上部 深度学习入门
第1章 深度学习基础
1.1 深度学习的概念
1.1.1 深度学习的发展简史
1.1.2 深度学习的点
1.1.3 深度学习的应用
1.2 经网络的概念
1.2.1 人是如何识别数字的
1.2.2 感知机的提出
1.3 经网络的应用
1.3.1 感知机模型
1.3.2 能够识别数字的经网络
1.4 本章小结与练习
本章练习
参考文献
第2章 深度学习的算法基础——梯度下降法
2.1 梯度下降法的定义
2.2 梯度下降法的类型
2.2.1 批量梯度下降
2.2.2 随机梯度下降
2.2.3 小批量随机梯度下降
2.2.4 动量随机梯度下降
2.3 自适应化算法
2.3.1 AdaGrad算法
2.3.2 RMSProp算法
2.3.3 Adam算法
2.4 本章小结与练习
本章练习
参考文献
第3章 深度学习的结构基础——卷积经网络
3.1 卷积经网络基础
3.1.1 卷积经网络的发展
3.1.2 卷积经网络的组成
3.2 卷积的基本作
3.2.1 互相关运算
3.2.2 征图和感受野
3.3 卷积作中的填充和步长
3.3.1 填充
3.3.2 步长
3.4 多通道输入的卷积与多通道输出
3.4.1 卷积作
3.4.2 多卷积作
3.4.3 多通道输出
3.5 卷积经网络的池化层和全连接层
3.5.1 池化层
3.5.2 全连接层
3.6 本章小结与练习
本章练习
参考文献
第4章 搭建深度学习的运行环境
4.1 安装开源软件和环境管理系统Anaconda
4.1.1 下载Anaconda
4.1.2 安装Anaconda
4.1.3 配置国内的下载源
4.2 配置Anaconda的环境变量
4.3 创建和删除虚拟环境
4.3.1 创建虚拟环境
4.3.2 删除虚拟环境
4.4 安装和配置PyCharm
4.4.1 安装PyCharm
4.4.2 使用PyCharm
4.4.3 添加解释器
4.5 本章小结
下部 深度学习实战
第5章 基于YOLOv8的黄花菜成熟度视觉检测
5.1 数据的采集与处理
5.1.1 数据采集
5.1.2 图像预处理
5.1.3 图像标注
5.2 YOLOv8算法简介
5.2.1 YOLO系列算法的发展历程
5.2.2 YOLOv8算法
5.3 基于YOLOv8的黄花菜成熟度检测实验
5.3.1 搭建实验环境
5.3.2 代码目录结构
5.4 实验过程及其结果
5.4.1 训练网络
5.4.2 测试模型
5.4.3 分析结果
5.5 本章小结与练习
本章练习
参考文献
第6章 基于YOLOv8的带钢表面缺陷视觉检测
6.1 对带钢表面缺陷检测的研究
6.2 数据集的选取及预处理
6.2.1 几类典型的带钢表面缺陷
6.2.2 带钢表面缺陷数据集的选取
6.2.3 数据集标签的转换与增强
6.3 带钢表面缺陷检测模型的训练
6.3.1 模型的训练过程
6.3.2 实验结果与分析
6.4 本章小结与练习
本章练习
参考文献
第7章 基于YOLOv8的不规范驾驶行为检测
7.1 不规范驾驶行为检测的意义和主要研究方法
7.2 网络化与数据集
7.2.1 对YOLOv8的结构改进
7.2.2 数据集的选取与处理
7.3 实验过程及其结果
7.3.1 模型的修改与训练
7.3.2 不规范驾驶行为的检测结果
7.4 本章小结与练习
本章练习
参考文献
第8章 基于深度学习的城市街景语义分割
8.1 语义分割的概念
8.1.1 语义分割的研究
8.1.2 语义分割的常用数据集
8.2 语义分割的常用模型
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 城市街景图像的语义分割
8.4 城市街景语义分割模型的训练与实验
8.4.1 数据集和语义分割工具的选取
8.4.2 网络结构及其训练过程
8.4.3 实验验证及其结果
8.5 本章小结与练习
本章练习
参考文献
第9章 基于wespeaker的声纹识别技术
9.1 声纹识别技术概述
9.1.1 声纹识别的发展历程
9.1.2 wespeaker框架的点与势
9.1.3 VoxCeleb数据集概述
9.2 基于wespeaker的声纹识别技术细节
9.2.1 梅尔频率倒谱系数（MFCC）
9.2.2 滤波器组征filterbank
9.2.3 FBank的代码实现
9.3 构建一个简单的基于wespeaker的声纹识别系统
9.3.1 声纹征模型的训练
9.3.2 基于声纹征模型的声纹对比程序
9.3.3 开发声纹识别系统的界面
9.4 本章小结与练习
本章练习
第10章 深度学习在新能源发电预测领域中的应用
10.1 新能源发电预测的基础知识
10.1.1 新能源发电
展开
