深度学习基础及应用（人工智能、大数据技术、计算机等相关专业）全套教学课件

深度学习基础及应用全套可编辑PPT课件项目一搭建深度学习开发环境项目二

夯实深度学习开发基础项目三

构建神经网络项目四

利用卷积神经网络进行图像处理项目五

利用循环神经网络进行文本预测和分类项目六利用生成对抗神经网络进行图像生成项目七

利用迁移学习进行图像分类项目八交通标志识别全课导航项目一

搭建深度学习开发环境项目目标掌握人工智能、机器学习和深度学习的基本概念及它们之间的关系。了解深度学习的主要应用领域。了解深度学习的主流框架。能够成功搭建深度学习的开发环境。能够使用JupyterNotebook完成Python程序的编辑、运行和调试。知识目标技能目标素养目标通过了解我国深度学习平台的发展，增强民族自信心。养成刻苦、勤奋、好问、独立思考和细心检查的学习习惯。项目一

搭建深度学习开发环境项目描述近几年，人工智能已经真正进入了人们的日常生活，指纹识别、刷脸支付等技术的使用，极大地改变了人们的生活方式，而这些技术都要依靠深度学习。越来越多的人加入到了深度学习的学习和开发中，小旌也想加入其中，于是先从搭建深度学习开发环境入手。2016年3月，阿尔法围棋（AlphaGo）与围棋世界冠军、职业九段棋手李世石进行人机大战，最终AlphaGo以4∶1的总比分获胜，这个事件引起了社会的高度关注，也把人工智能再一次推向话题顶峰。项目一

搭建深度学习开发环境项目分析下载安装Anaconda。从Anaconda的官方网站或者国内镜像网站上（如清华镜像）下载Anaconda软件包并安装。安装TensorFlow。在“AnacondaPrompt”窗口使用pip命令下载并安装TensorFlow。使用JupyterNotebook编辑、运行和调试程序。为了更好地进行深度学习的开发，本项目将对相关知识进行介绍，包括人工智能、机器学习和深度学习的概念及三者之间的关系，以及深度学习的应用领域和主流框架。项目一

搭建深度学习开发环境问题1:简述深度学习的发展历程。项目准备全班学生以3～5人为一组进行分组，各组选出组长。组长组织组员扫码观看“深度学习的发展历程”和“深度学习的应用领域”视频，讨论并回答下列问题。问题2:简述深度学习的应用领域，并列举出相关领域中已发布的系统或软件（不少于3个）。搭建深度学习开发环境项目一章节导航人工智能、机器学习和深度学习1.1深度学习的应用领域1.2深度学习的主流框架1.3人工智能、机器学习和深度学习1.1在1956年的达特茅斯会议上，约翰·麦卡锡等人第一次提出“人工智能”概念，它标志着人工智能学科的诞生。1.1.1人工智能1.人工智能的概念约翰·麦卡锡(被称为“人工智能之父”)

什么是人工智能呢？人工智能（artificialintelligence,AI），从字面上进行解释，主要有“人工”和“智能”两个部分。人工智能1.人工智能的概念1.1.1“人工”是指人造的、人为的，与自然界中本身存在的天然事物相对应。“智能”是智力和能力的总称，它涉及意识、自我、思维（包括无意识的思维）等问题。人工智能是指能够让机器或系统像人一样拥有智力和能力，可以代替人类实现识别、认知、分析和决策等多种功能的技术。人工智能是自然科学和社会科学的交叉学科，汲取了自然科学和社会科学的最新成就，以智能为核心，形成了具有自身研究特点的新体系。人工智能已经发展成为一门由计算机科学、控制论、信息论、语言学、神经生理学、心理学、数学和哲学等多学科相互融合的综合性新学科。人工智能的研究涉及广泛的领域，如各种知识表示模式、不同的智能搜索技术、求解数据和知识不确定性问题的各种方法、机器学习的不同模式等。智能人工智能自然科学社会科学1.1.1人工智能2.人工智能的主要研究内容与应用领域人工智能的主要研究内容大体上可以分为以下几个方面。知识表示把人类的知识概念化、形式化或模型化。运用符号知识、算法和状态图等来描述待解决的问题。知识表示方法主要包括符号表示法和连接机制表示法。知识推理在计算机或智能系统中，依据推理控制策略，利用形式化的知识模拟人类的智能推理方式进行求解问题的过程。机器学习计算机模拟人的学习行为，自主获取新知识，并重新组织已有的知识结构，不断提升自身解决问题的能力。机器学习可以通过学习文献资料、与人交谈和观察环境等方式进行。1.1.1人工智能2.人工智能的主要研究内容与应用领域应用领域随着人工智能理论研究的发展，人工智能的应用领域越来越宽广，其应用效果也越来越显著。人工智能的应用主要集中在自动定理证明、问题求解与博弈、专家系统、模式识别、机器视觉、自然语言处理、人工神经网络、分布式人工智能与多Agent等领域。人工智能的应用自动定理证明问题求解与博弈专家系统模式识别机器视觉自然语言处理人工神经网络分布式人工智能与多Agent1.1.1人工智能2.人工智能的主要研究内容与应用领域是指如果一个程序可以在任务T上，随着经验E的增加，效果P也可以随之增加，则称这个程序可以从经验中学习。汤姆·米切尔1.1.2机器学习1.机器学习的概念这一定义是由卡内基梅隆大学的教授汤姆·米切尔提出的，该定义目前在学术界广泛使用。机器学习（machinelearning,ML）机器学习的基本思路：使用一定的算法解析训练数据；然后学习数据中存在的一些特征，得到模型；最后使用得到的模型对实际问题做出分类、决策或预测等，如图所示。机器学习的基本思路1.1.2机器学习2.机器学习的基本思路以小朋友区分大象和长颈鹿为例，分析机器学习的基本思路。区分大象和长颈鹿的属性称为“特征”。不断学习的过程就是“建模”，学会了区分大象和长颈鹿后总结出来的规律称为“模型”。在动物园看到大象和长颈鹿是新的数据，又称为“测试集”，将训练好的“模型”应用于测试集可以完成分类、决策或预测等任务。小朋友看连环画父母告诉他：”长鼻子大耳朵的是大象，花斑纹长脖子的是长颈鹿。”不断重复上面的过程，小朋友的大脑在不停地学习。当小朋友去动物园看到大象和长颈鹿时，他就能够很快地将大象和长颈鹿区分开来。连环画在机器学习中称为“训练数据”“训练数据”的集合称为“训练集”。1.1.2机器学习2.机器学习的基本思路机器学习按照学习形式可分为有监督学习、无监督学习、半监督学习和强化学习。有监督学习无监督学习半监督学习强化学习1.给算法一个数据集（样本）；2.给定正确答案（标签）；3.机器通过数据集来学习正确答案。1.给定的数据集没有“正确答案”，所有的数据都是一样的。2.任务是从给定的数据集中，挖掘出潜在的特征。有监督学习和无监督学习相互结合的一种学习方法，也可以说是介于两者之间的一种学习类型。1.以环境反馈（奖惩信号）作为输入；2.以统计和动态规划技术为指导。3.以目标为导向，从空白状态开始，经由多个步骤来实现某一维度上的目标最大化。

打败围棋世界冠军、职业九段棋手李世石的阿尔法围棋（AlphaGo），使用的是深度学习算法和强化学习算法。1.1.2机器学习3.机器学习的分类有监督学习无监督学习半监督学习强化学习1.给这些照片打上标签；2.打好标签的照片就是“正确答案”；3.机器通过大量学习，就可以学会在新照片中识别出猫和狗。1.把一堆猫和狗的照片给机器，不给这些照片打任何标签；2.通过学习，机器会把这些照片分为两类，一类是猫的照片，一类是狗的照片。有监督学习和无监督学习相互结合的一种学习方法，也可以说是介于两者之间的一种学习类型。在训练过程中，不断去尝试，错误就惩罚，正确就奖励，由此训练得到的模型在各个状态环境中都是最好的。这种学习方式效果非常好，但成本也较高。虽然看上去跟上面的有监督学习结果差不多，但是有着本质的差别。它强调如何基于环境而行动，以取得最大化的预期利益。以让机器学会如何识别猫和狗为例1.1.2机器学习3.机器学习的分类深度学习（deeplearning,DL），是一种实现机器学习的技术，是机器学习中的一个研究方向。它的概念源于对人工神经网络的研究，深度学习的模型结构是一种包含多个隐藏层的神经网络。“深度”指的是神经网络中包含一系列连续的层。“学习”是指训练这个神经网络的过程。1.1.3深度学习1.深度学习的概念

什么是深度学习呢？人工智能通过研究、设计和制造智能机器或智能系统，模拟人类的智能活动，从而延伸、扩展人类智能。机器学习则是人工智能的一个分支，它是实现人工智能的一个核心技术，即以机器学习为手段解决人工智能中的规律、经验、知识获取问题。机器学习包含了很多种不同的算法，深度学习就是其中之一，其他算法包括决策树、支持向量机、朴素贝叶斯等。人工智能、机器学习和深度学习的关系1.1.3深度学习2.人工智能、机器学习和深度学习的关系高手点拨深度学习与传统机器学习的区别传统机器学习描述样本的特征通常需要由人类专家手动选取和设计，特征的好坏对泛化性能有至关重要的影响，而人类专家设计出好的特征并非易事。传统机器学习在进行图像分类时，需要人类专家根据图像的颜色、轮廓、范围等特征，提取相应的特征值，然后进行机器学习训练以得到结果。深度学习与传统机器学习最大的区别在于两者提取特征的方式不同。深度学习则是通过自身学习、分析提取抽象特征，向“全自动数据分析”又前进了一步。深度学习则是通过对大量训练图像的学习，自动确定需要提取的特征信息，甚至还能获取一些人们意想不到的特征组合来训练模型。将这些提取到的特征再经过模型更新等步骤，就可以得到令人满意的结果。传统机器学习深度学习课堂训练问题一：简述人工智能、机器学习和深度学习之间的关系。问题二：简述有监督学习和无监督学习的区别。课堂小结人工智能的概念人工智能的主要研究内容与应用领域机器学习的概念机器学习的基本思路机器学习的分类深度学习的概念人工智能、机器学习和深度学习的关系深度学习的应用领域1.2图片识别是使用深度学习最早的领域之一，常用于分类问题。神经网络的输入为图片数据，输出值为当前样本属于每个类别的概率分布。通常选取概率值最大的类别作为样本的预测类别。从2012年开始，通过对深度学习算法的不断研究，在ImageNet数据集上实现图像分类的错误率以较大的幅度递减，这说明深度学习完全突破了传统机器学习算法在图像分类上的技术瓶颈，图像分类问题得到了更好的解决。在图片识别方面，经典的神经网络模型有VGGNet、GoogleNet、ResNet等。1.2.1计算机视觉1.图片识别1.2.1计算机视觉2.目标检测目标检测是指通过算法自动检测出图片中常见物体的大致位置，通常用边界框表示，并分类出边界框中物体的类别信息。目标检测比图像分类的难度更高，在目标检测中，不仅要给出包含了哪些物体，还要给出包含物体的具体位置。传统机器学习算法很难抽象出足够有效的特征，而深度学习算法能够从海量数据中自动检测目标并表达其特征，既可以有效地区分不同的个体，又可以尽量减少相同个体在不同环境中的影响。人脸识别广泛应用了目标检测技术，一般应用在娱乐行业、安防及风控行业等。现在每款自拍软件都必备自动对焦和自动美颜功能；在安防、风控领域，人脸识别应用大大提高了工作效率并节省了人力成本。此外，人脸识别还可用于账户的登录和保障资金安全，如网银的人脸识别登录和支付等。1.2.1计算机视觉2.目标检测拓展阅读机器视觉和计算机视觉的区别概念不同侧重点不同机器视觉就是用机器代替人眼进行测量和判断。计算机视觉是利用计算机及其辅助设备来模拟人的视觉功能，实现对客观世界三维场景的感知、识别和理解。机器视觉侧重工程的应用，强调实时性、高精度和高速度。计算机视觉侧重理论算法的研究，强调理论。图像分割是通过算法自动分割并识别出图片中的内容，可以将图像分割理解为每个像素点的分类问题，分析每个像素点的物体的类别信息。图像分割主要应用于无人驾驶、医学影像诊断、地理信息系统、机器人等。在无人驾驶中，需要为汽车增加必要的感知器，让它们了解自己所处的环境，使自动驾驶的汽车可以安全行驶。通过车载摄像头或激光雷达探查到图像后，无人驾驶汽车将图像输入到模型中，后台计算机可以自动将图像分割归类，以避让行人和车辆等障碍。1.2.1计算机视觉3.图像分割深度学习已经在机器翻译、文字识别、自动文摘、句法分析、文本分类、信息检索、信息获取、信息过滤、中文自动分词、语音合成等研究方向取得了突出成就，能够更加智能、自动地提取复杂特征，如表所示。自然语言处理是研究人类与计算机系统之间用自然语言进行有效通信的各种理论和方法。如何解决计算机系统理解自然语言的问题，一直是人工智能研究领域的重要课题之一。研究方向简介机器翻译借助计算机把文字或演讲从一种自然语言自动翻译成另一种自然语言，如将汉语翻译成英语文字识别借助计算机自动识别印刷体或手写体文字，将它们转换为可供计算机处理的电子文本，如字符的图像识别自动文摘利用计算机提炼指定文章的摘要，即自动归纳原文档的主要内容和含义，提炼并形成摘要，如机械文摘自然语言处理的研究方向1.2.2自然语言处理研究方向简介句法分析运用自然语言的句法和其他相关知识确定输入句中各成分的功能，建立一种数据结构，用于获取输入句子的意义文本分类在给定的分类体系和分类标准下，根据文本内容利用计算机自动判别文本类型，实现文本自动归类信息检索利用计算机从海量文档中查找用户需要的相关文档信息获取利用计算机从大量的文本中自动抽取待定的一类信息（如事件和事实等），并形成结构化数据，填入数据库中供用户查询使用信息过滤利用计算机自动识别和过滤满足特定条件的文档信息中文自动分词使用计算机对中文文本进行词语的自动切分语音合成将书面文本自动转换成对应的语音（续）自然语言处理的研究方向1.2.2自然语言处理语言的理解和生成是一个极为复杂的解码和编码过程。一个能够理解自然语言的计算机系统看起来就像一个人一样，它不仅需要有上下文知识和信息，还能用信息发生器进行推理。理解和书写语言的计算机系统具有表示上下文知识结构的某些人工智能思想，以及根据这些知识进行推理的某些技术。高手点拨深度学习在语音识别领域同样取得了突破性进展。2009年深度学习的概念被引入语音识别领域，并对该领域产生了重大影响。短短几年之间，使用深度学习模型的语音识别错误率大大降低。深度学习之所以有这样的突破性进展，最主要的原因是其可以自动地从海量数据中提取更加复杂且有效的特征。基于深度学习的语音识别已经应用到了各个领域，如同声传译系统、智能语音输入法等。同声传译系统不仅能够对输入的语音进行识别，还可以将识别出来的结果翻译成另外一门语言，并将翻译好的结果通过语音合成的方式输出。1.2.3语音识别素养之窗2018年，首届中国国际进口博览会上，腾讯同传作为官方AI同传系统，为新闻发布厅与各企业签约厅提供了同声传译与双语会议纪要的服务，顺利完成了总计约60多场会议的高质量多并发服务，为5000多名中外记者及来自150多个国家和地区的机构，带来了高效的语言辅助理解和会议纪要快速导出的便利。自然语言处理的研究方向有哪些。课堂训练课堂小结深度学习的应用领域：计算机视觉自然语言处理语音识别深度学习的主流框架1.3TensorFlow是一款由Google公司推出的开源框架，是目前使用较为广泛的深度学习框架之一，其前身是Google公司的神经网络算法库DistBelief。它拥有全面而灵活的生态系统，包含各种工具、库和社区资源，被广泛应用于各类机器学习算法的编程实现。TensorFlow拥有多层级结构，可部署于各类服务器、个人计算机和移动平台上并支持CPU、GPU（graphicsprocessingunit）和TPU（tensorprocessingunit）来完成高性能数值计算。它提供了Python、C++、Java接口来构建用户的程序。TensorFlow由Google公司人工智能团队开发和维护，拥有包括TensorFlowHub、TensorFlowLite、TensorFlowResearchCloud等多个项目及各类应用程序接口。1.3.1TensorFlow2019年，Google公司推出了TensorFlow2.0。相较于TensorFlow1.x而言，TensorFlow2.x使用完全不同的架构，不兼容TensorFlow1.x的代码，同时在编程风格、函数接口设计等方面也有较大的变化，易用性更好。TensorFlow2.x使用Keras作为高层API，使用了动态计算图快速搭建模型、调试程序；清理了冗余和废弃的API，如tf.app、tf.flags等，取消了全局变量，采用变量跟踪机制，使整体流程更加清晰，平缓了学习曲线；增强了模型部署能力，训练出的模型可以在其他平台、移动端、嵌入式设备、浏览器，甚至其他语言平台部署并使用。1.3.1TensorFlowPyTorch是一款由Facebook人工智能研究院推出的开源Python机器学习框架，它的前身是Torch框架。2017年，Torch的研发团队推出了PyTorch。PyTorch不是简单地封装Torch，以提供Python接口，而是对Torch之上的所有模块进行了重构，并新增了先进的自动求导系统，成为当下最流行的动态图框架之一。PyTorch入门简单，简洁且高效快速。它与Python语言无缝衔接，处于机器学习第一大语言Python的生态圈中，可使用庞大的Python库和相关软件。它使用了动态计算图结构，并采用了定制的GPU内存分配器，使得深度学习模型有最大限度的内存效能，能训练更大的深度神经网络。1.3.2PyTorchPaddlePaddle深度学习核心训练和推理框架基础模型库端到端开发套件丰富的工具组件2016年，百度公司推出了PaddlePaddle（也称为飞桨）。它是中国首个自主研发、功能完备、开源开放的产业级深度学习平台。PaddlePaddle集深度学习核心训练和推理框架、基础模型库、端到端开发套件及丰富的工具组件于一体。1.3.3PaddlePaddlePaddlePaddle（也称为飞桨）功能上，它同时支持动态图和静态图，能方便地调试和部署模型，非常适合业务应用的落地实现。它还支持数百个节点的高效并行训练。1.3.3PaddlePaddleCaffe于2003年发布，是一款由伯克利大学贾扬清博士主持开发的清晰、高效的深度学习框架。Caffe采用C++编写，支持命令行、Python和MATLAB接口，既可以在CPU上运行，又可以在GPU上运行。贾扬清博士1.3.4Caffe由于Caffe知名度较高，拥有大量训练好的经典模型，如AlexNet、VGGNet、ResNet等，所以广泛地应用于前沿的工业界和学术界，许多提供源码的深度学习论文都使用Caffe作为实现模型的工具。Caffe经典模型AlexNetVGGNetResNet应用工业界学术界在计算机视觉领域中的应用人脸识别图像分类位置检测目标追踪1.3.4Caffe在深度学习新时代到来之时，Caffe的局限性也逐渐显现。尽管目前在GitHub上还能找到许多基于Caffe的项目，但是新的项目已经越来越少。2017年4月，Facebook发布Caffe2，加入了递归神经网络等新功能。2018年3月底，Caffe2并入PyTorch。优势出众的性能和快速的原型设计简洁明了的源代码局限性难以配置依赖环境众多难扩展灵活性缺失Caffe1.3.4Caffe2022年7月，中国信息通信研究院联合深度学习技术及应用国家工程研究中心发布了《深度学习平台发展报告（2022）》。报告指出，以中国自主研发的飞桨为代表的自主可控全栈平台和生态加速了中国技术普惠与产业赋能，是构建国产化生态体系的重要一环。百度飞桨基于我国产业实践与应用创新需求，在社区生态构建上持续发力、优势渐显，在平台服务规模和技术应用能力方面更具备领先优势。截至2022年5月，飞桨已累计凝聚477万名开发者、服务18万家企事业单位、创建56万个AI模型。与此同时，华为昇思、旷视天元、之江天枢等深度学习平台，也获得了快速发展。素养之窗Caffe在计算机视觉领域中的应用都有哪些。课堂训练课堂小结深度学习的主流框架：TensorFlowPyTorchPaddlePaddleCaffe项目实施——搭建深度学习开发环境Anaconda是一个开源的集成开发平台，它集成了Python的开发环境及众多常用的Python包和模块，如NumPy、Matplotlib等。步骤1

访问，在打开的Anaconda主页中选择“Products”→“AnacondaDistribution”选项，如图所示。Anaconda主页1.安装Anaconda项目实施——搭建深度学习开发环境侧重点不同步骤2

打开下载页面，向下拖动滚动条，直到出现Anaconda安装版本信息，选择“Windows”→“Python3.9”→“64-BitGraphicalInstaller”选项，下载安装软件，如图所示。下载Anaconda指点迷津用户也可以从清华镜像网站上（/anaconda/archive）下载Anaconda，该网站提供了许多Anaconda的历史版本。1.安装Anaconda项目实施——搭建深度学习开发环境步骤3

双击下载好的“Anaconda3-2022.05-Windows-x86_64.exe”文件，在打开的对话框中单击“Next”按钮，如图所示。欢迎安装步骤4

显示“LicenseAgreement”界面，单击“IAgree”按钮，如图所示。同意安装许可1.安装Anaconda项目实施——搭建深度学习开发环境步骤

5显示“SelectInstallationType”界面，在“Installfor”列表中勾选“JustMe”单选钮，然后单击“Next”按钮，如图所示。选择用户步骤6显示“ChooseInstallLocation”界面，直接使用默认路径，单击“Next”按钮，如图所示。设置安装路径如果系统创建了多个用户而且都允许使用Anaconda，则勾选“AllUsers”单选钮。1.安装Anaconda项目实施——搭建深度学习开发环境步骤7显示“AdvancedInstallationOptions”界面，在“AdvancedOptions”列表中勾选“AddAnaconda3tomyPATHenvironmentvariable”和“RegisterAnaconda3asmydefaultPython3.9”复选框，单击“Install”按钮，如图所示。设置系统环境勾选“AddAnaconda3tomyPATHenvironmentvariable”表示把Anaconda3加入环境变量；勾选“RegisterAnaconda3asmydefaultPython3.9”表示将Anaconda3注册为默认安装的Python3.9。指点迷津1.安装Anaconda项目实施——搭建深度学习开发环境步骤8安装完成后单击“Next”按钮，最后单击“Finish”按钮，完成Anaconda3的安装。启动AnacondaPrompt步骤9

单击“开始”按钮，选择“Anaconda3”→“AnacondaPrompt”选项，如图所示。步骤10在打开的“AnacondaPrompt”窗口中输入“condalist”命令，按回车键，如果显示很多库名和版本号列表，说明Anaconda安装成功了，如图所示。Anaconda库名和版本号列表1.安装Anaconda项目实施——搭建深度学习开发环境TensorFlow有CPU和GPU两种安装版本。下面介绍TensorFlow的CPU版本安装步骤。步骤1单击“开始”按钮，选择“Anaconda3”→“AnacondaPrompt”选项。2.安装TensorFlow项目实施——搭建深度学习开发环境TensorFlow（CPU版本）安装界面步骤2在打开的“AnacondaPrompt”窗口中输入“pipinstalltensorflow==2.8.0-i/simple”命令，按回车键，开始安装TensorFlow，如图所示。指点迷津在命令“pipinstalltensorflow==2.8.0-i/simple”中，“-ihttps:///simple”用于指定下载TensorFlow镜像文件的源地址，“==2.8.0”用于指定安装的TensorFlow版本号。2.安装TensorFlow项目实施——搭建深度学习开发环境验证TensorFlow（CPU版本）是否安装成功步骤3打开命令提示符窗口，输入“python”并执行该命令，进入Python交互式终端。步骤4

在Python交互式终端中输入并执行“importtensorflowastf”语句后，输入“tf.__version__”语句，按回车键，如果显示TensorFlow的版本号，说明TensorFlow安装成功，如图所示。2.安装TensorFlow项目实施——搭建深度学习开发环境（1）在安装TensorFlow的GPU版本之前，需要确定计算机是否有NVIDIA显卡，并安装了CUDA（CUDA是NVIDIA推出的用于自家GPU的并行计算框架）和cuDNN（cuDNN是NVIDIA打造的针对深度神经网络的加速库）。（2）本教材使用TensorFlow+Keras来搭建深度学习神经网络，而这里的Keras是架构在TensorFlow上的高阶API，不需要额外安装，在使用时通过“tf.keras”引用即可。指点迷津2.安装TensorFlow项目实施——搭建深度学习开发环境JupyterNotebook是Anaconda套件中一款开源的Web应用程序，用户可以使用它编写代码、公式、解释性文本和绘图，并且可以把创建好的文档进行分享。如何使用JupyterNotebook编写程序呢？3.使用JupyterNotebook目前，JupyterNotebook已经广泛应用于数据处理、数学模拟、统计建模、机器学习等重要领域。项目实施——搭建深度学习开发环境步骤1

在“AnacondaNavigator”窗口中，单击“JupyterNotebook”→“Launch”按钮，如图所示。在“AnacondaNavigator”窗口中启动JupyterNotebook3.使用JupyterNotebook步骤2

在默认的浏览器中打开JupyterNotebook，如图所示。JupyterNotebook界面从图JupyterNotebook界面中可以看到，它的顶部有3个选项卡，分别是“Files”“Running”和“Clusters”。其中，“Files”中列出了所有文件，“Running”中显示已经打开的终端和Notebook运行状况，“Clusters”则是由IPythonparallel包提供，用于并行计算。高手点拨还可以通过下面两种方法启动JupyterNotebook：①单击“开始”按钮，选择“Anaconda3”→“JupyterNotebook”选项；②在Windows命令终端输入命令“jupyternotebook”。还有其他方法启动JupyterNotebook吗？项目实施——搭建深度学习开发环境步骤3在JupyterNotebook界面中选择“Files”→“New”→“Python3”选项，如图所示。在JupyterNotebook中新建一个Python3文件3.使用JupyterNotebook高手点拨在JupyterNotebook界面中，“New”下拉按钮除了“Python3”选项外，还有“TextFile”“Folder”和“Terminal”3个选项：①选择“TextFile”选项，会新建一个空白文档，在其中可以编辑任何字母、单词和数字，也可以选择一种编程语言，然后用该语言编写脚本；②选择“Folder”选项，可以创建一个新文件夹，把所需文档放入其中，也可以修改文件夹的名称或删除文件夹；③选择“Terminal”选项，其工作方式与在个人终端上完全相同，只是将终端嵌入到Web浏览器中工作。项目实施——搭建深度学习开发环境步骤4

以Python3工作方式打开JupyterNotebook，如图所示。以Python3工作方式新建文档Notebook名称菜单栏工具栏代码单元格指点迷津：当以Python3工作方式新建一个文档时，在JupyterNotebook中会显示Notebook名称、菜单栏、工具栏和代码单元格等。在上图中，JupyterNotebook将Notebook名称命名为“Untitled1.ipynb”，单击“Untitled1.ipynb”会弹出一个对话框，可以对当前文档进行重命名；代码单元格是默认的单元格类型，用于编写代码，单元格类型还有标记单元格、原生单元格和标题单元格。3.使用JupyterNotebook项目实施——搭建深度学习开发环境步骤5

在代码单元格中输入“print('HelloWorld!')”语句，如图所示。编辑代码3.使用JupyterNotebook步骤6使用快捷键“Shift+Enter”或单击工具栏中的“运行”按钮，运行代码单元格中的代码，运行结果显示在代码单元格下方，并在运行结果下方产生一个新的空白代码单元格，如图所示。运行代码项目实施——搭建深度学习开发环境指点迷津运行代码还可以使用快捷键“Alt+Enter”或“Ctrl+Enter”。其中，快捷键“Alt+Enter”是运行当前单元格并在下方插入新的空白单元格；快捷键“Ctrl+Enter”是运行当前单元格并进入命令模式，但不会有新的单元格产生。3.使用JupyterNotebook步骤7

在空白代码单元格中输入“%pwd”语句并运行，得到当前文件所在位置的绝对路径，如图所示。使用魔术命令高手点拨JupyterNotebook提供了魔术命令，完成一些特殊的功能。魔术命令在代码单元格中运行，以“%”或“%%”开头。“%”控制一行，“%%”控制整个单元格，常用的魔术命令如表所示。命令功能%%filePython文件的绝对路径将脚本代码写入本地Python文件，不在JupyterNotebook中运行%loadPython文件的绝对路径在JupyterNotebook中加载本地的Python文件并执行文件代码%pwd在JupyterNotebook中获取当前文件所在位置的绝对路径%runPython文件的绝对路径不在JupyterNotebook的单元格中加载本地Python文件，而直接运行%who列出全局变量课堂训练简述在JupyterNotebook中，使用快捷键“Shift+Enter”和“Ctrl+Enter”运行代码的区别。课堂小结Anaconda安装方法TensorFlow安装方法JupyterNotebook使用方法项目实训（1）熟练使用JupyterNotebook新建文档并能够重命名文档。1.实训目的（2）熟练使用JupyterNotebook编辑和运行Python代码。（3）学会设置JupyterNotebook文件保存位置。（4）学会使用常用的魔术命令。项目实训print("你好，深度学习！")2.实训内容（1）编辑代码并运行。①启动JupyterNotebook，以Python3工作方式新建JupyterNotebook文档，并重命名为“Hello.ipynb”。②在空白代码单元格中输入下列代码，并运行。项目实训#使用%%file魔术命令将代码写入“D:/Jupyter/Example1.py”文件%%fileD:/Jupyter/Example1.pyimporttensorflowastf #引入TensorFlow包print(tf.__version__) #打印本机TensorFlow的版本号#通过%run魔术命令来实现在JupyterNotebook中直接执行Python文件%runD:/Jupyter/Example1.py2.实训内容（2）使用魔术命令完成下列操作。①打开资源管理器，在D盘新建文件夹，并命名为“Jupyter”。②在空白代码单元格中输入下列代码，并运行。③在空白代码单元格中输入下列代码，并运行。项目实训#通过%pwd魔术命令来获取当前文件所在位置的绝对路径%pwd②在Windows命令窗口中，输入命令“jupyternotebook--generate-config”生成配置文件。③使用记事本打开配置文件“jupyter_notebook_config.py”（配置文件的位置在上一步操作可以查看到），搜索“_dir”，定位到配置文件的键值“c.NotebookApp.notebook_dir=”，取消其前面的注释符号“#”并将其值更改为希望保存的工作文件夹，修改的配置文件命令（部分）如下所示，并保存。##Thedirectorytousefornotebooksandkernels.#Default:''c.NotebookApp.notebook_dir='D:/Jupyter'这样，以后在JupyterNotebook中创建的文件都会保存在这个文件夹中。2.实训内容（3）配置JupyterNotebook文件的保存位置。①在空白代码单元格中输入下列代码，并运行。项目实训按要求完成实训内容，并将实训过程中遇到的问题和解决办法记录在表中。序号主要问题解决办法123453.实训小结实训过程项目总结完成本项目的学习与实践后，请总结应掌握的重点内容，并将图中的空白处填写完整。感谢观看深度学习基础及应用项目二

夯实深度学习开发基础项目目标掌握NumPy库中数组的创建、运算和操作方法。掌握使用Matplotlib绘制常用图表的方法。了解scikit-learn库的基本数据集和主要功能。掌握TensorFlow中张量的定义、创建、运算和操作方法。能够从scikit-learn库或TensorFlow中的Keras库导入数据集。能够使用NumPy库的函数查看导入数据集的数据属性和元素的值。能够根据数据集中特征值和标签值的特点，选择合适的可视化图形对数据进行展示。知识目标技能目标素养目标锻炼具体问题具体分析的思维方式，培养一丝不苟的工作态度，增强积极主动寻求解决方法的意识。了解科技前沿新应用，开阔视野，抓住机遇，展现新作为。项目描述波士顿房价数据集统计的是20世纪70年代中期波士顿郊区的房屋数据。该数据集一共有506条数据，每条数据包含13个特征值和1个标签值。特征值包括城镇人均犯罪率、住宅用地所占比例、每栋住宅的平均房间数、到达高速公路的便利指数、城镇非零售业的商业用地所占比例等。标签值是房价的平均值。项目二

夯实深度学习开发基础小旌了解到深度学习的项目中都需要大量的数据，这些数据来源于现实生活、scikit-learn库或Keras库等，然后对数据进行探索是训练模型的必修课。因此，小旌打算从波士顿房价数据集入手，开始学习这部分内容。小旌打算导入波士顿房价数据集，熟悉数据集中的数据，然后绘制各特征值与房价平均值的散点图。项目分析第1步：获取数据。从TensorFlow的Keras库中导入波士顿房价数据集到本地计算机。第2步：访问数据集数据。查看数据集中数据的数据类型、属性及元素的值。第3步：绘制特征值与标签值的散点图。为了夯实深度学习开发基础，本项目将对Python深度学习常用库（如NumPy库、Matplotlib库和scikit-learn库）和TensorFlow基础进行介绍。项目二

夯实深度学习开发基础按照项目要求，将可视化波士顿房价数据集的步骤分解如下。问题1:简述scikit-learn库与TensorFlow的区别。项目准备全班学生以3～5人为一组进行分组，各组选出组长。组长组织组员扫码观看“scikit-learn库与TensorFlow的比较”和“Keras库自带的数据集”视频，讨论并回答下列问题。问题2:写出Keras库自带的数据集（不少于3个）。项目二

夯实深度学习开发基础夯实深度学习开发基础项目二章节导航Python深度学习常用库2.1TensorFlow深度学习基础2.2Python深度学习常用库2.1NumPy是高性能科学计算和数据分析的基础库，它极大地简化了多维数组的操作和处理过程。在实际应用中，大部分数据处理常用库都依赖于NumPy。2.1.1NumPy库NumPy是什么呢？NumPyNumPy提供了比Python更丰富的数据类型。NumPy数据类型由类型名（如int、float）和位长组成，常用的数据类型如表所示。2.1.1NumPy库1.数据类型类型说明类型说明bool布尔类型，值为True或Falsefloat16半精度浮点数（16位）str字符型float32单精度浮点数（32位）int8、uint8有符号和无符号的8位整数float64/float双精度浮点数（64位）int16、uint16有符号和无符号的16位整数complex64复数，用两个32位浮点数表示实部和虚部int32/int、uint32有符号和无符号的32位整数complex128复数，用两个64位浮点数表示实部和虚部int64、uint64有符号和无符号的64位整数

NumPy定义了一个n维数组对象，简称ndarray对象，它是一个由一系列相同数据类型元素组成的数据集合。NumPy提供的创建数组的函数如表所示。NumPy库2.创建数组2.1.1函数说明numpy.array(object,dtype=None)用列表、元组等创建数组。其中，object表示序列，如列表、元组等；dtype表示数组元素的数据类型，默认为传入序列的数据类型numpy.zeros(shape,dtype='float')根据shape创建元素值都为0的数组。其中，shape表示数组形状；dtype表示数组元素的数据类型，默认为floatnumpy.ones(shape,dtype='float')根据shape创建元素值都为1的数组。其中，shape表示数组形状；dtype表示数组元素的数据类型，默认为floatnumpy.arange(start,stop,step,dtype=None)在指定数值区间创建数组。其中，start表示起始值，默认为0；stop表示终止值（不含）；step表示步长，默认为1NumPy库2.创建数组2.1.1函数说明numpy.full(shape,val)根据shape创建元素值都为val的数组。其中，shape表示数组形状；val表示元素的值numpy.linspace(start,stop,num=50,endpoint=True,retstep=False,dtype=None)在指定数值区间创建一个等差数组。其中，num表示数值区间内等差的元素个数，默认为50；endpoint表示数组是否包含stop的值，如果为True则包含，否则不包含，默认为True；retstep表示数组中是否显示公差，如果为True则显示，否则不显示，默认为Falsenumpy.logspace(start,stop,num=50,endpoint=True,base=10.0,dtype=None)在指定数值区间创建一个等比数组。其中，start表示起始值的指数；stop表示终止值的指数；base表示对数函数的底数，默认为10（续）NumPy数组的基本属性如表所示。3.查看数组属性NumPy库2.1.1属性说明ndim数组的维度shape数组的形状，返回一个元组(m,n)，表示m行n列size数组中元素的总个数，等于shape属性中元组元素值的乘积，即m×ndtype数组中元素的数据类型importnumpyasnp #导入NumPy库#创建4×3的整数数组arr=np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])print('4×3的整数数组：\n',arr) #输出数组print('数组的ndim属性：',arr.ndim) #输出ndim属性print('数组的shape属性：',arr.shape) #输出shape属性print('数组的size属性：',arr.size) #输出size属性print('数组的dtype属性：',arr.dtype) #输出dtype属性【例2-1】查看数组的基本属性。3.查看数组属性NumPy库2.1.1【运行结果】程序运行结果如图所示。【参考代码】程序运行结果在NumPy中，如果想要访问或修改数组中的元素，可以采用索引或切片的方式。4.数组的索引与切片NumPy库2.1.1（1）一维数组的索引与切片。一维数组的索引与切片和列表类似，其一般格式如下。array[index] #一维数组的索引array[start:stop:step] #一维数组的切片index表示索引，从0开始stop表示终止索引（不含）索引与切片的区别:索引只能获取单个元素切片可以获取一定范围的元素。start表示起始索引，默认为0step表示索引步长，默认为1，不能为04.数组的索引与切片NumPy库2.1.1例：创建一维数组arr=np.array([1,2,3,4,5,6,7,8,9])，使用索引和切片获取数组中元素的几种情况如下。arr[2] #获取索引为2的元素，结果为3arr[1:5] #获取索引从1到5（不含）的所有元素，结果为[2345]arr[::3] #获取索引从0到结束，步长为3的所有元素，结果为[147]（2）二维数组的索引与切片。二维数组包含行索引和列索引。在访问时，须使用逗号隔开，先访问行索引再访问列索引。二维数组的索引与切片的一般格式如下。array[row_index,column_index] #二维数组的索引#二维数组的切片array[row_start:row_stop:row_step,column_start:column_stop:column_step]5.数组的运算NumPy库2.1.1（1）算术运算：相同形状的数组在进行算术运算时，会将数组中对应位置的元素值进行算术运算，如加（+）、减（−）、乘（*）、除（/）、幂（**）运算等。（2）数组广播：NumPy中的广播机制用于解决不同形状数组之间的算术运算问题，它是将形状较小的数组，在横向或纵向上进行一定次数的重复，使其形状与形状较大的数组相同。array2=array1.T（3）数组转置：是指将数组的行与列转换，即第1行变成第1列，第2行变成第2列，依次类推，如4×3的数组转置为3×4的数组。在NumPy中，数组转置可以使用数组的T属性实现，其一般格式如下。5.数组的运算NumPy库2.1.1（4）数组变换：NumPy提供了多个函数用于改变数组的形状，如表所示。函数说明array2=array1.reshape(shape)返回一个shape形状的数组，且原数组不变。其中，array1表示原数组，array2表示变形后的数组，shape表示变形后的数组形状array1.resize(shape)与reshape()功能一致，但修改原数组。其中，array1表示原数组，shape表示变形后的数组形状array2=array1.flatten()对数组进行降维，返回折叠后的一维数组，原数组不变。其中，array1表示原数组，array2表示降维后的一维数组array2=array1.astype(dtype)转换数组的数据类型，原数组数据类型不变。其中，array1表示原数组，array2表示变换数据类型后的数组，dtype表示目标数据类型6.随机函数NumPy库2.1.1numpy.random模块对Python内置的random模块进行了扩展，增加了一些用于高效生成服从多种概率分布样本值的函数，如表所示。函数说

明numpy.random.rand(d0,d1,…,dn)生成[0,1)之间的随机浮点数。其中，d0、d1、…、dn表示数组的维度numpy.random.randn(d0,d1,…,dn)生成一个具有标准正态分布的随机浮点数。其中，d0、d1、…、dn表示数组的维度numpy.random.randint(low,high=None,size=None)生成随机整数，范围是[low,high)。其中，low表示起始值；high表示结束值，为可选参数，当省略时生成的随机数范围是[0,low)；size表示生成随机数的形状，默认为16.随机函数NumPy库2.1.1函数说

明numpy.random.seed(s)设置随机数发生器种子值，使得相同条件下每次调用随机数生成函数产生相同的值。其中，s表示给定的种子值numpy.random.shuffle(x)随机打乱数组的顺序。其中，x为原始数组numpy.random.uniform(low,high,size)生成指定区间均匀分布的随机浮点数。其中，low为起始值；high为结束值；size为生成随机数的形状numpy.random.normal(loc,scale,size)生成符合正态分布的随机浮点数。其中，loc为均值；scale为标准差；size表示生成随机数的形状numpy.random.choice(a,size=None,

replace=True,p=None)随机从一维数组中抽取指定数量的元素。其中，a为一维数组；size为新数组的形状；replace表示是否可以重用元素，默认为True；p为None或数组，如果为None，表示数组a中每个数选择的概率相同，如果为数组，数组p的长度与a的长度相同，数组p中元素对应为a中每个元素取到的概率（续）6.随机函数NumPy库2.1.1importnumpyasnp #导入NumPy库#随机生成2行3列的整型数组并输出arr1=np.random.randint(1,10,size=(2,3))print('随机生成的二维整数数组arr1：\n',arr1)#随机生成2行3列的浮点数数组并输出arr2=np.random.rand(2,3)print('随机生成的二维浮点数数组arr2：\n',arr2)#生成0～9的序列打乱后输出arr3=np.arange(10)np.random.shuffle(arr3)print('打乱后的数组arr3：\n',arr3)#从数组arr3中随机抽取2行3列的二维数组arr4=np.random.choice(arr3,(2,3))print('从数组arr3中抽取得到的arr4：\n',arr4)【例2-2】数组的随机函数【运行结果】程序运行结果如图所示。【参考代码】程序运行结果素养之窗概念不同侧重点不同在中国，华为是人工智能领域专利数最多的企业。研发了昇腾系列芯片、天筹AI求解器、昇思MindSpore开发框架、ModelArts开发平台、盘古大模型等领军产品，构建了人工智能领域的第二平面。其中，昇思MindSpore开发框架是华为推出的开源开放的深度学习框架。基于昇思MindSpore框架，鹏城实验室先后推出了业界首个2000亿参数的中文预训练语言模型“鹏程•盘古”和面向生物医学领域的模型“鹏程•神农”，中国科学院自动化研究所推出了业界首个图文音三模态模型“紫东•太初”，武汉大学研发了全球首个智能遥感框架及数据集“武汉•LuoJia”。Matplotlib是Python的一个2D绘图库，借助它可以绘制各种各样的数据图，如折线图、直方图和饼图等。2.1.2Matplotlib库

Matplotlib是什么呢？Matplotlib1.图形的基本要素Matplotlib库2.1.2使用Matplotlib实现数据可视化的图表有很多种，每一种图表一般都由画布、绘图区、图表标题、坐标轴、坐标轴标题、图例、网格线等组成，如图所示。绘图区图例图表标题画布坐标轴及坐标轴标题网络线绘图窗口中的白色区域，作为其他组成部分的容器。显示图形的矩形区域，一张画布中可以包含多个绘图区。说明图表的线条、颜色或标记。贯穿绘图区的线条，衡量数据的数值标准。说明图表的内容。坐标轴是标识分类或数值大小的水平和垂直线，即x轴和y轴，具有标定数据值的刻度；坐标轴标题说明x轴和y轴的含义。2.常用图表类型的绘制Matplotlib库2.1.2在数据的可视化中，常用的图表有折线图、直方图、柱状图、饼状图、散点图和箱形图等。Matplotlib的pyplot模块提供了多种函数用于绘制图表，下面介绍常用图表的绘制方法。（1）折线图：是一种将数据点按照顺序连接起来的图形，它直观地反映了数据的变化趋势，如表示气温、月销量、平台访问量等的趋势。绘制折线图主要使用plot()函数，其一般格式如下。plot([x],y,[fmt])[]表示可选参数x表示x轴数据y表示y轴数据fmt表示线条的样式2.常用图表类型的绘制Matplotlib库2.1.2（2）直方图：pyplot模块提供了hist()函数用于绘制直方图，其一般格式如下。hist(x,bins=None,range=None,color=None,edgecolor=None)x表示x轴的数据，为数组或数组序列bins表示绘制矩形柱的个数或数据的分布区间，如果为整数，表示绘制矩形柱的个数，如果为序列，表示数据的分布区间，默认为10range表示bins的取值范围，默认为数据的最小值和最大值color表示矩形柱的填充颜色edgecolor表示矩形柱的边框颜色2.常用图表类型的绘制Matplotlib库2.1.2（3）柱状图：是一种用矩形柱展示不同条件下数据的变化或对比情况的图表，可以垂直绘制，也可以水平绘制，它的长度与其表示的数据值成正比。柱状图一般用x轴表示数据所属的类别，用y轴表示数据的统计值。pyplot模块提供了bar()函数用于绘制垂直柱状图，其一般格式如下。bar(x,height,width=0.8,color=None,edgecolor=None)x表示x轴的数据height表示垂直矩形柱的高度（即y轴数据）width表示矩形柱的宽度，默认为0.8color表示矩形柱的填充颜色edgecolor表示矩形柱的边框颜色2.常用图表类型的绘制Matplotlib库2.1.2pyplot模块提供了barh()函数用于绘制水平柱状图，其一般格式如下。barh(y,width,height=0.8,color=None,edgecolor=None)y表示y轴的数据width表示水平矩形柱的长度（即x轴数据）height表示矩形柱的宽度，默认为0.8（4）饼状图：常用于显示各个部分在整体中所占的比例，它可以清楚地反映部分与部分、部分与整体之间的数量关系。pie(x,labels=None,colors=None,autopct=None)x表示扇区的数据序列labels表示扇区标签的字符串序列colors表示扇区的颜色序列，默认为颜色循环autopct表示每个扇区所占比例的格式字符串，放置在扇区内。

pyplot模块提供了pie()函数用于绘制饼状图，其一般格式如下。2.常用图表类型的绘制Matplotlib库2.1.2（5）散点图：可以直观地呈现两个变量的线性相关性，表示因变量变化的大致趋势。pyplot模块提供了scatter()函数用于绘制散点图，其一般格式如下。scatter(x,y,s=None,c=None,marker=None)x和y表示x轴和y轴的数据s表示点的大小c表示点的颜色marker表示点的标记2.常用图表类型的绘制Matplotlib库2.1.2（6）箱形图：能显示一组数据的最大值、最小值、中位数和上下四分位数，可以粗略地看出数据是否具有对称性、分布的分散程度等，特别适用于对几组数据的比较。pyplot模块提供了boxplot()函数用于绘制箱形图，其一般格式如下。boxplot(x,notch=False,vert=True,whis=None,positions=None,widths=None,patch_artist=None,showmeans=None,boxprops=None,meanprops=None)x表示绘制箱形图的数据notch表示是否以凹口形式显示箱形图，取True（凹口）或False（非凹口），默认为Falsevert表示是否垂直绘制箱形图，取True（垂直绘制）或False（水平绘制），默认为Truewhis表示指定上下限值与上下四分位数的距离，默认为1.5positions表示箱形图的位置widths表示箱体的宽度，默认为0.5patch_artist表示是否填充箱体的颜色，取True（填充）或False（不填充），默认为Falseshowmeans表示是否显示均值，取True（显示）或False（不显示），默认为Falseboxprops用于设置箱体的属性meanprops用于设置均值的属性3.绘图的基本步骤Matplotlib库2.1.2（1）导入绘图库：使用Matplotlib库绘制图表时，经常使用pyplot模块。故绘制图形前，须导入pyplot模块，其一般格式如下。importmatplotlib.pyplotasplt（2）创建画布：pyplot模块提供了figure()函数用于创建一张新的空白画布，其一般格式如下。figure(num=None,figsize=None,facecolor=None)num表示画布的编号或名称，取整数表示编号，取字符串表示名称，默认为编号，从1开始，如果创建多张画布，则编号会依次增加figsize表示画布的大小，为一个元组，分别表示宽度和高度，单位为英寸，默认为(6.4,4.8)facecolor表示画布的背景颜色，默认为白色。3.绘图的基本步骤Matplotlib库2.1.2（3）绘制和显示图形：pyplot模块提供了多种函数用于绘制图形，如plot()函数、barh()函数、scatter()函数等。图形绘制完成后，需要使用pyplot模块的show()函数显示图形，其一般格式如下。show()nrows和ncols表示将画布划分为nrows行ncols列，默认均为1index表示子图的编号，取值范围为1～nrows×ncols，在画布中从左向右计算，默认为1。subplot(nrows,ncols,index)（4）创建子图：一张画布中可以包含一个或多个子图（即绘图区）。pyplot模块提供了subplot()函数用于创建多个子图，其一般格式如下。例：subplot()表示绘制一个子图，subplot(2,3,5)表示将画布划分为2行3列，且子图的编号为5，即第2行第2列的绘图区。3.绘图的基本步骤Matplotlib库2.1.2label表示标题字符串。pyplot模块还提供了xlabel()函数和ylabel()函数，用于分别设置x轴和y轴的标题，其一般格式如下。title(label)（5）设置图表和坐标轴标题：pyplot模块提供了title()函数用于设置图表的标题，其一般格式如下。xlabel(xlabel)ylabel(ylabel)3.绘图的基本步骤Matplotlib库2.1.2labels表示图例的文本，为字符串或字符串列表loc表示图例显示的位置legend(labels,loc)（6）设置