàng)目1 搭建TensorFlow開發(fā)環(huán)境1
項(xiàng)目描述1
思維導(dǎo)圖1
項(xiàng)目目標(biāo)1
1.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)2
1.1.1 人工智能2
1.1.2 機(jī)器學(xué)習(xí)2
1.1.3 深度學(xué)習(xí)4
1.2 深度學(xué)習(xí)簡(jiǎn)介5
1.2.1 深度學(xué)習(xí)發(fā)展簡(jiǎn)史5
1.2.2 深度學(xué)習(xí)的工作原理7
1.2.3 深度學(xué)習(xí)的應(yīng)用9
1.3 任務(wù)1：認(rèn)識(shí)深度學(xué)習(xí)框架13
1.3.1 TensorFlow13
1.3.2 Keras14
1.3.3 PyTorch14
1.3.4 Caffe15
1.3.5 MXNet15
1.3.6 PaddlePaddle16
1.4 任務(wù)2：搭建深度學(xué)習(xí)開發(fā)環(huán)境17
1.4.1 安裝Anaconda17
1.4.2 使用Conda管理環(huán)境20
1.4.3 安裝TensorFlow21
1.4.4 常用編輯器22
拓展項(xiàng)目24
項(xiàng)目2 手寫數(shù)字識(shí)別：TensorFlow初探26
項(xiàng)目描述26
思維導(dǎo)圖26
項(xiàng)目目標(biāo)26
2.1 TensorFlow架構(gòu)27
2.1.1 TensorFlow架構(gòu)圖27
2.1.2 TensorFlow 1.x和2.0之間的差異28
2.1.3 TensorFlow數(shù)據(jù)流圖29
2.1.4 TensorFlow運(yùn)行機(jī)制31
2.2 任務(wù)1：張量的基本操作32
2.2.1 張量的階、形狀、數(shù)據(jù)類型32
2.2.2 現(xiàn)實(shí)世界中的數(shù)據(jù)張量35
2.2.3 MNIST數(shù)據(jù)集39
2.2.4 索引與切片43
2.2.5 維度變換47
2.2.6 廣播機(jī)制51
2.3 任務(wù)2：張量的進(jìn)階操作54
2.3.1 合并與分割54
2.3.2 大值、小值、均值、和58
2.3.3 張量比較60
2.3.4 張量排序63
2.3.5 張量中提取數(shù)值64
拓展項(xiàng)目65
項(xiàng)目3 房?jī)r(jià)預(yù)測(cè)：前饋神經(jīng)網(wǎng)絡(luò)67
項(xiàng)目描述67
思維導(dǎo)圖67
項(xiàng)目目標(biāo)67
3.1 任務(wù)1：實(shí)現(xiàn)一元線性回歸模型68
3.1.1 準(zhǔn)備數(shù)據(jù)69
3.1.2 構(gòu)建模型69
3.1.3 迭代訓(xùn)練70
3.1.4 保存和讀取模型71
3.2 認(rèn)識(shí)神經(jīng)網(wǎng)絡(luò)72
3.2.1 神經(jīng)元72
3.2.2 激活函數(shù)74
3.3 任務(wù)2：房?jī)r(jià)預(yù)測(cè)78
3.3.1 準(zhǔn)備數(shù)據(jù)集79
3.3.2 構(gòu)建模型81
3.3.3 訓(xùn)練模型83
3.4 前饋神經(jīng)網(wǎng)絡(luò)87
3.4.1 前饋神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)87
3.4.2 損失函數(shù)89
3.4.3 反向傳播算法92
3.4.4 梯度下降算法95
拓展項(xiàng)目100
項(xiàng)目4 服裝圖像識(shí)別：Keras搭建與訓(xùn)練模型102
項(xiàng)目描述102
思維導(dǎo)圖102
項(xiàng)目目標(biāo)102
4.1 認(rèn)識(shí)tf.keras103
4.1.1 Keras與tf.keras103
4.1.2 層（Layer）104
4.1.3 模型（Model）106
4.2 任務(wù)1：服裝圖像識(shí)別108
4.2.1 構(gòu)建模型108
4.2.2 訓(xùn)練模型111
4.2.3 評(píng)估模型115
4.3 任務(wù)2：保存與加載模型116
4.3.1 SavedModel方式保存模型117
4.3.2 H5格式保存模型118
4.3.3 檢查點(diǎn)（Checkpoint）格式保存模型119
4.4 任務(wù)3：tf.data優(yōu)化訓(xùn)練數(shù)據(jù)120
4.4.1 訓(xùn)練數(shù)據(jù)輸入模型的方法120
4.4.2 tf.data API121
4.4.3 tf.data.Dataset122
4.5 任務(wù)4：花卉識(shí)別125
4.5.1 下載圖片125
4.5.2 構(gòu)建花卉數(shù)據(jù)集127
4.5.3 構(gòu)建與訓(xùn)練模型129
4.5.4 保存與加載模型130
拓展項(xiàng)目131
項(xiàng)目5 圖像識(shí)別：卷積神經(jīng)網(wǎng)絡(luò)132
項(xiàng)目描述132
思維導(dǎo)圖132
項(xiàng)目目標(biāo)132
5.1 認(rèn)識(shí)卷積神經(jīng)網(wǎng)絡(luò)133
5.1.1 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展歷史133
5.1.2 全連接神經(jīng)網(wǎng)絡(luò)的問題134
5.2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)135
5.2.1 卷積運(yùn)算135
5.2.2 填充136
5.2.3 步長(zhǎng)137
5.2.4 多輸入通道和多輸出通道138
5.2.5 池化層139
5.3 TensorFlow對(duì)卷積神經(jīng)網(wǎng)絡(luò)的支持140
5.3.1 卷積函數(shù)141
5.3.2 池化函數(shù)144
5.4 任務(wù)1：識(shí)別CIFAR-10圖像145
5.4.1 卷積網(wǎng)絡(luò)的整體結(jié)構(gòu)145
5.4.2 CIFAR-10數(shù)據(jù)集146
5.4.3 構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型148
5.4.4 編譯、訓(xùn)練并評(píng)估模型149
5.5 任務(wù)2：搭建經(jīng)典卷積網(wǎng)絡(luò)150
5.5.1 圖像識(shí)別的難題151
5.5.2 AlexNet152
5.5.3 VGG系列154
5.5.4 ResNet156
5.6 任務(wù)3：ResNet實(shí)現(xiàn)圖像識(shí)別158
5.6.1 ResNet模型結(jié)構(gòu)158
5.6.2 BasicBlock類159
5.6.3 搭建ResNet網(wǎng)絡(luò)模型160
5.6.4 加載數(shù)據(jù)集并訓(xùn)練模型162
拓展項(xiàng)目163
項(xiàng)目6 AI詩(shī)人：循環(huán)神經(jīng)網(wǎng)絡(luò)164
項(xiàng)目描述164
思維導(dǎo)圖164
項(xiàng)目目標(biāo)164
6.1 認(rèn)識(shí)循環(huán)神經(jīng)網(wǎng)絡(luò)165
6.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)發(fā)展歷史165
6.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用166
6.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的作用166
6.2 任務(wù)1：電影評(píng)論分類167
6.2.1 IMDb數(shù)據(jù)集167
6.2.2 使用全連接神經(jīng)網(wǎng)絡(luò)169
6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)170
6.2.4 SimpleRNNCell使用方法171
6.2.5 RNN分類IMDb數(shù)據(jù)集173
6.2.6 RNN梯度消失176
6.3 任務(wù)2：AI詩(shī)人176
6.3.1 長(zhǎng)短期記憶（LSTM）176
6.3.2 文本生成：AI詩(shī)人178
拓展項(xiàng)目184
項(xiàng)目7 預(yù)測(cè)汽車油耗效率：TensorFlow.js應(yīng)用開發(fā)186
項(xiàng)目描述186
思維導(dǎo)圖186
項(xiàng)目目標(biāo)186
7.1 認(rèn)識(shí)TensorFlow.js187
7.1.1 TensorFlow.js的優(yōu)點(diǎn)187
7.1.2 TensorFlow.js 的核心概念188
7.1.3 TensorFlow.js 環(huán)境配置190
7.2 任務(wù)1：預(yù)測(cè)汽車油耗效率193
7.2.1 創(chuàng)建主頁(yè)并加載數(shù)據(jù)194
7.2.2 定義模型結(jié)構(gòu)196
7.2.3 數(shù)據(jù)預(yù)處理196
7.2.4 訓(xùn)練與測(cè)試模型197
7.3 任務(wù)2：手寫數(shù)字識(shí)別200
7.3.1 從GitHub獲取源碼并運(yùn)行200
7.3.2 創(chuàng)建相關(guān)文件201
7.3.3 定義模型結(jié)構(gòu)203
7.3.4 訓(xùn)練模型206
7.3.5 使用模型進(jìn)行評(píng)估與預(yù)測(cè)208
拓展項(xiàng)目210
項(xiàng)目8 花卉識(shí)別：TensorFlow Lite211
項(xiàng)目描述211
思維導(dǎo)圖211
項(xiàng)目目標(biāo)211
8.1 認(rèn)識(shí)TensorFlow Lite212
8.1.1 TensorFlow Lite發(fā)展歷史212
8.1.2 TensorFlow Lite的應(yīng)用213
8.2 TensorFlow Lite體系結(jié)構(gòu)213
8.2.1 TensorFlow Lite整體架構(gòu)213
8.2.2 TensorFlow Lite轉(zhuǎn)換器214
8.2.3 FlatBuffers格式215
8.2.4 TensorFlow Lite解釋執(zhí)行器215
8.3 任務(wù)1：TensorFlow Lite開發(fā)工作流程216
8.3.1 選擇模型216
8.3.2 模型轉(zhuǎn)換218
8.3.3 模型推理219
8.3.4 優(yōu)化模型220
8.4 任務(wù)2：TensorFlow Lite實(shí)現(xiàn)花卉識(shí)別220
8.4.1 選擇模型221
8.4.2 Android部署226
拓展項(xiàng)目233
參考文獻(xiàn) 234
書單推薦
