AI源码解读:卷积神经网络(CNN)深度学习案例(Python版)

AI源码解读:卷积神经网络(CNN)深度学习案例(Python版)

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

编辑推荐

人工智能RNN深度学习实践:模型算法设计与Python代码实现。

内容简介

本书根据当前人工智能RNN深度学习的发展成果,具体设计基于RNN的模型算法,并给出了具体实现,最新算法流程及Python代码实现。其主要内容包括:基于机器学习的说唱歌词创作机器人,基于ImageCaption的英语学习应用,基于LSTM的语音&文本&情感识别的Python的具体实现,本书图文并茂,丰富实用,深入浅出,易学易用。本书根据当前人工智能RNN深度学习的发展成果,基于RNN的模型算法,给出了具体设计和实现方法,最新算法流程及Python代码实现。

章节目录

封面页

书名页

版权页

作者简介

内容简介

前言

配套资源

目录

项目1 电影推荐小程序

1.1 总体设计

1.1.1 系统整体结构

1.1.2 系统流程

1.2 运行环境

1.2.1 Python环境

1.2.2 TensorFlow环境

1.3 模块实现

1.3.1 数据预处理

1.3.2 模型设计

1.3.3 模型训练及测试

1.3.4 特征矩阵提取

1.3.5 推荐电影

1.3.6 客户端

1.4 系统测试

1.4.1 训练准确率

1.4.2 运行结果

项目2 服装分类助手

2.1 总体设计

2.1.1 系统整体结构

2.1.2 系统流程

2.2 运行环境

2.2.1 Python环境

2.2.2 PyTorch环境

2.2.3 Django环境

2.3 模块实现

2.3.1 数据预处理

2.3.2 模型创建与编译

2.3.3 模型训练及保存

2.3.4 模型生成

2.4 系统测试

2.4.1 训练准确率

2.4.2 测试效果

2.4.3 模型应用

项目3 检索式模型聊天机器人

3.1 总体设计

3.1.1 系统整体结构

3.1.2 系统流程

3.2 运行环境

3.2.1 Python环境

3.2.2 TensorFlow环境

3.3 模块实现

3.3.1 数据预处理

3.3.2 模型创建与编译

3.3.3 模型训练及保存

3.3.4 模型生成

3.4 系统测试

3.4.1 训练准确率

3.4.2 测试效果

3.4.3 模型应用

项目4 方言种类识别

4.1 总体设计

4.1.1 系统整体结构

4.1.2 系统流程

4.2 运行环境

4.2.1 Python环境

4.2.2 TensorFlow环境

4.2.3 Jupyter Notebook环境

4.2.4 PyCharm环境

4.3 模块实现

4.3.1 数据预处理

4.3.2 模型构建

4.3.3 模型训练及保存

4.3.4 模型生成

4.4 系统测试

4.4.1 训练准确率

4.4.2 测试效果

项目5 行人检测与追踪计数

5.1 总体设计

5.1.1 系统整体结构

5.1.2 系统流程

5.2 运行环境

5.2.1 Python环境

5.2.2 TensorFlow环境

5.2.3 安装所需的软件包

5.2.4 硬件环境

5.3 模块实现

5.3.1 准备数据

5.3.2 数据预处理

5.3.3 目标检测

5.3.4 目标追踪

5.3.5 主函数

5.4 系统测试

项目6 智能果实采摘指导系统

6.1 总体设计

6.1.1 系统整体结构

6.1.2 系统流程

6.2 运行环境

6.2.1 Python环境

6.2.2 TensorFlow环境

6.2.3 Jupyter Notebook环境

6.2.4 PyCharm环境

6.2.5 微信开发者工具

6.2.6 OneNET云平台

6.3 模块实现

6.3.1 数据预处理

6.3.2 创建模型与编译

6.3.3 模型训练及保存

6.3.4 上传结果

6.3.5 小程序开发

6.4 系统测试

6.4.1 训练准确率

6.4.2 测试效果

6.4.3 外部访问效果

项目7 基于CNN的猫种类识别

7.1 总体设计

7.1.1 系统整体结构

7.1.2 系统流程

7.2 运行环境

7.2.1 计算型云服务器

7.2.2 Python环境

7.2.3 TensorFlow环境

7.2.4 MySQL环境

7.2.5 Django环境

7.3 模块实现

7.3.1 数据预处理

7.3.2 数据增强

7.3.3 普通CNN模型

7.3.4 残差网络模型

7.3.5 模型生成

7.4 系统测试

7.4.1 训练准确率

7.4.2 测试效果

7.4.3 模型应用

项目8 基于VGG-16的驾驶行为分析

8.1 总体设计

8.1.1 系统整体结构

8.1.2 系统流程

8.2 运行环境

8.2.1 Python环境

8.2.2 TensorFlow环境

8.2.3 Android环境

8.3 模块实现

8.3.1 数据预处理

8.3.2 模型构建

8.3.3 模型训练及保存

8.3.4 模型生成

8.4 系统测试

8.4.1 训练准确率

8.4.2 测试效果

8.4.3 模型应用

项目9 基于Mask R-CNN的娱乐视频生成器

9.1 总体设计

9.1.1 系统整体结构

9.1.2 系统流程

9.2 运行环境

9.2.1 Python环境

9.2.2 PyTorch环境

9.2.3 Detectron2平台

9.2.4 MoviePy的安装

9.2.5 PyQt的安装

9.3 模块实现

9.3.1 数据处理

9.3.2 视频处理

9.3.3 PyQt界面

9.4 系统测试

9.4.1 训练准确率

9.4.2 运行效率

9.4.3 应用使用说明

项目10 基于CycleGAN的图像转换

10.1 总体设计

10.1.1 系统整体结构

10.1.2 系统流程

10.2 运行环境

10.2.1 Python环境

10.2.2 TensorFlow GPU环境

10.2.3 Android环境

10.3 模块实现

10.3.1 数据集预处理

10.3.2 模型构建

10.3.3 模块分析

10.3.4 模型训练及保存

10.3.5 模型生成

10.4 系统测试

项目11 交通警察——车辆监控系统

11.1 总体设计

11.1.1 系统整体结构

11.1.2 系统流程

11.2 运行环境

11.2.1 Python环境

11.2.2 TensorFlow环境

11.2.3 PyCharm IDE配置

11.2.4 Protoc配置

11.3 模块实现

11.3.1 API下载及载入

11.3.2 识别训练

11.3.3 导入模型与编译

11.3.4 模型生成

11.4 系统测试

项目12 验证码的生成与识别

12.1 总体设计

12.1.1 系统整体结构

12.1.2 系统流程

12.2 运行环境

12.2.1 Python环境

12.2.2 TensorFlow环境

12.2.3 VsCode环境

12.3 模块实现

12.3.1 数据预处理

12.3.2 模型搭建

12.3.3 模型训练及保存

12.3.4 模型测试

12.4 系统测试

12.4.1 训练准确率

12.4.2 测试效果

项目13 基于CNN的交通标志识别

13.1 总体设计

13.1.1 系统整体结构

13.1.2 系统流程

13.2 运行环境

13.3 模块实现

13.3.1 数据预处理

13.3.2 模型构建

13.3.3 模型训练及保存

13.4 系统测试

13.4.1 训练准确率

13.4.2 测试效果

项目14 图像风格转移

14.1 总体设计

14.1.1 系统整体结构

14.1.2 系统流程

14.2 运行环境

14.2.1 Python环境

14.2.2 TensorFlow环境

14.2.3 库安装

14.2.4 VGG-19网络下载

14.3 模块实现

14.3.1 实时风格转移

14.3.2 非实时风格转移

14.3.3 交互界面设计

14.4 系统测试

14.4.1 非实时风格转移测试

14.4.2 实时风格转移测试

项目15 口罩识别系统

15.1 总体设计

15.1.1 系统整体结构

15.1.2 系统流程图

15.2 运行环境

15.3 模块实现

15.3.1 数据预处理

15.3.2 模型训练及保存

15.3.3 页面显示和视频流输入

15.3.4 模型生成

15.4 系统测试

15.4.1 训练准确率

15.4.2 测试效果

项目16 垃圾分类微信小程序

16.1 总体设计

16.1.1 系统整体结构

16.1.2 系统流程

16.2 运行环境

16.2.1 Python环境

16.2.2 TensorFlow环境

16.2.3 微信小程序及后台服务器环境

16.3 模块实现

16.3.1 数据预处理

16.3.2 创建模型与编译

16.3.3 模型训练及保存

16.3.4 模型生成

16.4 系统测试

16.4.1 训练准确率

16.4.2 测试效果

16.4.3 模型应用

项目17 基于OpenCV的人脸识别程序

17.1 总体设计

17.1.1 系统整体结构

17.1.2 系统流程

17.2 运行环境

17.2.1 Python环境

17.2.2 TensorFlow环境

17.3 模块实现

17.3.1 数据预处理

17.3.2 模型构建

17.3.3 模型训练

17.4 系统测试

项目18 基于CGAN的线稿自动上色

18.1 总体设计

18.1.1 系统整体结构

18.1.2 系统流程

18.2 运行环境

18.2.1 Python环境

18.2.2 TensorFlow环境

18.3 模块实现

18.3.1 数据预处理

18.3.2 模型构建

18.3.3 模型训练及保存

18.3.4 模型应用

18.4 系统测试

18.4.1 训练效果

18.4.2 测试效果

18.4.3 模型使用说明

项目19 基于ACGAN的动漫头像生成

19.1 总体设计

19.1.1 系统整体结构

19.1.2 系统流程

19.2 运行环境

19.2.1 Python环境

19.2.2 TensorFlow环境

19.2.3 OpenCV环境

19.2.4 Illustration2Vec

19.3 模块实现

19.3.1 数据获取

19.3.2 数据处理

19.3.3 模型构建

19.3.4 模型训练及保存

19.4 系统测试

19.4.1 模型导入及调用

19.4.2 生成指定标签

项目20 手势语言识别

20.1 总体设计

20.1.1 系统整体结构

20.1.2 系统流程

20.2 运行环境

20.2.1 Python环境

20.2.2 TensorFlow环境

20.2.3 OpenCV-Python环境

20.3 模块实现

20.3.1 设置直方图

20.3.2 载入手势图片

20.3.3 模型训练及保存

20.4 系统测试

20.4.1 测试准确率

20.4.2 测试效果

AI源码解读:卷积神经网络(CNN)深度学习案例(Python版)是2021年由清华大学出版社出版,作者李永华。

得书感谢您对《AI源码解读:卷积神经网络(CNN)深度学习案例(Python版)》关注和支持,如本书内容有不良信息或侵权等情形的,请联系本网站。

购买这本书

你可能喜欢
深度学习 电子书
深度学习是机器学习的一个分支,它能够使计算机通过层次概念来学习经验和理解世界。
深度学习 电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章,分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等,并提供了应用实例。
动手学深度学习(PyTorch版) 电子书
·深度学习领域重磅作品《动手学深度学习》重磅推出PyTorch版本;·李沐、阿斯顿·张等大咖作者强强联合,精心编撰;·全球400多所大学采用的教科书,提供视频课程、教学PPT、习题,方便教师授课与学生自学;·能运行、可讨论的深度学习入门书,可在线运行源码并与作译者实时讨论。
JavaScript深度学习 电子书
深度学习扛鼎之作《Python深度学习》姊妹篇,前端工程师不可错过的AI入门书。
深度学习与围棋 电子书
深入浅出的深度学习入门书,从零实现AlphaGo,为AI理论和应用打下基础。