本書主要包括8個項目, 分別為搭建TensorFlow開發(fā)環(huán)境, 手寫數(shù)字識別: TensorFlow初探, 波士頓房價預測: 前饋神經(jīng)網(wǎng)絡(luò), 服裝圖像識別: Keras搭建與訓練模型, 圖像識別: 卷積神經(jīng)網(wǎng)絡(luò), AI詩人: 循環(huán)神經(jīng)網(wǎng)絡(luò), 預測汽車油耗效率: TensorFlow.js應(yīng)用開發(fā)和慶娣花卉識別: TensorFlow Lite。
1．編寫主體體現(xiàn)校企雙元組合
2．教材內(nèi)容項目化
3．將“1+X”內(nèi)容充分融入教材，職業(yè)技能標準規(guī)范化
人工智能是新一輪科技革命和產(chǎn)業(yè)變革的核心驅(qū)動力，給我國經(jīng)濟社會帶來了極其深遠的影響，既為促進經(jīng)濟建設(shè)注入了新動能，又為服務(wù)社會發(fā)展帶來了新機遇。2019年，全國有171所高職院校開設(shè)了人工智能技術(shù)服務(wù)專業(yè)，為我國人工智能技術(shù)的發(fā)展提供科技和人才支撐，推動我國人工智能技術(shù)邁向新的高度。
深度學習帶來了機器學習技術(shù)的革命，參與了人類重大的工程挑戰(zhàn)，比如自動駕駛、醫(yī)療診斷和預測、跨語言的自由交流、更通用的人工智能系統(tǒng)等領(lǐng)域。本書主要介紹基于深度學習的基本概念以及TensorFlow深度學習框架應(yīng)用開發(fā)技術(shù)，不僅介紹了深度學習的基礎(chǔ)理論和主流的模型及算法（包括神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等），而且重點講解了如何基于TensorFlow框架針對不同的應(yīng)用場景進行深度學習模型的選擇、構(gòu)建和應(yīng)用。TensorFlow是Google于 2011 年發(fā)布的用于機器學習和深度學習功能的開源框架，在學術(shù)、科研和工業(yè)領(lǐng)域得到了廣泛應(yīng)用。
本書省略了煩瑣的深度學習數(shù)學模型的推導，從實際應(yīng)用問題出發(fā)，通過具體的項目介紹如何使用深度學習解決實際問題，主要包括手寫數(shù)字識別、房價預測、服裝圖像識別、AI詩人、花卉識別等經(jīng)典深度學習項目。在項目講解過程中深入淺出地介紹了TensorFlow常用模塊的使用方法，建立和訓練模型的方式，在服務(wù)器、嵌入式設(shè)備和瀏覽器等平臺部署模型的方法。本書包括8個項目，分別為搭建TensorFlow開發(fā)環(huán)境，手寫數(shù)字識別：TensorFlow初探，房價預測：前饋神經(jīng)網(wǎng)絡(luò)，服裝圖像識別：Keras搭建與訓練模型，圖像識別：卷積神經(jīng)網(wǎng)絡(luò)，AI詩人：循環(huán)神經(jīng)網(wǎng)絡(luò)，預測汽車油耗效率：TensorFlow.js應(yīng)用開發(fā)和花卉識別：TensorFlow Lite。
本書的編寫理念是“以學生能力提升為本位”，指導原則是“理論以夠用為度，技能以實用為本”，編寫團隊精心設(shè)置教學內(nèi)容，重構(gòu)知識與技能組織形式，體現(xiàn)案例教學、任務(wù)驅(qū)動等教學改革成果。本書主要特色與創(chuàng)新如下。
1．編寫主體體現(xiàn)校企雙元組合
職業(yè)教育的課堂教學需要及時反映技術(shù)發(fā)展的新動態(tài)，為了編寫出高質(zhì)量的工作手冊式教材，制定合理的編寫流程，需明確學校編寫人員和企業(yè)編寫人員的科學分工。企業(yè)編寫人員將企業(yè)案例匯聚到實踐項目中，把企業(yè)項目轉(zhuǎn)化為教學項目，學校編寫人員按照教學規(guī)律對技術(shù)內(nèi)容進行適當轉(zhuǎn)化和合理編排，這實質(zhì)上是人才供需雙方在人才培養(yǎng)目標和培養(yǎng)方式上達成共識的過程，也是一種取長補短、優(yōu)勢互補的協(xié)同化工作方式。
2．教材內(nèi)容項目化
按照人工智能專業(yè)高素質(zhì)技能人才必備的素質(zhì)、知識和能力要求，將這些目標落實在基于真實工作過程的學習性工作任務(wù)載體中，圍繞“將真實企業(yè)項目轉(zhuǎn)化為教學任務(wù)，以項目為背景，以知識為主線，以提高能力和興趣為目的，全面提升技能水平和職業(yè)素養(yǎng)”的思路進行教材設(shè)計，完整呈現(xiàn)企業(yè)典型項目的開發(fā)過程。
3．將“1+X”內(nèi)容充分融入教材，職業(yè)技能標準規(guī)范化
本書涉及的知識點在“1+X”計算機視覺應(yīng)用開發(fā)職業(yè)技能等級證書考核體系中占有相當大的比例，深入研究職業(yè)技能等級標準與有關(guān)專業(yè)教學標準，將證書培訓考核知識點有機融入教材內(nèi)容，推進書證融通、課證融通。積極發(fā)揮職業(yè)技能等級證書在促進院校人才培養(yǎng)、實施職業(yè)技能水平評價等方面的優(yōu)勢。
本書編寫團隊由江蘇省科技創(chuàng)新團隊、江蘇省青藍工程優(yōu)秀教學團隊核心成員、國家精品在線開放課程開發(fā)團隊中的骨干教師組成，包括平震宇、匡亮、沈冠林、朱瑩芳、凌路、高云、李濤、李陽、朱二喜。同時，吸收了知名企業(yè)一線專家深度參與本書的編寫，無錫新思聯(lián)信息技術(shù)有限公司的鄧慧斌、徐佳，聯(lián)合新大陸、澳鵬科技（無錫）有限公司以及瀚云科技有限公司等企業(yè)將其項目轉(zhuǎn)化為教學項目。
在本書的編寫過程中，得到了江蘇信息職業(yè)技術(shù)學院孫萍、顧曉燕、華馳等老師的大力支持與幫助，他們?yōu)楸緯木帉懱岢隽嗽S多寶貴的意見和建議，在此向他們表示衷心的感謝。
雖然對書中所述內(nèi)容盡量核實，并進行了多次文字校對，但因時間所限，書中難免有疏漏之處，懇請廣大讀者批評指正。
前言
二維碼資源清單
項目1 搭建TensorFlow開發(fā)環(huán)境1
項目描述1
思維導圖1
項目目標1
1.1 人工智能、機器學習與深度學習2
1.1.1 人工智能2
1.1.2 機器學習2
1.1.3 深度學習4
1.2 深度學習簡介5
1.2.1 深度學習發(fā)展簡史5
1.2.2 深度學習的工作原理7
1.2.3 深度學習的應(yīng)用9
1.3 任務(wù)1：認識深度學習框架13
1.3.1 TensorFlow13
1.3.2 Keras14
1.3.3 PyTorch14
1.3.4 Caffe15
1.3.5 MXNet15
1.3.6 PaddlePaddle16
1.4 任務(wù)2：搭建深度學習開發(fā)環(huán)境17
1.4.1 安裝Anaconda17
1.4.2 使用Conda管理環(huán)境20
1.4.3 安裝TensorFlow21
1.4.4 常用編輯器22
拓展項目24
項目2 手寫數(shù)字識別：TensorFlow初探26
項目描述26
思維導圖26
項目目標26
2.1 TensorFlow架構(gòu)27
2.1.1 TensorFlow架構(gòu)圖27
2.1.2 TensorFlow 1.x和2.0之間的差異28
2.1.3 TensorFlow數(shù)據(jù)流圖29
2.1.4 TensorFlow運行機制31
2.2 任務(wù)1：張量的基本操作32
2.2.1 張量的階、形狀、數(shù)據(jù)類型32
2.2.2 現(xiàn)實世界中的數(shù)據(jù)張量35
2.2.3 MNIST數(shù)據(jù)集39
2.2.4 索引與切片43
2.2.5 維度變換47
2.2.6 廣播機制51
2.3 任務(wù)2：張量的進階操作54
2.3.1 合并與分割54
2.3.2 大值、小值、均值、和58
2.3.3 張量比較60
2.3.4 張量排序63
2.3.5 張量中提取數(shù)值64
拓展項目65
項目3 房價預測：前饋神經(jīng)網(wǎng)絡(luò)67
項目描述67
思維導圖67
項目目標67
3.1 任務(wù)1：實現(xiàn)一元線性回歸模型68
3.1.1 準備數(shù)據(jù)69
3.1.2 構(gòu)建模型69
3.1.3 迭代訓練70
3.1.4 保存和讀取模型71
3.2 認識神經(jīng)網(wǎng)絡(luò)72
3.2.1 神經(jīng)元72
3.2.2 激活函數(shù)74
3.3 任務(wù)2：房價預測78
3.3.1 準備數(shù)據(jù)集79
3.3.2 構(gòu)建模型81
3.3.3 訓練模型83
3.4 前饋神經(jīng)網(wǎng)絡(luò)87
3.4.1 前饋神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)87
3.4.2 損失函數(shù)89
3.4.3 反向傳播算法92
3.4.4 梯度下降算法95
拓展項目100
項目4 服裝圖像識別：Keras搭建與訓練模型102
項目描述102
思維導圖102
項目目標102
4.1 認識tf.keras103
4.1.1 Keras與tf.keras103
4.1.2 層（Layer）104
4.1.3 模型（Model）106
4.2 任務(wù)1：服裝圖像識別108
4.2.1 構(gòu)建模型108
4.2.2 訓練模型111
4.2.3 評估模型115
4.3 任務(wù)2：保存與加載模型116
4.3.1 SavedModel方式保存模型117
4.3.2 H5格式保存模型118
4.3.3 檢查點（Checkpoint）格式保存模型119
4.4 任務(wù)3：tf.data優(yōu)化訓練數(shù)據(jù)120
4.4.1 訓練數(shù)據(jù)輸入模型的方法120
4.4.2 tf.data API121
4.4.3 tf.data.Dataset122
4.5 任務(wù)4：花卉識別125
4.5.1 下載圖片125
4.5.2 構(gòu)建花卉數(shù)據(jù)集127
4.5.3 構(gòu)建與訓練模型129
4.5.4 保存與加載模型130
拓展項目131
項目5 圖像識別：卷積神經(jīng)網(wǎng)絡(luò)132
項目描述132
思維導圖132
項目目標132
5.1 認識卷積神經(jīng)網(wǎng)絡(luò)133
5.1.1 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展歷史133
5.1.2 全連接神經(jīng)網(wǎng)絡(luò)的問題134
5.2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)135
5.2.1 卷積運算135
5.2.2 填充136
5.2.3 步長137
5.2.4 多輸入通道和多輸出通道138
5.2.5 池化層139
5.3 TensorFlow對卷積神經(jīng)網(wǎng)絡(luò)的支持140
5.3.1 卷積函數(shù)141
5.3.2 池化函數(shù)144
5.4 任務(wù)1：識別CIFAR-10圖像145
5.4.1 卷積網(wǎng)絡(luò)的整體結(jié)構(gòu)145
5.4.2 CIFAR-10數(shù)據(jù)集146
5.4.3 構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型148
5.4.4 編譯、訓練并評估模型149
5.5 任務(wù)2：搭建經(jīng)典卷積網(wǎng)絡(luò)150
5.5.1 圖像識別的難題151
5.5.2 AlexNet152
5.5.3 VGG系列154
5.5.4 ResNet156
5.6 任務(wù)3：ResNet實現(xiàn)圖像識別158
5.6.1 ResNet模型結(jié)構(gòu)158
5.6.2 BasicBlock類159
5.6.3 搭建ResNet網(wǎng)絡(luò)模型160
5.6.4 加載數(shù)據(jù)集并訓練模型162
拓展項目163
項目6 AI詩人：循環(huán)神經(jīng)網(wǎng)絡(luò)164
項目描述164
思維導圖164
項目目標164
6.1 認識循環(huán)神經(jīng)網(wǎng)絡(luò)165
6.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)發(fā)展歷史165
6.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用166
6.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的作用166
6.2 任務(wù)1：電影評論分類167
6.2.1 IMDb數(shù)據(jù)集167
6.2.2 使用全連接神經(jīng)網(wǎng)絡(luò)169
6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)170
6.2.4 SimpleRNNCell使用方法171
6.2.5 RNN分類IMDb數(shù)據(jù)集173
6.2.6 RNN梯度消失176
6.3 任務(wù)2：AI詩人176
6.3.1 長短期記憶（LSTM）176
6.3.2 文本生成：AI詩人178
拓展項目184
項目7 預測汽車油耗效率：TensorFlow.js應(yīng)用開發(fā)186
項目描述186
思維導圖186
項目目標186
7.1 認識TensorFlow.js187
7.1.1 TensorFlow.js的優(yōu)點187
7.1.2 TensorFlow.js 的核心概念188
7.1.3 TensorFlow.js 環(huán)境配置190
7.2 任務(wù)1：預測汽車油耗效率193
7.2.1 創(chuàng)建主頁并加載數(shù)據(jù)194
7.2.2 定義模型結(jié)構(gòu)196
7.2.3 數(shù)據(jù)預處理196
7.2.4 訓練與測試模型197
7.3 任務(wù)2：手寫數(shù)字識別200
7.3.1 從GitHub獲取源碼并運行200
7.3.2 創(chuàng)建相關(guān)文件201
7.3.3 定義模型結(jié)構(gòu)203
7.3.4 訓練模型206
7.3.5 使用模型進行評估與預測208
拓展項目210
項目8 花卉識別：TensorFlow Lite211
項目描述211
思維導圖211
項目目標211
8.1 認識TensorFlow Lite212
8.1.1 TensorFlow Lite發(fā)展歷史212
8.1.2 TensorFlow Lite的應(yīng)用213
8.2 TensorFlow Lite體系結(jié)構(gòu)213
8.2.1 TensorFlow Lite整體架構(gòu)213
8.2.2 TensorFlow Lite轉(zhuǎn)換器214
8.2.3 FlatBuffers格式215
8.2.4 TensorFlow Lite解釋執(zhí)行器215
8.3 任務(wù)1：TensorFlow Lite開發(fā)工作流程216
8.3.1 選擇模型216
8.3.2 模型轉(zhuǎn)換218
8.3.3 模型推理219
8.3.4 優(yōu)化模型220
8.4 任務(wù)2：TensorFlow Lite實現(xiàn)花卉識別220
8.4.1 選擇模型221
8.4.2 Android部署226
拓展項目233
參考文獻 234
書單推薦
