AI 源碼解讀：捲積神經網絡(CNN)深度學習案例 (Python版)

李永華：北京郵電大學，教授，擁有超過10年的軟硬件開發經驗，長期致力於物聯網、雲計算與人工智能的研究工作。
在教學中以興趣為導向，激發學生的創造性；以素質為基礎，提高自身教學水平；以科研為手段，促進教學理念的轉變，在教學與科研實踐中指導學生實現300餘個創新案例。
主持30餘項國j級與企事業單位課題的研究工作，在國內外學術期刊及會議發表論文100餘篇，申請專利50餘項，出版圖書20餘部。

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
1.2.1Python環境
1.2.2TensorFlow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特徵矩陣提取
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
2.2.1Python環境
2.2.2PyTorch環境
2.2.3Django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
3.2.1Python環境
3.2.2TensorFlow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
4.2.1Python環境
4.2.2TensorFlow環境
4.2.3Jupyter Notebook環境
4.2.4PyCharm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行人檢測與追踪計數
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
5.2.1Python環境
5.2.2TensorFlow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目標追踪
5.3.5主函數
5.4系統測試

項目6智能果實採摘指導系統
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
6.2.1Python環境
6.2.2TensorFlow環境
6.2.3Jupyter Notebook環境
6.2.4PyCharm環境
6.2.5微信開發者工具
6.2.6OneNET雲平台
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基於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計算型雲服務器
7.2.2Python環境
7.2.3TensorFlow環境
7.2.4MySQL環境
7.2.5Django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基於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
8.2.1Python環境
8.2.2TensorFlow環境
8.2.3Android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基於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
9.2.1Python環境
9.2.2PyTorch環境
9.2.3Detectron2平台
9.2.4MoviePy的安裝
9.2.5PyQt的安裝
9.3模塊實現
9.3.1數據處理
9.3.2視頻處理
9.3.3PyQt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基於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
10.2.1Python環境
10.2.2TensorFlow GPU環境
10.2.3Android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
11.2.1Python環境
11.2.2TensorFlow環境
11.2.3PyCharm IDE配置
11.2.4Protoc配置
11.3模塊實現
11.3.1API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
12.2.1Python環境
12.2.2TensorFlow環境
12.2.3VsCode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基於CNN的交通標誌識別
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
14.2.1Python環境
14.2.2TensorFlow環境
14.2.3庫安裝
14.2.4VGG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
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
16.2.1Python環境
16.2.2TensorFlow環境
16.2.3微信小程序及後台服務器環境
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基於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
17.2.1Python環境
17.2.2TensorFlow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基於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
18.2.1Python環境
18.2.2TensorFlow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基於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
19.2.1Python環境
19.2.2TensorFlow環境
19.2.3OpenCV環境
19.2.4Illustration2Vec
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生成指定標籤

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
20.2.1Python環境
20.2.2TensorFlow環境
20.2.3OpenCV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