TensorFlow 2深度學習實戰

崔煒，男，副教授，廣東松山職業技術學院電腦與信息工程學院副院長，從事電腦專業教學 18 年，在《International Journal of Digital Content Technology and its Applications》、《科技通報》、《電腦與現代化》等多種雜志和刊物上發表論文 20 多篇，其中 EI 論文 1 篇、中文核心論文 2 篇、科技核心論文 1 篇；主持參與各類課題項目 10 多項，參與編寫出版教材 6 部。獲得的教學表彰/獎勵有：2017 年廣東省職業院校教師信息化教學大賽高等職業教育組信息化課堂教學比賽榮獲三等獎；2008 年電腦教育軟件評審高等教育組多媒體課件三等級、寶鋼集團廣東韶關鋼鐵有限公司科協 2012~2013 年度優秀科技論文三等獎、2014 年優秀教師、2019 年優秀黨員、2019 年廣東省職業院校“超星杯”微課大賽（高職組）中榮獲二等獎、2020 年廣東省職業院校“超星杯” 微課大賽（高職組）中榮獲三等獎、2021 年廣東省職業院校“超星杯”微課大賽（高職組）中榮獲二等獎。

張良均

資深大數據專家，廣東泰迪智能科技股份有限公司董事長，國家科技部入庫技術專家，教育部全國專業學位水平評估專家，工信部教育與考試中心入庫專家，中國工業與應用數學學會理事，廣東省工業與應用數學學會副理事長，廣東省高等職業教育教學指導委員會委員，華南師範大學、中南財經政法大學等40餘所高校校外碩導或兼職教授，泰迪杯全國數據挖掘挑戰賽發起人。

曾在國內外重要學術刊物上發表學術論文10餘篇，主導編寫圖書專著60餘部，其中獲普通高等教育“十一五”規劃教材一部，“十三五”職業教育國家規劃教材一部；參與標準建設4項，主持國家級課題1項、省部級課題4項。獲得SAS、SPSS數據挖掘認證及Hadoop開發工程師證書，具有信訪、電力、電信、銀行、製造企業、電子商務和電子政務的項目經驗和行業背景，並榮獲中國產學研合作促進獎、中國南方電網公司發明專利一等獎、廣東省農業技術推廣二等獎、廣州市荔灣區科學技術進步獎。

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　深度學習常見應用　2

1.2　深度學習應用技術　8

1.2.1　深度學習與電腦視覺　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　14

1.3.3　TensorFlow特性　15

1.3.4　TensorFlow的改進　16

小結　17

課後習題　17

第　2章 TensorFlow 2快速入門　18

2.1　TensorFlow 2環境搭建　18

2.1.1　搭建TensorFlow CPU環境　18

2.1.2　搭建TensorFlow GPU環境　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基本數據類型形式　24

2.2.3　構建網絡　26

2.2.4　訓練網絡　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　數據加載　29

2.3.2　數據預處理　34

2.3.3　構建深度學習神經網絡　39

2.3.4　編譯網絡　45

2.3.5　訓練網絡　51

2.3.6　性能評估　53

2.3.7　模型保存與調用　61

小結　65

實訓　構建鳶尾花分類模型　65

課後習題　66

第3章　深度神經網絡原理及實現　67

3.1　捲積神經網絡　67

3.1.1　捲積神經網絡中的核心網絡層　68

3.1.2　基於捲積神經網絡的圖像分類實例　82

3.1.3　常用捲積神經網絡算法及其結構　84

3.2　循環神經網絡　88

3.2.1　循環神經網絡中的常用網絡層　89

3.2.2　基於循環神經網絡的文本分類實例　99

3.3　生成對抗網絡　103

3.3.1　常用生成對抗網絡算法及其結構　103

3.3.2　基於生成對抗網絡的動漫人臉生成實例　106

小結　112

實訓　112

實訓1　基於捲積神經網絡的手寫數字圖像識別　112

實訓2　基於循環神經網絡的詩詞生成　113

實訓3　基於生成對抗網絡的手寫數字圖像生成　113

課後習題　113

第4章　基於CNN的門牌號識別　116

4.1　目標分析　116

4.1.1　瞭解背景　116

4.1.2　數據說明　117

4.1.3　分析目標　117

4.1.4　項目工程結構　118

4.2　數據預處理　119

4.2.1　獲取目標與背景數據　119

4.2.2　基於HOG特徵提取與SVM分類器的目標檢測　122

4.3　構建網絡　127

4.3.1　讀取訓練集與測試集　128

4.3.2　構建捲積神經網絡　128

4.3.3　訓練並保存模型　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　133

實訓　基於捲積神經網絡實現單數字識別　134

課後習題　134

第5章　基於LSTM網絡的語音識別　135

5.1　目標分析　135

5.1.1　瞭解背景　135

5.1.2　數據說明　136

5.1.3　分析目標　136

5.1.4　項目工程結構　136

5.2　數據預處理　137

5.2.1　劃分數據集　137

5.2.2　提取MFCC特徵　138

5.2.3　標準化數據　141

5.3　構建網絡　142

5.3.1　設置網絡超參數　142

5.3.2　構建網絡層　143

5.4　訓練網絡　144

5.4.1　編譯網絡　144

5.4.2　訓練以及保存模型　145

5.4.3　模型調參　145

5.5　模型評估　148

5.5.1　泛化測試　148

5.5.2　結果分析　149

小結　150

實訓　基於LSTM網絡的聲紋識別　150

課後習題　151

第6章　基於CycleGAN的圖像風格轉換　152

6.1　目標分析　152

6.1.1　瞭解背景　152

6.1.2　分析目標　153

6.1.3　項目工程結構　154

6.2　讀取數據　154

6.3　數據預處理　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並打亂　157

6.3.4　建立迭代器　157

6.4　構建網絡　158

6.5　訓練網絡　158

6.5.1　定義損失函數　158

6.5.2　定義優化器　159

6.5.3　定義圖像生成函數　159

6.5.4　定義訓練函數　160

6.5.5　訓練網絡　161

6.6　結果分析　162

小結　163

實訓　基於CycleGAN實現蘋果與橙子的轉換　163

課後習題　163

第7章　基於TipDM大數據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　數據連接　166

7.1.3　實訓數據　166

7.1.4　我的實訓　167

7.1.5　系統算法　168

7.1.6　個人算法　170

7.2　實現語音識別　170

7.2.1　配置數據源　171

7.2.2　數據預處理　173

7.2.3　訓練網絡　176

7.2.4　模型評估　176

小結　178

實訓　實現基於LSTM網絡的聲紋

識別　178

課後習題　178