深度学习与机器人

参考文献

7.7.4 深度学习智能车

7.7.3 遥控使用

7.7.2 深度学习智能车

7.7.1 无人驾驶沙盘模型

7.7 智能车无人驾驶实践

7.6 标志物识别的模型训练

7.5.2 Yolov5相对于Yolov4和Yolov3的改进

7.5.1 Yolov5网络结构

7.5 Yolov5网络模型介绍

7.4 标志物检测的数据采集与处理

7.3 车道线识别训练模型

7.2 车道线识别数据处理与模型构建

7.1 基于PaddlePaddle深度学习框架的安装

第7章 实战案例

6.6.3 智能车串口通信调试

6.6.2 智能车上位机程序设计

6.6.1 智能车下位机程序设计

6.6 智能车上位机与下位机通信

6.5.7 执行程序和查看结果

6.5.6 智能车驱动程序设计

6.5.5 电机驱动电路

6.5.4 智能车电机引脚连接配置

6.5.3 智能车电机控制

6.5.2 电机工作方式

6.5.1 智能车电机特征

6.5 智能车运动控制

6.4.5 执行程序和查看结果

6.4.4 程序设计

6.4.3 智能车LED电路设计

6.4.2 智能车LED引脚连接配置

6.4.1 深度学习智能车车灯介绍

6.4 点亮深度学习智能车的车灯

6.3 软件安装和使用

6.2 深度学习智能车各部分介绍

6.1 智能车硬件架构设计

第6章 深度学习智能车项目

实战篇

5.4.3 模型训练及模型推理

5.4.2 网络结构和设置学习率

5.4.1 数据处理及数据加载

5.4 手写数字识别案例

5.3 使用PaddlePaddle高层API直接调用分类网络

5.2 PaddlePaddle基本运算

5.1.9 全连接层

5.1.8 池化层

5.1.7 特征图大小

5.1.6 多卷积核卷积

5.1.5 多通道卷积

5.1.4 步长

5.1.3 填充

5.1.2 卷积层

5.1.1 CNN的构成

5.1 PaddlePaddle卷积神经网络基础

第5章 PaddlePaddle基础

4.4 案例：基于PyTorch的CIFAR-10图片分类

4.3.2 torch.optim

4.3.1 torch.nn

4.3 构建模型和优化参数

4.2 自动求梯度

4.1.3 搭建简单的神经网络

4.1.2 Tensor运算

4.1.1 Tensor数据类型

4.1 PyTorch简介

第4章 PyTorch基础

3.2.5 Yolov3案例

3.2.4 Yolo系列算法

3.2.3 Faster RCNN原理

3.2.2 RCNN基础

3.2.1 目标检测简介

3.2 目标检测

3.1.4 ResNet

3.1.3 GoogLeNet

3.1.2 VGG

3.1.1 AlexNet

3.1 图像分类简介

第3章 图像分类及目标检测

框架篇

2.6 网络参数调整或微调

2.5.3 Max Pooling层的实现

2.5.2 卷积层的实现

2.5.1 Numpy功能包导入

2.5 卷积神经网络代码详解

2.4.2 Numpy功能包安装

2.4.1 Python环境安装

2.4 软件环境安装

2.3.5 卷积神经网络训练

2.3.4 全连接层

2.3.3 激活函数

2.3.2 池化

2.3.1 卷积层

2.3 卷积神经网络结构

2.2.3 画面不变性

2.2.2 图像表达

2.2.1 视觉感知

2.2 图像识别的任务

2.1.2 神经网络

2.1.1 神经元与感知器

2.1 神经网络结构

第2章 卷积神经网络及应用介绍

1.4 计算机视觉

1.3 深度学习简介

1.2 人工智能的发展

1.1 人工智能简介

第1章 人工智能、深度学习和计算机视觉

认知篇

前言

序

内容简介

版权信息

封面

封面

版权信息

内容简介

序

前言

认知篇

第1章 人工智能、深度学习和计算机视觉

1.1 人工智能简介

1.2 人工智能的发展

1.3 深度学习简介

1.4 计算机视觉

第2章 卷积神经网络及应用介绍

2.1 神经网络结构

2.1.1 神经元与感知器

2.1.2 神经网络

2.2 图像识别的任务

2.2.1 视觉感知

2.2.2 图像表达

2.2.3 画面不变性

2.3 卷积神经网络结构

2.3.1 卷积层

2.3.2 池化

2.3.3 激活函数

2.3.4 全连接层

2.3.5 卷积神经网络训练

2.4 软件环境安装

2.4.1 Python环境安装

2.4.2 Numpy功能包安装

2.5 卷积神经网络代码详解

2.5.1 Numpy功能包导入

2.5.2 卷积层的实现

2.5.3 Max Pooling层的实现

2.6 网络参数调整或微调

框架篇

第3章 图像分类及目标检测

3.1 图像分类简介

3.1.1 AlexNet

3.1.2 VGG

3.1.3 GoogLeNet

3.1.4 ResNet

3.2 目标检测

3.2.1 目标检测简介

3.2.2 RCNN基础

3.2.3 Faster RCNN原理

3.2.4 Yolo系列算法

3.2.5 Yolov3案例

第4章 PyTorch基础

4.1 PyTorch简介

4.1.1 Tensor数据类型

4.1.2 Tensor运算

4.1.3 搭建简单的神经网络

4.2 自动求梯度

4.3 构建模型和优化参数

4.3.1 torch.nn

4.3.2 torch.optim

4.4 案例：基于PyTorch的CIFAR-10图片分类

第5章 PaddlePaddle基础

5.1 PaddlePaddle卷积神经网络基础

5.1.1 CNN的构成

5.1.2 卷积层

5.1.3 填充

5.1.4 步长

5.1.5 多通道卷积

5.1.6 多卷积核卷积

5.1.7 特征图大小

5.1.8 池化层

5.1.9 全连接层

5.2 PaddlePaddle基本运算

5.3 使用PaddlePaddle高层API直接调用分类网络

5.4 手写数字识别案例

5.4.1 数据处理及数据加载

5.4.2 网络结构和设置学习率

5.4.3 模型训练及模型推理

实战篇

第6章 深度学习智能车项目

6.1 智能车硬件架构设计

6.2 深度学习智能车各部分介绍

6.3 软件安装和使用

6.4 点亮深度学习智能车的车灯

6.4.1 深度学习智能车车灯介绍

6.4.2 智能车LED引脚连接配置

6.4.3 智能车LED电路设计

6.4.4 程序设计

6.4.5 执行程序和查看结果

6.5 智能车运动控制

6.5.1 智能车电机特征

6.5.2 电机工作方式

6.5.3 智能车电机控制

6.5.4 智能车电机引脚连接配置

6.5.5 电机驱动电路

6.5.6 智能车驱动程序设计

6.5.7 执行程序和查看结果

6.6 智能车上位机与下位机通信

6.6.1 智能车下位机程序设计

6.6.2 智能车上位机程序设计

6.6.3 智能车串口通信调试

第7章 实战案例

7.1 基于PaddlePaddle深度学习框架的安装

7.2 车道线识别数据处理与模型构建

7.3 车道线识别训练模型

7.4 标志物检测的数据采集与处理

7.5 Yolov5网络模型介绍

7.5.1 Yolov5网络结构

7.5.2 Yolov5相对于Yolov4和Yolov3的改进

7.6 标志物识别的模型训练

7.7 智能车无人驾驶实践

7.7.1 无人驾驶沙盘模型

7.7.2 深度学习智能车

7.7.3 遥控使用

7.7.4 深度学习智能车

参考文献