xxxfreesexmoves-haodiaocao这里只有精品视频-欧美性受黑人性爽-欧美性受xxxxxx黑人xyx性爽|www.jsyyzsb.com

本書共10章。前4章是深度學習的基礎，闡述深度學習的概念、算法基礎和結構基礎以及深度學習環境的配置方法和步驟。后6章是深度學習的實戰部分，分別從6個不同的應用領域論述并分析如何通過改造深度學習模型或者利用不同的深度學習模型完成實際的工作任務，最終目的是希望通過這些科研成果與實踐案例，使讀者能夠針對不同領域的科學技術問題逐步獲得具有普適意義的工作思路和解決方法。本書提供練習和參考答案，以及配套的演示文稿（PPT）電子課件，可以掃碼獲取本書配套資源，也可以從化學工業出版社化工教育（www.cipedu.com.cn）下載相關資源。本書適合希望系統學習深度學習基礎知識的初學者使用，也可作為高等院校人工智能、自動化類、電子信息類、機器人工程等相關專業的教學和實踐類課程，以及控制科學與工程、電子信息等專業的碩士研究生工程案例教材使用。

隨著人工智能技術的快速發展，深度學習已經成為推動各行各業創新的重要驅動力。在計算機視覺、自然語言處理、智能推薦系統等很多領域，深度學習的成功應用案例已經不勝枚舉。正如北京大學謝廣明教授為本書的序言所寫：2024年，諾貝爾物理學獎與化學獎的桂冠分別加冕于那些在人工智能領域做出開創性理論貢獻與應用突破的科學家們，這無疑是對深度學習重要地位的又一力證。
為了幫助讀者更好地理解和掌握這一前沿技術，我們總結了科研實踐案例，編寫了《深度學習入門與實戰》一書，旨在為讀者提供系統的學習指導，并結合實際項目幫助讀者將理論與實踐相結合。
本書也是為了貫徹黨的二十大提出的深入實施人才強國戰略，按照培養造就大批德才兼備的高素質人才，是國家和民族長遠發展大計的要求，編寫新教材是必需的，也是緊迫的。黨的二十大提出實施科教興國戰略，強化現代化建設人才支撐，指出要開辟發展新領域新賽道，不斷塑造發展新動能新優勢，并且要加強基礎學科、新興學科、交叉學科建設，加快建設中國特色、世界一流的大學和優勢學科。
深度學習正是以人工智能算法和不同應用領域緊密結合為特征的關鍵核心技術，掌握深度學習的基礎知識、算法原理和實踐應用案例，將為國家提出的戰略性新興產業的發展壯大提供強有力的支撐。
我們編寫本書的思路是：從深度學習的基礎理論（前3章）出發引出實踐的基本方法和環境配置（第4章），然后通過6個不同案例分別進行詳細論述。其中，前三個實踐案例（第5～7章）都是基于YOLOv8這一深度學習模型，旨在使讀者針對不同領域的問題逐步產生出具有普適意義的工作思路和方法（即確保采用的技術是經典的、典型的，但針對不同領域所實施的技術是有所區別并在不斷發展的）。后三個實踐案例（第8～10章）則是采用了不同的深度學習模型應用于不同的領域，這既是對前三個實踐案例的擴展，也是為了保證本書不因某一技術的更新迭代而失去價值，更是希望讀者能夠從本書中通過學習與實踐提煉出在研究和工作時的有效思路和方法。
本書從結構上可以分為兩部分。第一部分（第1～4章）是深度學習入門，從深度學習的基礎知識開始，介紹神經網絡的基本概念與原理，深入講解感知器、梯度下降法、優化算法等基礎內容，為后續的學習打下必要且堅實的理論基礎。然后重點介紹了卷積神經網絡這一在計算機視覺中廣泛應用的深度學習模型，使讀者理解其架構和工作原理。在這一部分中還詳細介紹了搭建深度學習開發環境的步驟，使讀者可以快速搭建起自己的深度學習實驗環境，從而更加高效地進行學習與實踐。在這些基礎內容之后，本書的第二部分（第5～10章）是深度學習實戰，著重于深度學習的實踐應用。為此設計了六個基于深度學習的實戰項目，旨在幫助讀者將前面學到的知識應用到解決不同領域的實際問題中。通過這些涵蓋了深度學習的多個應用領域的實戰案例，讀者不僅能掌握深度學習的核心技術，還能夠體驗如何使用深度學習技術解決具體的工程問題。
全書共分10章，主要內容和編寫人員如下。
第1～4章由戴鳳智、李芳艷負責，高一婷、宋運忠、王晟宇、王強、如孜古麗汗·麥提圖爾蓀參與編寫。這是深度學習的入門部分，講解深度學習的概念、算法基礎和結構基礎，以及深度學習環境的配置方法和步驟。
第5～10章由戴鳳智、李寶全負責。其中，第5章介紹深度學習在檢測黃花菜成熟度上的應用，主要編寫人還有李芳艷、強曉永、彭淑環。第6章是深度學習在帶鋼表面缺陷檢測上的應用，主要編寫人還包括孫浩哲、龔浩然、劉巖。第7章是深度學習在不規范駕駛行為檢測中的應用，主要編寫人還有翟洪碩、陳曉艷、郭建川、王佳鑫。第8章是基于深度學習的城市街景語義分割，主要編寫人還包括李華浩、牛東星、劉航。第9章是深度學習在聲紋識別上的應用，由王琦琦負責。第10章是深度學習在新能源發電預測領域中的應用案例，由劉志峰負責。
本書是在中國仿真學會機器人系統仿真專業委員會、中國自動化學會普及工作委員會、中國人工智能學會智能空天系統專業委員會、中國機械工業教育協會機器人工程專業委員會和天津市機器人學會的指導下完成的。感謝北京大學謝廣明教授和舊金山州立大學秦柱偉博士為本書作序。本書作者之一的戴鳳智是從日本回國并于2009年在天津科技大學任教后和謝廣明教授初見的，并與謝教授一直保持聯系與合作，多名研究生派往北京大學接受謝教授的指導。秦柱偉博士是天津科技大學的畢業生，在校時參與了戴鳳智的科研項目并且受其指導完成并獲得優秀本科畢業設計。
本書在編寫和修改過程中，得到了國家自然科學基金（62473282、52378254）、河南理工大學研究生教改課題交叉學科維度下研究生學術品位提升研究（2022YJ17）的支持。同時也獲得了山西大同大學喬棟團隊、北京富城航旅科技有限公司劉碩、天津天科智造科技有限公司邊策，以及研發基于PC 的軟運動控制平臺KRMotion的易控智能科技（天津）有限公司的校友王強等的指導與技術支持。
無論您是深度學習的初學者，還是希望將深度學習應用于實際問題的開發者，或者是以深度學習模型為基礎開展進一步科學研究的人員，本書都將為您提供豐富的理論知識與實踐經驗。我們希望這本書能夠幫助讀者在深度學習的學習旅程中不斷進步，并為人工智能領域的探索與創新打下堅實的基礎。祝愿讀者朋友在深度學習的道路上收獲滿滿、取得成功！
如果您對本書在編寫和內容方面有什么疑問，可以發郵件到daifz@163.com聯系本書作者。由于我們水平有限，書中難免存在不足，敬請各位讀者批評指正。

著者

無

上部深度學習入門
第1章 深度學習基礎 002～017
1.1 深度學習的概念 003
1.1.1 深度學習的發展簡史 003
1.1.2 深度學習的特點 006
1.1.3 深度學習的應用 006
1.2 神經網絡的概念 007
1.2.1 人是如何識別數字的 008
1.2.2 感知機的提出 009
1.3 神經網絡的應用 012
1.3.1 感知機模型 013
1.3.2 能夠識別數字的神經網絡 015
1.4 本章小結與練習 017
本章練習 017
參考文獻 017

第2章 深度學習的算法基礎梯度下降法 018～026
2.1 梯度下降法的定義 018
2.2 梯度下降法的類型 021
2.2.1 批量梯度下降 021
2.2.2 隨機梯度下降 022
2.2.3 小批量隨機梯度下降 022
2.2.4 動量隨機梯度下降 023
2.3 自適應優化算法 024
2.3.1 AdaGrad算法 024
2.3.2 RMSProp算法 025
2.3.3 Adam算法 025
2.4 本章小結與練習 026
本章練習 026
參考文獻 026

第3章 深度學習的結構基礎卷積神經網絡 027～040
3.1 卷積神經網絡基礎 027
3.1.1 卷積神經網絡的發展 028
3.1.2 卷積神經網絡的組成 028
3.2 卷積的基本操作 030
3.2.1 互相關運算 030
3.2.2 特征圖和感受野 031
3.3 卷積操作中的填充和步長 032
3.3.1 填充 032
3.3.2 步長 034
3.4 多通道輸入的卷積與多通道輸出 034
3.4.1 卷積操作 035
3.4.2 多卷積操作 036
3.4.3 多通道輸出 036
3.5 卷積神經網絡的池化層和全連接層 037
3.5.1 池化層 037
3.5.2 全連接層 039
3.6 本章小結與練習 040
本章練習 040
參考文獻 040

第4章 搭建深度學習的運行環境 041～072
4.1 安裝開源軟件包和環境管理系統Anaconda 041
4.1.1 下載Anaconda 042
4.1.2 安裝Anaconda 045
4.1.3 配置國內的下載源 050
4.2 配置Anaconda的環境變量 052
4.3 創建和刪除虛擬環境 056
4.3.1 創建虛擬環境 056
4.3.2 刪除虛擬環境 061
4.4 安裝和配置PyCharm 063
4.4.1 安裝PyCharm 063
4.4.2 使用PyCharm 065
4.4.3 添加解釋器 069
4.5 本章小結 072

下部深度學習實戰
第5章 基于YOLOv8的黃花菜成熟度視覺檢測 074～096
5.1 數據的采集與處理 074
5.1.1 數據采集 075
5.1.2 圖像預處理 075
5.1.3 圖像標注 077
5.2 YOLOv8算法簡介 080
5.2.1 YOLO系列算法的發展歷程 080
5.2.2 YOLOv8算法 081
5.3 基于YOLOv8的黃花菜成熟度檢測實驗 084
5.3.1 搭建實驗環境 084
5.3.2代碼目錄結構 086
5.4 實驗過程及其結果 088
5.4.1 訓練網絡 088
5.4.2 測試模型 090
5.4.3 分析結果 091
5.5 本章小結與練習 095
本章練習 096
參考文獻 096

第6章 基于YOLOv8的帶鋼表面缺陷視覺檢測 097～112
6.1 對帶鋼表面缺陷檢測的研究 097
6.2 數據集的選取及預處理 098
6.2.1 幾類典型的帶鋼表面缺陷 099
6.2.2 帶鋼表面缺陷數據集的選取 101
6.2.3 數據集標簽的轉換與增強 101
6.3 帶鋼表面缺陷檢測模型的訓練 104
6.3.1 模型的訓練過程 104
6.3.2 實驗結果與分析 108
6.4 本章小結與練習 111
本章練習 112
參考文獻 112

第7章 基于YOLOv8的不規范駕駛行為檢測 113～126
7.1 不規范駕駛行為檢測的意義和主要研究方法 113
7.2 網絡優化與數據集 115
7.2.1 對YOLOv8的結構改進 115
7.2.2 數據集的選取與處理 119
7.3 實驗過程及其結果 120
7.3.1 模型的修改與訓練 120
7.3.2 不規范駕駛行為的檢測結果 124
7.4 本章小結與練習 125
本章練習 125
參考文獻 126

第8章 基于深度學習的城市街景語義分割 127～141
8.1 語義分割的概念 127
8.1.1 語義分割的研究 127
8.1.2 語義分割的常用數據集 128
8.2 語義分割的常用模型 129
8.2.1 FCN模型 129
8.2.2 U-Net模型 130
8.2.3 SegNet模型 131
8.2.4 DeepLab模型 132
8.2.5 PSPNet模型 132
8.3 城市街景圖像的語義分割 133
8.4 城市街景語義分割模型的訓練與實驗 134
8.4.1 數據集和語義分割工具的選取 134
8.4.2 網絡結構及其訓練過程 135
8.4.3 實驗驗證及其結果 138
8.5 本章小結與練習 140
本章練習 140
參考文獻 141

第9章 基于wespeaker的聲紋識別技術 142～160
9.1 聲紋識別技術概述 142
9.1.1 聲紋識別的發展歷程 143
9.1.2 wespeaker框架的特點與優勢 144
9.1.3 VoxCeleb數據集概述 145
9.2 基于wespeaker的聲紋識別技術細節 146
9.2.1 梅爾頻率倒譜系數（MFCC） 146
9.2.2 濾波器組特征filter bank 148
9.2.3 FBank的代碼實現 149
9.3 構建一個簡單的基于wespeaker的聲紋識別系統 151
9.3.1 聲紋特征模型的訓練 151
9.3.2 基于聲紋特征模型的聲紋對比程序 156
9.3.3 開發聲紋識別系統的界面 157
9.4 本章小結與練習 159
本章練習 160

第10章 深度學習在新能源發電預測領域中的應用 161～181
10.1 新能源發電預測的基礎知識 162
10.1.1 新能源發電技術及其發展與挑戰 162
10.1.2 構建基于深度學習的新能源功率預測模型 163
10.2 風力發電功率預測 168
10.2.1 風力發電原理 168
10.2.2 構建風力發電功率預測模型 170
10.3 光伏發電功率預測 174
10.3.1 光伏發電原理與影響因素 174
10.3.2 構建光伏發電功率預測模型 176
10.4 本章小結與練習 179
本章練習 180
參考文獻 181

附錄 書中的常用詞匯中英文對照表 182～183