AI 源碼解讀：捲積神經網絡(CNN)深度學習案例 (Python版)
李永華
- 出版商: 清華大學
- 出版日期: 2021-10-01
- 售價: $594
- 貴賓價: 9.5 折 $564
- 語言: 簡體中文
- 頁數: 384
- 裝訂: 平裝
- ISBN: 7302570663
- ISBN-13: 9787302570660
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
Beyond BIOS: Developing with the Unified Extensible Firmware Interface, 3/e (Paperback)$3,200$3,040 -
Harnessing the UEFI Shell: Moving the Platform Beyond Dos$3,620$3,439 -
Quick Boot: A Guide for Embedded Firmware Developers, Second Edition$2,640$2,508 -
Python 程式設計實務 -- 從入門到精通 step by step$590$460 -
最新 AI 技術：知識圖譜集技術概念大成$980$833 -
深度學習實務應用｜雲端、行動與邊緣裝置 (Practical Deep Learning for Cloud, Mobile and Edge)$880$695 -
$556AI 源碼解讀：機器學習案例 (Python版) -
深度學習的 16 堂課：CNN + RNN + GAN + DQN + DRL, 看得懂、學得會、做得出！ (Deep Learning Illustrated: A Visual, Interactive Guide to Artificial Intelligence)$620$490 -
$454AI 源碼解讀：循環神經網絡(RNN)深度學習案例 (Python版) -
汽車電子系統設計與仿真$414$393 -
自動駕駛算法與芯片設計$648$616 -
$607Python Web 深度學習 -
深度學習電腦視覺$768$730 -
動手學推薦系統 — 基於 PyTorch 的算法實現 (微課視頻版)$403$379 -
Python 深度強化學習 — 使用 PyTorch, TensorFlow 和 OpenAI$414$393 -
真槍實彈做專案：PyQt 極速開發視窗軟體, 2/e$880$695 -
Scikit-learn 詳解與企業應用：機器學習最佳入門與實戰$880$695 -
現代 CPU 性能分析與優化$594$564 -
Excel × ChatGPT × Power Automate 自動化處理．效率提昇便利技$499$394 -
都問 AI 吧！ChatGPT 上手的第一本書$380$342 -
路由與交換技術$599$569 -
汽車以太網(原書第3版)$1,494$1,419 -
$602數據通信網絡實踐：基礎知識與交換機技術 -
RISC-V 開放架構設計之道$534$507 -
機器學習的公式推導和程式實作$580$435
相關主題
商品描述
本書以人工智能發展為時代背景,通過20個機器學習模型和算法案例,為讀者提供較為詳細的實戰 方案,以便進行深度學習。 在編排方式上,全書側重對創新項目的過程進行介紹,分別從整體設計、系統流程和實現模塊等角度 論述數據處理、模型訓練和模型應用等過程,並剖析模塊的功能、使用及程序代碼。為便於讀者高效學習, 快速掌握人工智能程序開發方法,本書配套提供項目設計工程文檔、程序代碼、實現過程中出現的問題及 解決方法等資料,可供讀者舉一反三,二次開發。 本書語言簡潔,深入淺出,通俗易懂,不僅適合對Python編程有興趣的愛好者,而且可作為高等院校 相關專業的參考教材,還可作為從事智能應用創新開發專業人員的技術參考書。
作者簡介
李永華：北京郵電大學，教授，擁有超過10年的軟硬件開發經驗，長期致力於物聯網、雲計算與人工智能的研究工作。
在教學中以興趣為導向，激發學生的創造性；以素質為基礎，提高自身教學水平；以科研為手段，促進教學理念的轉變，在教學與科研實踐中指導學生實現300餘個創新案例。
主持30餘項國j級與企事業單位課題的研究工作，在國內外學術期刊及會議發表論文100餘篇，申請專利50餘項，出版圖書20餘部。
目錄大綱
項目1電影推薦小程序
1.1總體設計
1.1.1系統整體結構
1.1.2系統流程
1.2運行環境
1.2.1Python環境
1.2.2TensorFlow環境
1.3模塊實現
1.3.1數據預處理
1.3.2模型設計
1.3.3模型訓練及測試
1.3.4特徵矩陣提取
1.3.5推薦電影
1.3.6客戶端
1.4系統測試
1.4.1訓練準確率
1.4.2運行結果
項目2服裝分類助手
2.1總體設計
2.1.1系統整體結構
2.1.2系統流程
2.2運行環境
2.2.1Python環境
2.2.2PyTorch環境
2.2.3Django環境
2.3模塊實現
2.3.1數據預處理
2.3.2模型創建與編譯
2.3.3模型訓練及保存
2.3.4模型生成
2.4系統測試
2.4.1訓練準確率
2.4.2測試效果
2.4.3模型應用
項目3檢索式模型聊天機器人
3.1總體設計
3.1.1系統整體結構
3.1.2系統流程
3.2運行環境
3.2.1Python環境
3.2.2TensorFlow環境
3.3模塊實現
3.3.1數據預處理
3.3.2模型創建與編譯
3.3.3模型訓練及保存
3.3.4模型生成
3.4系統測試
3.4.1訓練準確率
3.4.2測試效果
3.4.3模型應用
項目4方言種類識別
4.1總體設計
4.1.1系統整體結構
4.1.2系統流程
4.2運行環境
4.2.1Python環境
4.2.2TensorFlow環境
4.2.3Jupyter Notebook環境
4.2.4PyCharm環境
4.3模塊實現
4.3.1數據預處理
4.3.2模型構建
4.3.3模型訓練及保存
4.3.4模型生成
4.4系統測試
4.4.1訓練準確率
4.4.2測試效果
項目5行人檢測與追踪計數
5.1總體設計
5.1.1系統整體結構
5.1.2系統流程
5.2運行環境
5.2.1Python環境
5.2.2TensorFlow環境
5.2.3安裝所需的軟件包
5.2.4硬件環境
5.3模塊實現
5.3.1準備數據
5.3.2數據預處理
5.3.3目標檢測
5.3.4目標追踪
5.3.5主函數
5.4系統測試
項目6智能果實採摘指導系統
6.1總體設計
6.1.1系統整體結構
6.1.2系統流程
6.2運行環境
6.2.1Python環境
6.2.2TensorFlow環境
6.2.3Jupyter Notebook環境
6.2.4PyCharm環境
6.2.5微信開發者工具
6.2.6OneNET雲平台
6.3模塊實現
6.3.1數據預處理
6.3.2創建模型與編譯
6.3.3模型訓練及保存
6.3.4上傳結果
6.3.5小程序開發
6.4系統測試
6.4.1訓練準確率
6.4.2測試效果
6.4.3外部訪問效果
項目7基於CNN的貓種類識別
7.1總體設計
7.1.1系統整體結構
7.1.2系統流程
7.2運行環境
7.2.1計算型雲服務器
7.2.2Python環境
7.2.3TensorFlow環境
7.2.4MySQL環境
7.2.5Django環境
7.3模塊實現
7.3.1數據預處理
7.3.2數據增強
7.3.3普通CNN模型
7.3.4殘差網絡模型
7.3.5模型生成
7.4系統測試
7.4.1訓練準確率
7.4.2測試效果
7.4.3模型應用
項目8基於VGG16的駕駛行為分析
8.1總體設計
8.1.1系統整體結構
8.1.2系統流程
8.2運行環境
8.2.1Python環境
8.2.2TensorFlow環境
8.2.3Android環境
8.3模塊實現
8.3.1數據預處理
8.3.2模型構建
8.3.3模型訓練及保存
8.3.4模型生成
8.4系統測試
8.4.1訓練準確率
8.4.2測試效果
8.4.3模型應用
項目9基於Mask RCNN的娛樂視頻生成器
9.1總體設計
9.1.1系統整體結構
9.1.2系統流程
9.2運行環境
9.2.1Python環境
9.2.2PyTorch環境
9.2.3Detectron2平台
9.2.4MoviePy的安裝
9.2.5PyQt的安裝
9.3模塊實現
9.3.1數據處理
9.3.2視頻處理
9.3.3PyQt界面
9.4系統測試
9.4.1訓練準確率
9.4.2運行效率
9.4.3應用使用說明
項目10基於CycleGAN的圖像轉換
10.1總體設計
10.1.1系統整體結構
10.1.2系統流程
10.2運行環境
10.2.1Python環境
10.2.2TensorFlow GPU環境
10.2.3Android環境
10.3模塊實現
10.3.1數據集預處理
10.3.2模型構建
10.3.3模塊分析
10.3.4模型訓練及保存
10.3.5模型生成
10.4系統測試
項目11交通警察——車輛監控系統
11.1總體設計
11.1.1系統整體結構
11.1.2系統流程
11.2運行環境
11.2.1Python環境
11.2.2TensorFlow環境
11.2.3PyCharm IDE配置
11.2.4Protoc配置
11.3模塊實現
11.3.1API下載及載入
11.3.2識別訓練
11.3.3導入模型與編譯
11.3.4模型生成
11.4系統測試
項目12驗證碼的生成與識別
12.1總體設計
12.1.1系統整體結構
12.1.2系統流程
12.2運行環境
12.2.1Python環境
12.2.2TensorFlow環境
12.2.3VsCode環境
12.3模塊實現
12.3.1數據預處理
12.3.2模型搭建
12.3.3模型訓練及保存
12.3.4模型測試
12.4系統測試
12.4.1訓練準確率
12.4.2測試效果
項目13基於CNN的交通標誌識別
13.1總體設計
13.1.1系統整體結構
13.1.2系統流程
13.2運行環境
13.3模塊實現
13.3.1數據預處理
13.3.2模型構建
13.3.3模型訓練及保存
13.4系統測試
13.4.1訓練準確率
13.4.2測試效果
項目14圖像風格轉移
14.1總體設計
14.1.1系統整體結構
14.1.2系統流程
14.2運行環境
14.2.1Python環境
14.2.2TensorFlow環境
14.2.3庫安裝
14.2.4VGG19網絡下載
14.3模塊實現
14.3.1實時風格轉移
14.3.2非實時風格轉移
14.3.3交互界面設計
14.4系統測試
14.4.1非實時風格轉移測試
14.4.2實時風格轉移測試
項目15口罩識別系統
15.1總體設計
15.1.1系統整體結構
15.1.2系統流程
15.2運行環境
15.3模塊實現
15.3.1數據預處理
15.3.2模型訓練及保存
15.3.3頁面顯示和視頻流輸入
15.3.4模型生成
15.4系統測試
15.4.1訓練準確率
15.4.2測試效果
項目16垃圾分類微信小程序
16.1總體設計
16.1.1系統整體結構
16.1.2系統流程
16.2運行環境
16.2.1Python環境
16.2.2TensorFlow環境
16.2.3微信小程序及後台服務器環境
16.3模塊實現
16.3.1數據預處理
16.3.2創建模型與編譯
16.3.3模型訓練及保存
16.3.4模型生成
16.4系統測試
16.4.1訓練準確率
16.4.2測試效果
16.4.3模型應用
項目17基於OpenCV的人臉識別程序
17.1總體設計
17.1.1系統整體結構
17.1.2系統流程
17.2運行環境
17.2.1Python環境
17.2.2TensorFlow環境
17.3模塊實現
17.3.1數據預處理
17.3.2模型構建
17.3.3模型訓練
17.4系統測試
項目18基於CGAN的線稿自動上色
18.1總體設計
18.1.1系統整體結構
18.1.2系統流程
18.2運行環境
18.2.1Python環境
18.2.2TensorFlow環境
18.3模塊實現
18.3.1數據預處理
18.3.2模型構建
18.3.3模型訓練及保存
18.3.4模型應用
18.4系統測試
18.4.1訓練效果
18.4.2測試效果
18.4.3模型使用說明
項目19基於ACGAN的動漫頭像生成
19.1總體設計
19.1.1系統整體結構
19.1.2系統流程
19.2運行環境
19.2.1Python環境
19.2.2TensorFlow環境
19.2.3OpenCV環境
19.2.4Illustration2Vec
19.3模塊實現
19.3.1數據獲取
19.3.2數據處理
19.3.3模型構建
19.3.4模型訓練及保存
19.4系統測試
19.4.1模型導入及調用
19.4.2生成指定標籤
項目20手勢語言識別
20.1總體設計
20.1.1系統整體結構
20.1.2系統流程
20.2運行環境
20.2.1Python環境
20.2.2TensorFlow環境
20.2.3OpenCVPython環境
20.3模塊實現
20.3.1設置直方圖
20.3.2載入手勢圖片
20.3.3模型訓練及保存
20.4系統測試
20.4.1測試準確率
20.4.2測試效果
