目錄
上部 深度學習入門
第1章 深度學習基礎
1.1 深度學習的概念
1.1.1 深度學習的發展簡史
1.1.2 深度學習的點
1.1.3 深度學習的應用
1.2 經網路的概念
1.2.1 人是如何識別數字的
1.2.2 感知機的提出
1.3 經網路的應用
1.3.1 感知機模型
1.3.2 能夠識別數字的經網路
1.4 本章小結與練習
本章練習
參考文獻
第2章 深度學習的演算法基礎——梯度下降法
2.1 梯度下降法的定義
2.2 梯度下降法的類型
2.2.1 批量梯度下降
2.2.2 隨機梯度下降
2.2.3 小批量隨機梯度下降
2.2.4 動量隨機梯度下降
2.3 自適應化演算法
2.3.1 AdaGrad演算法
2.3.2 RMSProp演算法
2.3.3 Adam演算法
2.4 本章小結與練習
本章練習
參考文獻
第3章 深度學習的結構基礎——卷積經網路
3.1 卷積經網路基礎
3.1.1 卷積經網路的發展
3.1.2 卷積經網路的組成
3.2 卷積的基本作
3.2.1 互相關運算
3.2.2 征圖和感受野
3.3 卷積作中的填充和步長
3.3.1 填充
3.3.2 步長
3.4 多通道輸入的卷積與多通道輸出
3.4.1 卷積作
3.4.2 多卷積作
3.4.3 多通道輸出
3.5 卷積經網路的池化層和全連接層
3.5.1 池化層
3.5.2 全連接層
3.6 本章小結與練習
本章練習
參考文獻
第4章 搭建深度學習的運行環境
4.1 安裝開源軟體和環境管理系統Anaconda
4.1.1 下載Anaconda
4.1.2 安裝Anaconda
4.1.3 配置國內的下載源
4.2 配置Anaconda的環境變數
4.3 創建和刪除虛擬環境
4.3.1 創建虛擬環境
4.3.2 刪除虛擬環境
4.4 安裝和配置PyCharm
4.4.1 安裝PyCharm
4.4.2 使用PyCharm
4.4.3 添加解釋器
4.5 本章小結
下部 深度學習實戰
第5章 基於YOLOv8的黃花菜成熟度視覺檢測
5.1 數據的採集與處理
5.1.1 數據採集
5.1.2 圖像預處理
5.1.3 圖像標注
5.2 YOLOv8演算法簡介
5.2.1 YOLO系列演算法的發展歷程
5.2.2 YOLOv8演算法
5.3 基於YOLOv8的黃花菜成熟度檢測實驗
5.3.1 搭建實驗環境
5.3.2 代碼目錄結構
5.4 實驗過程及其結果
5.4.1 訓練網路
5.4.2 測試模型
5.4.3 分析結果
5.5 本章小結與練習
本章練習
參考文獻
第6章 基於YOLOv8的帶鋼表面缺陷視覺檢測
6.1 對帶鋼表面缺陷檢測的研究
6.2 數據集的選取及預處理
6.2.1 幾類典型的帶鋼表面缺陷
6.2.2 帶鋼表面缺陷數據集的選取
6.2.3 數據集標籤的轉換與增強
6.3 帶鋼表面缺陷檢測模型的訓練
6.3.1 模型的訓練過程
6.3.2 實驗結果與分析
6.4 本章小結與練習
本章練習
參考文獻
第7章 基於YOLOv8的不規範駕駛行為檢測
7.1 不規範駕駛行為檢測的意義和主要研究方法
7.2 網路化與數據集
7.2.1 對YOLOv8的結構改進
7.2.2 數據集的選取與處理
7.3 實驗過程及其結果
7.3.1 模型的修改與訓練
7.3.2 不規範駕駛行為的檢測結果
7.4 本章小結與練習
本章練習
參考文獻
第8章 基於深度學習的城市街景語義分割
8.1 語義分割的概念
8.1.1 語義分割的研究
8.1.2 語義分割的常用數據集
8.2 語義分割的常用模型
8.2.1 FCN模型
8.2.2 U-Net模型
8.2.3 SegNet模型
8.2.4 DeepLab模型
8.2.5 PSPNet模型
8.3 城市街景圖像的語義分割
8.4 城市街景語義分割模型的訓練與實驗
8.4.1 數據集和語義分割工具的選取
8.4.2 網路結構及其訓練過程
8.4.3 實驗驗證及其結果
8.5 本章小結與練習
本章練習
參考文獻
第9章 基於wespeaker的聲紋識別技術
9.1 聲紋識別技術概述
9.1.1 聲紋識別的發展歷程
9.1.2 wespeaker框架的點與勢
9.1.3 VoxCeleb數據集概述
9.2 基於wespeaker的聲紋識別技術細節
9.2.1 梅爾頻率倒譜係數（MFCC）
9.2.2 濾波器組征filterbank
9.2.3 FBank的代碼實現
9.3 構建一個簡單的基於wespeaker的聲紋識別系統
9.3.1 聲紋征模型的訓練
9.3.2 基於聲紋征模型的聲紋對比程序
9.3.3 開發聲紋識別系統的界面
9.4 本章小結與練習
本章練習
[