舉報

會員
AI源碼解讀:卷積神經網絡(CNN)深度學習案例:Python版
最新章節:
20.4.2 測試效果
本書以人工智能發展為時代背景,通過20個機器學習模型和算法案例,為讀者提供較為詳細的實戰方案,以便進行深度學習。在編排方式上,全書側重對創新項目的過程進行介紹,分別從整體設計、系統流程和實現模塊等角度論述數據處理、模型訓練和模型應用等過程,并剖析模塊的功能、使用及程序代碼。為便于讀者高效學習,快速掌握人工智能程序開發方法,本書配套提供項目設計工程文檔、程序代碼、實現過程中出現的問題及解決方法等資料,可供讀者舉一反三,二次開發。本書語言簡潔,深入淺出,通俗易懂,不僅適合對Python編程有興趣的愛好者,而且可作為高等院校相關專業的參考教材,還可作為從事智能應用創新開發專業人員的技術參考書。
- 20.4.2 測試效果 更新時間:2023-08-04 18:56:04
- 20.4.1 測試準確率
- 20.4 系統測試
- 20.3.3 模型訓練及保存
- 20.3.2 載入手勢圖片
- 20.3.1 設置直方圖
- 20.3 模塊實現
- 20.2.3 OpenCV-Python環境
- 20.2.2 TensorFlow環境
- 20.2.1 Python環境
- 20.2 運行環境
- 20.1.2 系統流程
- 20.1.1 系統整體結構
- 20.1 總體設計
- 項目20 手勢語言識別
- 19.4.2 生成指定標簽
- 19.4.1 模型導入及調用
- 19.4 系統測試
- 19.3.4 模型訓練及保存
- 19.3.3 模型構建
- 19.3.2 數據處理
- 19.3.1 數據獲取
- 19.3 模塊實現
- 19.2.4 Illustration2Vec
- 19.2.3 OpenCV環境
- 19.2.2 TensorFlow環境
- 19.2.1 Python環境
- 19.2 運行環境
- 19.1.2 系統流程
- 19.1.1 系統整體結構
- 19.1 總體設計
- 項目19 基于ACGAN的動漫頭像生成
- 18.4.3 模型使用說明
- 18.4.2 測試效果
- 18.4.1 訓練效果
- 18.4 系統測試
- 18.3.4 模型應用
- 18.3.3 模型訓練及保存
- 18.3.2 模型構建
- 18.3.1 數據預處理
- 18.3 模塊實現
- 18.2.2 TensorFlow環境
- 18.2.1 Python環境
- 18.2 運行環境
- 18.1.2 系統流程
- 18.1.1 系統整體結構
- 18.1 總體設計
- 項目18 基于CGAN的線稿自動上色
- 17.4 系統測試
- 17.3.3 模型訓練
- 17.3.2 模型構建
- 17.3.1 數據預處理
- 17.3 模塊實現
- 17.2.2 TensorFlow環境
- 17.2.1 Python環境
- 17.2 運行環境
- 17.1.2 系統流程
- 17.1.1 系統整體結構
- 17.1 總體設計
- 項目17 基于OpenCV的人臉識別程序
- 16.4.3 模型應用
- 16.4.2 測試效果
- 16.4.1 訓練準確率
- 16.4 系統測試
- 16.3.4 模型生成
- 16.3.3 模型訓練及保存
- 16.3.2 創建模型與編譯
- 16.3.1 數據預處理
- 16.3 模塊實現
- 16.2.3 微信小程序及后臺服務器環境
- 16.2.2 TensorFlow環境
- 16.2.1 Python環境
- 16.2 運行環境
- 16.1.2 系統流程
- 16.1.1 系統整體結構
- 16.1 總體設計
- 項目16 垃圾分類微信小程序
- 15.4.2 測試效果
- 15.4.1 訓練準確率
- 15.4 系統測試
- 15.3.4 模型生成
- 15.3.3 頁面顯示和視頻流輸入
- 15.3.2 模型訓練及保存
- 15.3.1 數據預處理
- 15.3 模塊實現
- 15.2 運行環境
- 15.1.2 系統流程圖
- 15.1.1 系統整體結構
- 15.1 總體設計
- 項目15 口罩識別系統
- 14.4.2 實時風格轉移測試
- 14.4.1 非實時風格轉移測試
- 14.4 系統測試
- 14.3.3 交互界面設計
- 14.3.2 非實時風格轉移
- 14.3.1 實時風格轉移
- 14.3 模塊實現
- 14.2.4 VGG-19網絡下載
- 14.2.3 庫安裝
- 14.2.2 TensorFlow環境
- 14.2.1 Python環境
- 14.2 運行環境
- 14.1.2 系統流程
- 14.1.1 系統整體結構
- 14.1 總體設計
- 項目14 圖像風格轉移
- 13.4.2 測試效果
- 13.4.1 訓練準確率
- 13.4 系統測試
- 13.3.3 模型訓練及保存
- 13.3.2 模型構建
- 13.3.1 數據預處理
- 13.3 模塊實現
- 13.2 運行環境
- 13.1.2 系統流程
- 13.1.1 系統整體結構
- 13.1 總體設計
- 項目13 基于CNN的交通標志識別
- 12.4.2 測試效果
- 12.4.1 訓練準確率
- 12.4 系統測試
- 12.3.4 模型測試
- 12.3.3 模型訓練及保存
- 12.3.2 模型搭建
- 12.3.1 數據預處理
- 12.3 模塊實現
- 12.2.3 VsCode環境
- 12.2.2 TensorFlow環境
- 12.2.1 Python環境
- 12.2 運行環境
- 12.1.2 系統流程
- 12.1.1 系統整體結構
- 12.1 總體設計
- 項目12 驗證碼的生成與識別
- 11.4 系統測試
- 11.3.4 模型生成
- 11.3.3 導入模型與編譯
- 11.3.2 識別訓練
- 11.3.1 API下載及載入
- 11.3 模塊實現
- 11.2.4 Protoc配置
- 11.2.3 PyCharm IDE配置
- 11.2.2 TensorFlow環境
- 11.2.1 Python環境
- 11.2 運行環境
- 11.1.2 系統流程
- 11.1.1 系統整體結構
- 11.1 總體設計
- 項目11 交通警察——車輛監控系統
- 10.4 系統測試
- 10.3.5 模型生成
- 10.3.4 模型訓練及保存
- 10.3.3 模塊分析
- 10.3.2 模型構建
- 10.3.1 數據集預處理
- 10.3 模塊實現
- 10.2.3 Android環境
- 10.2.2 TensorFlow GPU環境
- 10.2.1 Python環境
- 10.2 運行環境
- 10.1.2 系統流程
- 10.1.1 系統整體結構
- 10.1 總體設計
- 項目10 基于CycleGAN的圖像轉換
- 9.4.3 應用使用說明
- 9.4.2 運行效率
- 9.4.1 訓練準確率
- 9.4 系統測試
- 9.3.3 PyQt界面
- 9.3.2 視頻處理
- 9.3.1 數據處理
- 9.3 模塊實現
- 9.2.5 PyQt的安裝
- 9.2.4 MoviePy的安裝
- 9.2.3 Detectron2平臺
- 9.2.2 PyTorch環境
- 9.2.1 Python環境
- 9.2 運行環境
- 9.1.2 系統流程
- 9.1.1 系統整體結構
- 9.1 總體設計
- 項目9 基于Mask R-CNN的娛樂視頻生成器
- 8.4.3 模型應用
- 8.4.2 測試效果
- 8.4.1 訓練準確率
- 8.4 系統測試
- 8.3.4 模型生成
- 8.3.3 模型訓練及保存
- 8.3.2 模型構建
- 8.3.1 數據預處理
- 8.3 模塊實現
- 8.2.3 Android環境
- 8.2.2 TensorFlow環境
- 8.2.1 Python環境
- 8.2 運行環境
- 8.1.2 系統流程
- 8.1.1 系統整體結構
- 8.1 總體設計
- 項目8 基于VGG-16的駕駛行為分析
- 7.4.3 模型應用
- 7.4.2 測試效果
- 7.4.1 訓練準確率
- 7.4 系統測試
- 7.3.5 模型生成
- 7.3.4 殘差網絡模型
- 7.3.3 普通CNN模型
- 7.3.2 數據增強
- 7.3.1 數據預處理
- 7.3 模塊實現
- 7.2.5 Django環境
- 7.2.4 MySQL環境
- 7.2.3 TensorFlow環境
- 7.2.2 Python環境
- 7.2.1 計算型云服務器
- 7.2 運行環境
- 7.1.2 系統流程
- 7.1.1 系統整體結構
- 7.1 總體設計
- 項目7 基于CNN的貓種類識別
- 6.4.3 外部訪問效果
- 6.4.2 測試效果
- 6.4.1 訓練準確率
- 6.4 系統測試
- 6.3.5 小程序開發
- 6.3.4 上傳結果
- 6.3.3 模型訓練及保存
- 6.3.2 創建模型與編譯
- 6.3.1 數據預處理
- 6.3 模塊實現
- 6.2.6 OneNET云平臺
- 6.2.5 微信開發者工具
- 6.2.4 PyCharm環境
- 6.2.3 Jupyter Notebook環境
- 6.2.2 TensorFlow環境
- 6.2.1 Python環境
- 6.2 運行環境
- 6.1.2 系統流程
- 6.1.1 系統整體結構
- 6.1 總體設計
- 項目6 智能果實采摘指導系統
- 5.4 系統測試
- 5.3.5 主函數
- 5.3.4 目標追蹤
- 5.3.3 目標檢測
- 5.3.2 數據預處理
- 5.3.1 準備數據
- 5.3 模塊實現
- 5.2.4 硬件環境
- 5.2.3 安裝所需的軟件包
- 5.2.2 TensorFlow環境
- 5.2.1 Python環境
- 5.2 運行環境
- 5.1.2 系統流程
- 5.1.1 系統整體結構
- 5.1 總體設計
- 項目5 行人檢測與追蹤計數
- 4.4.2 測試效果
- 4.4.1 訓練準確率
- 4.4 系統測試
- 4.3.4 模型生成
- 4.3.3 模型訓練及保存
- 4.3.2 模型構建
- 4.3.1 數據預處理
- 4.3 模塊實現
- 4.2.4 PyCharm環境
- 4.2.3 Jupyter Notebook環境
- 4.2.2 TensorFlow環境
- 4.2.1 Python環境
- 4.2 運行環境
- 4.1.2 系統流程
- 4.1.1 系統整體結構
- 4.1 總體設計
- 項目4 方言種類識別
- 3.4.3 模型應用
- 3.4.2 測試效果
- 3.4.1 訓練準確率
- 3.4 系統測試
- 3.3.4 模型生成
- 3.3.3 模型訓練及保存
- 3.3.2 模型創建與編譯
- 3.3.1 數據預處理
- 3.3 模塊實現
- 3.2.2 TensorFlow環境
- 3.2.1 Python環境
- 3.2 運行環境
- 3.1.2 系統流程
- 3.1.1 系統整體結構
- 3.1 總體設計
- 項目3 檢索式模型聊天機器人
- 2.4.3 模型應用
- 2.4.2 測試效果
- 2.4.1 訓練準確率
- 2.4 系統測試
- 2.3.4 模型生成
- 2.3.3 模型訓練及保存
- 2.3.2 模型創建與編譯
- 2.3.1 數據預處理
- 2.3 模塊實現
- 2.2.3 Django環境
- 2.2.2 PyTorch環境
- 2.2.1 Python環境
- 2.2 運行環境
- 2.1.2 系統流程
- 2.1.1 系統整體結構
- 2.1 總體設計
- 項目2 服裝分類助手
- 1.4.2 運行結果
- 1.4.1 訓練準確率
- 1.4 系統測試
- 1.3.6 客戶端
- 1.3.5 推薦電影
- 1.3.4 特征矩陣提取
- 1.3.3 模型訓練及測試
- 1.3.2 模型設計
- 1.3.1 數據預處理
- 1.3 模塊實現
- 1.2.2 TensorFlow環境
- 1.2.1 Python環境
- 1.2 運行環境
- 1.1.2 系統流程
- 1.1.1 系統整體結構
- 1.1 總體設計
- 項目1 電影推薦小程序
- 配套資源
- 前言
- 內容簡介
- 作者簡介
- 版權信息
- 封面
- 封面
- 版權信息
- 作者簡介
- 內容簡介
- 前言
- 配套資源
- 項目1 電影推薦小程序
- 1.1 總體設計
- 1.1.1 系統整體結構
- 1.1.2 系統流程
- 1.2 運行環境
- 1.2.1 Python環境
- 1.2.2 TensorFlow環境
- 1.3 模塊實現
- 1.3.1 數據預處理
- 1.3.2 模型設計
- 1.3.3 模型訓練及測試
- 1.3.4 特征矩陣提取
- 1.3.5 推薦電影
- 1.3.6 客戶端
- 1.4 系統測試
- 1.4.1 訓練準確率
- 1.4.2 運行結果
- 項目2 服裝分類助手
- 2.1 總體設計
- 2.1.1 系統整體結構
- 2.1.2 系統流程
- 2.2 運行環境
- 2.2.1 Python環境
- 2.2.2 PyTorch環境
- 2.2.3 Django環境
- 2.3 模塊實現
- 2.3.1 數據預處理
- 2.3.2 模型創建與編譯
- 2.3.3 模型訓練及保存
- 2.3.4 模型生成
- 2.4 系統測試
- 2.4.1 訓練準確率
- 2.4.2 測試效果
- 2.4.3 模型應用
- 項目3 檢索式模型聊天機器人
- 3.1 總體設計
- 3.1.1 系統整體結構
- 3.1.2 系統流程
- 3.2 運行環境
- 3.2.1 Python環境
- 3.2.2 TensorFlow環境
- 3.3 模塊實現
- 3.3.1 數據預處理
- 3.3.2 模型創建與編譯
- 3.3.3 模型訓練及保存
- 3.3.4 模型生成
- 3.4 系統測試
- 3.4.1 訓練準確率
- 3.4.2 測試效果
- 3.4.3 模型應用
- 項目4 方言種類識別
- 4.1 總體設計
- 4.1.1 系統整體結構
- 4.1.2 系統流程
- 4.2 運行環境
- 4.2.1 Python環境
- 4.2.2 TensorFlow環境
- 4.2.3 Jupyter Notebook環境
- 4.2.4 PyCharm環境
- 4.3 模塊實現
- 4.3.1 數據預處理
- 4.3.2 模型構建
- 4.3.3 模型訓練及保存
- 4.3.4 模型生成
- 4.4 系統測試
- 4.4.1 訓練準確率
- 4.4.2 測試效果
- 項目5 行人檢測與追蹤計數
- 5.1 總體設計
- 5.1.1 系統整體結構
- 5.1.2 系統流程
- 5.2 運行環境
- 5.2.1 Python環境
- 5.2.2 TensorFlow環境
- 5.2.3 安裝所需的軟件包
- 5.2.4 硬件環境
- 5.3 模塊實現
- 5.3.1 準備數據
- 5.3.2 數據預處理
- 5.3.3 目標檢測
- 5.3.4 目標追蹤
- 5.3.5 主函數
- 5.4 系統測試
- 項目6 智能果實采摘指導系統
- 6.1 總體設計
- 6.1.1 系統整體結構
- 6.1.2 系統流程
- 6.2 運行環境
- 6.2.1 Python環境
- 6.2.2 TensorFlow環境
- 6.2.3 Jupyter Notebook環境
- 6.2.4 PyCharm環境
- 6.2.5 微信開發者工具
- 6.2.6 OneNET云平臺
- 6.3 模塊實現
- 6.3.1 數據預處理
- 6.3.2 創建模型與編譯
- 6.3.3 模型訓練及保存
- 6.3.4 上傳結果
- 6.3.5 小程序開發
- 6.4 系統測試
- 6.4.1 訓練準確率
- 6.4.2 測試效果
- 6.4.3 外部訪問效果
- 項目7 基于CNN的貓種類識別
- 7.1 總體設計
- 7.1.1 系統整體結構
- 7.1.2 系統流程
- 7.2 運行環境
- 7.2.1 計算型云服務器
- 7.2.2 Python環境
- 7.2.3 TensorFlow環境
- 7.2.4 MySQL環境
- 7.2.5 Django環境
- 7.3 模塊實現
- 7.3.1 數據預處理
- 7.3.2 數據增強
- 7.3.3 普通CNN模型
- 7.3.4 殘差網絡模型
- 7.3.5 模型生成
- 7.4 系統測試
- 7.4.1 訓練準確率
- 7.4.2 測試效果
- 7.4.3 模型應用
- 項目8 基于VGG-16的駕駛行為分析
- 8.1 總體設計
- 8.1.1 系統整體結構
- 8.1.2 系統流程
- 8.2 運行環境
- 8.2.1 Python環境
- 8.2.2 TensorFlow環境
- 8.2.3 Android環境
- 8.3 模塊實現
- 8.3.1 數據預處理
- 8.3.2 模型構建
- 8.3.3 模型訓練及保存
- 8.3.4 模型生成
- 8.4 系統測試
- 8.4.1 訓練準確率
- 8.4.2 測試效果
- 8.4.3 模型應用
- 項目9 基于Mask R-CNN的娛樂視頻生成器
- 9.1 總體設計
- 9.1.1 系統整體結構
- 9.1.2 系統流程
- 9.2 運行環境
- 9.2.1 Python環境
- 9.2.2 PyTorch環境
- 9.2.3 Detectron2平臺
- 9.2.4 MoviePy的安裝
- 9.2.5 PyQt的安裝
- 9.3 模塊實現
- 9.3.1 數據處理
- 9.3.2 視頻處理
- 9.3.3 PyQt界面
- 9.4 系統測試
- 9.4.1 訓練準確率
- 9.4.2 運行效率
- 9.4.3 應用使用說明
- 項目10 基于CycleGAN的圖像轉換
- 10.1 總體設計
- 10.1.1 系統整體結構
- 10.1.2 系統流程
- 10.2 運行環境
- 10.2.1 Python環境
- 10.2.2 TensorFlow GPU環境
- 10.2.3 Android環境
- 10.3 模塊實現
- 10.3.1 數據集預處理
- 10.3.2 模型構建
- 10.3.3 模塊分析
- 10.3.4 模型訓練及保存
- 10.3.5 模型生成
- 10.4 系統測試
- 項目11 交通警察——車輛監控系統
- 11.1 總體設計
- 11.1.1 系統整體結構
- 11.1.2 系統流程
- 11.2 運行環境
- 11.2.1 Python環境
- 11.2.2 TensorFlow環境
- 11.2.3 PyCharm IDE配置
- 11.2.4 Protoc配置
- 11.3 模塊實現
- 11.3.1 API下載及載入
- 11.3.2 識別訓練
- 11.3.3 導入模型與編譯
- 11.3.4 模型生成
- 11.4 系統測試
- 項目12 驗證碼的生成與識別
- 12.1 總體設計
- 12.1.1 系統整體結構
- 12.1.2 系統流程
- 12.2 運行環境
- 12.2.1 Python環境
- 12.2.2 TensorFlow環境
- 12.2.3 VsCode環境
- 12.3 模塊實現
- 12.3.1 數據預處理
- 12.3.2 模型搭建
- 12.3.3 模型訓練及保存
- 12.3.4 模型測試
- 12.4 系統測試
- 12.4.1 訓練準確率
- 12.4.2 測試效果
- 項目13 基于CNN的交通標志識別
- 13.1 總體設計
- 13.1.1 系統整體結構
- 13.1.2 系統流程
- 13.2 運行環境
- 13.3 模塊實現
- 13.3.1 數據預處理
- 13.3.2 模型構建
- 13.3.3 模型訓練及保存
- 13.4 系統測試
- 13.4.1 訓練準確率
- 13.4.2 測試效果
- 項目14 圖像風格轉移
- 14.1 總體設計
- 14.1.1 系統整體結構
- 14.1.2 系統流程
- 14.2 運行環境
- 14.2.1 Python環境
- 14.2.2 TensorFlow環境
- 14.2.3 庫安裝
- 14.2.4 VGG-19網絡下載
- 14.3 模塊實現
- 14.3.1 實時風格轉移
- 14.3.2 非實時風格轉移
- 14.3.3 交互界面設計
- 14.4 系統測試
- 14.4.1 非實時風格轉移測試
- 14.4.2 實時風格轉移測試
- 項目15 口罩識別系統
- 15.1 總體設計
- 15.1.1 系統整體結構
- 15.1.2 系統流程圖
- 15.2 運行環境
- 15.3 模塊實現
- 15.3.1 數據預處理
- 15.3.2 模型訓練及保存
- 15.3.3 頁面顯示和視頻流輸入
- 15.3.4 模型生成
- 15.4 系統測試
- 15.4.1 訓練準確率
- 15.4.2 測試效果
- 項目16 垃圾分類微信小程序
- 16.1 總體設計
- 16.1.1 系統整體結構
- 16.1.2 系統流程
- 16.2 運行環境
- 16.2.1 Python環境
- 16.2.2 TensorFlow環境
- 16.2.3 微信小程序及后臺服務器環境
- 16.3 模塊實現
- 16.3.1 數據預處理
- 16.3.2 創建模型與編譯
- 16.3.3 模型訓練及保存
- 16.3.4 模型生成
- 16.4 系統測試
- 16.4.1 訓練準確率
- 16.4.2 測試效果
- 16.4.3 模型應用
- 項目17 基于OpenCV的人臉識別程序
- 17.1 總體設計
- 17.1.1 系統整體結構
- 17.1.2 系統流程
- 17.2 運行環境
- 17.2.1 Python環境
- 17.2.2 TensorFlow環境
- 17.3 模塊實現
- 17.3.1 數據預處理
- 17.3.2 模型構建
- 17.3.3 模型訓練
- 17.4 系統測試
- 項目18 基于CGAN的線稿自動上色
- 18.1 總體設計
- 18.1.1 系統整體結構
- 18.1.2 系統流程
- 18.2 運行環境
- 18.2.1 Python環境
- 18.2.2 TensorFlow環境
- 18.3 模塊實現
- 18.3.1 數據預處理
- 18.3.2 模型構建
- 18.3.3 模型訓練及保存
- 18.3.4 模型應用
- 18.4 系統測試
- 18.4.1 訓練效果
- 18.4.2 測試效果
- 18.4.3 模型使用說明
- 項目19 基于ACGAN的動漫頭像生成
- 19.1 總體設計
- 19.1.1 系統整體結構
- 19.1.2 系統流程
- 19.2 運行環境
- 19.2.1 Python環境
- 19.2.2 TensorFlow環境
- 19.2.3 OpenCV環境
- 19.2.4 Illustration2Vec
- 19.3 模塊實現
- 19.3.1 數據獲取
- 19.3.2 數據處理
- 19.3.3 模型構建
- 19.3.4 模型訓練及保存
- 19.4 系統測試
- 19.4.1 模型導入及調用
- 19.4.2 生成指定標簽
- 項目20 手勢語言識別
- 20.1 總體設計
- 20.1.1 系統整體結構
- 20.1.2 系統流程
- 20.2 運行環境
- 20.2.1 Python環境
- 20.2.2 TensorFlow環境
- 20.2.3 OpenCV-Python環境
- 20.3 模塊實現
- 20.3.1 設置直方圖
- 20.3.2 載入手勢圖片
- 20.3.3 模型訓練及保存
- 20.4 系統測試
- 20.4.1 測試準確率
- 20.4.2 測試效果 更新時間:2023-08-04 18:56:04