🏆🏆🏆教程全知识点简介：1.深度学习概述包括深度学习与机器学习区别、深度学习应用场景、深度学习框架介绍、项目演示、开发环境搭建（pycharm安装）。2. TensorFlow基础涵盖TF数据流图、TensorFlow实现加法运算、图与TensorBoard（图结构、图相关操作、默认图、创建图、OP）、张量（张量概念、张量的阶、张量数学运算）、变量OP（创建变量）、增加其他功能（命名空间、模型保存与加载、命令行参数使用）、逻辑回归案例。3. 神经网络基础包括playground使用、多个神经元效果演示、深层神经网络。4. 神经网络与tf.keras。5. 梯度下降算法改进涵盖指数加权平均、动量梯度下降法、RMSProp算法、Adam算法、TensorFlow Adam算法API、学习率衰减、标准化输入、神经网络调优、批标准化。6. 卷积神经网络包括CNN原理、CIFAR类别分类（API使用、步骤分析代码实现缩减版LeNet）、卷积神经网络学习特征可视化。7. 经典分类网络结构涵盖LeNet解析、AlexNet、卷积网络结构优化、Inception结构、pre_trained模型VGG预测（VGG模型使用、步骤代码）。8. CNN网络实战技巧。9. 迁移学习案例包括基于VGG的五种图片类别识别迁移学习（数据集迁移需求、思路步骤、训练时读取本地图片类别、特征图平均值输出替代全连接层）。10. 目标检测包括目标检测任务描述、目标定位实现思路、产品物体检测项目介绍、R-CNN（Overfeat模型、SPPNet）、Faster R-CNN（RPN原理）、YOLO（单元格grid cell、非最大抑制NMS、训练）、SSD。11. 产品检测数据集训练涵盖标注数据读取存储（xml读取本地文件存储pkl、解析结构、one_hot编码函数）、训练（案例训练结果、多GPU训练代码修改）、本地预测测试（预测代码）、模型导出（keras模型TensorFlow导出）。12. 模型部署包括Web与模型服务对接逻辑、Docker部署环境、TF Serving与Web开启服务（安装Tensorflow Serving、commodity模型服务运行）、TensorFlow Client对接模型服务、Web Server开启。
📚📚👉👉👉本站这篇博客： juejin.cn/post/752230… 中查看
📚📚👉👉👉本站这篇博客： juejin.cn/post/751006… 中查看
✨ 本教程项目亮点
🧠 知识体系完整：覆盖从基础原理、核心方法到高阶应用的全流程内容
💻 全技术链覆盖：完整前后端技术栈，涵盖开发必备技能
🚀 从零到实战：适合 0 基础入门到提升，循序渐进掌握核心能力
📚 丰富文档与代码示例：涵盖多种场景，可运行、可复用
🛠 工作与学习双参考：不仅适合系统化学习，更可作为日常开发中的查阅手册
🧩 模块化知识结构：按知识点分章节，便于快速定位和复习
📈 长期可用的技术积累：不止一次学习，而是能伴随工作与项目长期参考
🎯🎯🎯全教程总章节
🚀🚀🚀本篇主要内容
卷积神经网络
总结
每日
卷积神经网络
1.1 项目演示
学习目标
-
目标
- 了解项目的演示结果
-
应用
-
无
-
1.1.1 项目演示
项目已经部署上线，Web端演示
1.1.2 项目结构
1.1.3 项目知识点
-
神经网络
-
卷积网络
-
TensorFlowAPI操作
-
RCNN以及相关算法
-
YOLO与SSD
-
算法接口介绍
-
数据集标记格式
-
数据集存储与读取
-
数据接口实现
-
模型接口实现
-
训练、设备部署逻辑实现
-
测试接口
-
TensorFlow serving部署模型
-
Web server+TensorFlow serving Client
1.2 开发环境搭建
学习目标
-
目标
- 无
-
应用
-
开发环境搭建
-
1.2.1 安装
1.2.1.1 虚拟环境安装
这里选择virtualenv,可以选择anaconda安装（查阅资料解决安装）
linux下先安装：
sudo apt-get update
sudo apt-get install python3-dev python3-pip
mac先安装:
使用 Homebrew 软件包管理器进行安装：
brew update
brew install python # Python 3
- 1、现在虚拟环境管理工具, 环境隔离(python3版本)）
sudo pip3 install -U virtualenv
- 2、配置参数,创建一个virtualenv的文件夹
export WORKON_HOME=$HOME/virtualenv
source /usr/local/bin/virtualenvwrapper.sh
- 3、新建虚拟环境
mkvirtualenv + -p /user/bin/python(python版本所在位置) + test(虚拟环境名称)
- 4、进入虚拟环境
workon tf
1.2.1.2 安装环境包
安装 TensorFlow在64 位系统上测试这些系统支持 TensorFlow：
- Ubuntu 16.04 或更高版本
- Windows 7 或更高版本
- macOS 10.12.6 (Sierra) 或更高版本（不支持 GPU）
进入虚拟环境当中再安装。刚开始的环境比较简单，只要下载tensorflow即可
- 环境包：
pip install tensorflow==1.12
注：如果需要下载GPU版本的（TensorFlow只提供windows和linux版本的，没有Macos版本的）参考官网www.tensorflow.org/install/gpu…,
1、虚拟机下linux也是用不了GPU版本TensorFlow
2、本机单独的windows和本机单独的unbuntu可以使用GPU版本TensorFlow，需要安装相关驱动
1.2.1.3 pycharm安装
- 1、免费版本：可以去选择社区版本：www.jetbrains.com/pycharm/
- 2、专业收费版本：老师们可以用教育邮箱申请专业版
3.2 目标检测任务描述
学习目标
-
目标
- 了解目标检测算法分类
- 知道目标检测的常见指标IoU
- 了解目标定位的简单实现方式
-
应用
-
无
-
3.2.1 目标检测算法分类
-
两步走的目标检测：先进行区域推荐，而后进行目标分类
- 代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN
-
端到端的目标检测：采用一个网络一步到位
- 代表：YOLO、SSD
3.2.2 目标检测的任务
3.2.2.1 分类原理回顾
先来回归下分类的原理，这是一个常见的CNN组成图，输入一张图片，经过其中卷积、激活、池化相关层，最后加入全连接层达到分类概率的效果
- 分类的损失与优化
在训练的时候需要计算每个样本的损失，那么CNN做分类的时候使用softmax函数计算结果，损失为交叉熵损失
- 常见CNN模型
对于目标检测来说不仅仅是分类这样简单的一个图片输出一个结果，而且还需要输出图片中目标的位置信息，所以从分类到检测，如下图标记了过程:
- 分类
- 分类+定位（只有一个对象的时候）
- 目标检测
3.2.2.2 检测的任务
-
分类：
- N个类别
- 输入：图片
- 输出：类别标签
- 评估指标：Accuracy
