本书以TensorFlow 2深度学习的常用技术讲解与真实案例实战相结合的方式，深入浅出地介绍使用TensorFlow 2实现深度学习的知识内容。全书共有8个项目，分为基础部分和实战部分。基础部分包括深度学习概述、TensorFlow 2快速入门、深度神经网络原理及实现。实战部分包括5个真实案例，分别为基于CNN的彩色图像分类、基于CNN的门牌号识别、基于LSTM网络的语音识别、基于CycleGAN的图像风格转换和基于TipDM大数据挖掘建模平台的彩色图像分类。本书多个项目包含项目实训和课后习题，可以帮助读者巩固所学的知识。
本书可用作1+X证书制度试点工作中的大数据应用开发（Python）职业技能等级（高级）证书的教学和培训教材，也可以作为高校数据科学或人工智能相关专业的教材，还可供深度学习爱好者自学使用。
（1）紧跟技术前沿，全面升级版本
本书基于Python 3.11.7、TensorFlow 2.16.1和Anaconda 2024.02-1进行全面更新，适应技术发展趋势，确保学习内容的先进性与实用性。
（2）项目任务驱动，注重实战应用
采用项目任务式结构设计，通过真实工程案例讲解深度学习技术，帮助读者在解决实际问题中掌握核心技能，提升动手能力。
（3）内容紧贴考核标准，服务1+X证书制度
紧扣大数据应用开发（Python）职业技能等级（高级）证书考核要求，是备考与教学的理想配套用书，助力技能认证与职业发展。
（4）强化思维训练，提升综合素质
每个项目新增素质目标与思维导图，注重思维启发与解决方案设计，帮助读者培养创新意识与工程思维能力。
（5）涵盖主流模型与平台，拓展技术视野
新增DenseNet、MobileNets、GRU、Bi-RNN、WGAN等主流网络模型介绍，引入大语言模型与TipDM大数据挖掘平台实战，提升综合应用能力。
崔炜，男，副教授，博士研究生，广东松山职业技术学院计算机与信息工程学院副院长，从事计算机专业教学 22 年，在多种杂志和刊物上发表论文 20 多篇，主持或主要参与各类课题项目 20多项，参与编写出版教材 7 部。获得的教学表彰/奖励有：2017 年广东省职业院校教师信息化教学大赛高等职业教育组信息化课堂教学比赛荣获三等奖；2008 年计算机教育软件评审高等教育组多媒体课件三等级、宝钢集团广东韶关钢铁有限公司科协 2012~2013 年度优秀科技论文三等奖、2014 年优秀教师、2019 年优秀党员、2019 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖、2020 年广东省职业院校“超星杯” 微课大赛（高职组）中荣获三等奖、2021 年广东省职业院校“超星杯”微课大赛（高职组）中荣获二等奖。2024 年广东省大学生计算机设计大赛大数据主题赛——“在线教育综合大数据分析”赛项三等奖（指导老师）。
项目1 深度学习概述 1
任务1.1 认识深度学习 2
1.1.1 深度学习的定义与常见应用 2
1.1.2 深度学习的应用领域 8
1.1.3 基于图像分类的拍照识图 11
任务1.2 搭建TensorFlow 2环境 12
1.2.1 各深度学习框架对比 12
1.2.2 了解TensorFlow 14
1.2.3 安装TensorFlow 2 CPU版本 17
项目小结 18
课后习题 19
项目2 TensorFlow 2快速入门 20
任务2.1 TensorFlow 2深度学习通用流程 21
2.1.1 深度学习通用流程 21
2.1.2 数据加载 22
2.1.3 数据预处理 27
2.1.4 构建网络 32
2.1.5 编译网络 37
2.1.6 训练网络 44
2.1.7 性能评估 46
2.1.8 模型保存与调用 54
2.1.9 设计果蔬识别的流程与步骤 58
任务2.2 训练线性模型 60
2.2.1 TensorFlow 2基本数据类型 60
2.2.2 了解Sequential网络的基本结构 62
2.2.3 构建网络 63
2.2.4 训练网络与性能评估 64
项目小结 64
项目实训 64
实训1 构建花卉分类模型 64
实训2 使用飞桨深度学习平台实现 花卉分类 65
课后习题 65
项目3 深度神经网络原理及实现 67
任务3.1 卷积神经网络 68
3.1.1 卷积神经网络中的核心网络层 69
3.1.2 常用卷积神经网络算法及其结构 84
3.1.3 基于卷积神经网络的图像分类实例 89
任务3.2 循环神经网络 91
3.2.1 循环神经网络中的常用网络层 91
3.2.2 基于循环神经网络的评论文本情感分类实例 103
任务3.3 生成对抗网络 107
3.3.1 常用生成对抗网络算法及其结构 107
3.3.2 基于生成对抗网络的鞋子图片生成实例 111
项目小结 117
项目实训 117
实训1 基于卷积神经网络的中药材图像识别 117
实训2 基于循环神经网络的诗词生成 118
实训3 基于生成对抗网络的中国传统山水画生成 118
课后习题 118
项目4 基于CNN的彩色图像分类 121
任务4.1 了解彩色图像分类 122
4.1.1 了解背景 122
4.1.2 数据说明 122
4.1.3 设计彩色图像分类的流程与步骤 122
任务4.2 数据读取与预处理 123
4.2.1 获取数据集 123
4.2.2 绘制部分训练集图像 124
4.2.3 数据归一化与数据存储 126
任务4.3 构建与训练卷积神经网络 126
4.3.1 构建和编译卷积神经网络 126
4.3.2 训练网络并保存模型 128
任务4.4 模型评估 129
4.4.1 模型性能评估 129
4.4.2 模型预测 130
项目小结 132
项目实训 132
实训1 基于卷积神经网络实现车型分类 132
实训2 基于飞桨深度学习平台实现车型分类 133
课后习题 133
项目5 基于CNN的门牌号识别 134
任务5.1 目标分析 135
5.1.1 了解背景 135
5.1.2 数据说明 135
5.1.3 设计门牌号识别流程与步骤 136
任务5.2 数据预处理 137
5.2.1 了解HOG特征 137
5.2.2 获取目标数据与背景数据 141
5.2.3 基于HOG特征提取与SVM分类器的目标检测 144
任务5.3 构建网络 146
5.3.1 读取训练集与测试集 146
5.3.2 构建卷积神经网络 147
5.3.3 训练并保存模型 147
任务5.4 模型评估 148
5.4.1 模型性能评估 148
5.4.2 识别门牌号 149
项目小结 152
项目实训 152
实训1 基于卷积神经网络实现单数字识别 152
实训2 基于飞桨深度学习平台实现数字识别 153
课后习题 153
项目6 基于LSTM网络的语音识别 154
任务6.1 目标分析 155
6.1.1 了解背景 155
6.1.2 数据说明 155
6.1.3 设计语音识别流程与步骤 156
任务6.2 数据预处理 156
6.2.1 了解MFCC特征 157
6.2.2 划分数据集 157
6.2.3 提取MFCC特征 158
6.2.4 标准化数据 160
任务6.3 构建网络 162
6.3.1 设置网络超参数 162
6.3.2 构建网络层 162
任务6.4 训练网络 163
6.4.1 编译网络 164
6.4.2 训练以及保存模型 164
6.4.3 模型调参 165
任务6.5 模型评估 167
6.5.1 泛化测试 167
6.5.2 结果分析 168
项目小结 169
项目实训 169
实训1 基于LSTM网络的声纹识别 169
实训2 基于飞桨深度学习平台实现的声纹识别 170
课后习题 170
项目7 基于CycleGAN的图像风格转换 171
任务7.1 目标分析 172
7.1.1 了解背景 172
7.1.2 设计图像风格转换的流程与步骤 173
任务7.2 数据读取 173
任务7.3 数据预处理 174
7.3.1 随机抖动 175
7.3.2 归一化处理图像 175
7.3.3 对所有图像做批处理并打乱顺序 176
7.3.4 建立迭代器 177
任务7.4 构建网络 177
任务7.5 训练网络 178
7.5.1 定义损失函数 178
7.5.2 定义优化器 179
7.5.3 定义图像生成函数 179
7.5.4 定义训练函数 179
7.5.5 训练网络 181
任务7.6 结果分析 181
项目小结 182
项目实训 182
实训 基于CycleGAN实现苹果与橙子的转换 182
课后习题 183
项目8 基于TipDM大数据挖掘建模平台的彩色图像分类 184
任务8.1 获取数据并对数据进行预处理 185
8.1.1 使用平台配置彩色图像分类项目的步骤和流程 185
8.1.2 配置数据源 186
8.1.3 数据预处理 187
任务8.2 构建网络并应用模型实现彩色图像分类 191
8.2.1 构建与训练网络 192
8.2.2 模型评估 193
8.2.3 模型预测 193
项目小结 196
项目实训 196
实训 实现基于LSTM网络的语音识别 196
课后习题 196
新书资讯
