Python深度学习及智能车竞赛实践 / 普通高等教育新工科汽车类系列教材（智能汽车·新能源汽车方向）
定价：￥99.00
作者： 徐国艳，刘聪琳
出版时间：2024-03-06
最新印次日期：2024-11
出版社：机械工业出版社
试读
- 机械工业出版社
- 9787111752141
- 1-2
- 49260694-2
- 16开
- 2024-03-06
- 工学
- 机械类
- 智能车辆工程
- 本科
内容简介
本书结合全国大学生智能汽车竞赛百度智慧交通创意赛和完全模型组竞速赛，循序渐进地对Python和深度学习的基本知识进行了全面、系统的介绍。全书共11章，分为Python基础知识体系、Python文件处理与数据分析、深度学习基础理论与实践、智能车竞赛任务与实践四部分，详细介绍了Python基础知识、Python数据分析方法、机器学习概念、全连接神经网络和卷积神经网络模型的理论及产业级工程项目实践等。通过学习本书，学生可以从零基础开始，到能完成深度学习模型设计及部署验证，完成智能汽车竞赛中关于图像处理和深度学习相关的任务。
本书内容丰富、叙述清晰、循序渐进，采用新形态构建形式，配套有MOOC、教学案例、习题等。本书可作为智能车辆、智慧交通、计算机、自动控制等专业的人工智能入门教材，也可作为全国大学生智能汽车竞赛的参考书。
本书内容丰富、叙述清晰、循序渐进，采用新形态构建形式，配套有MOOC、教学案例、习题等。本书可作为智能车辆、智慧交通、计算机、自动控制等专业的人工智能入门教材，也可作为全国大学生智能汽车竞赛的参考书。
目录
前言
二维码清单
第1部分 Python 基础知识体系
第1章 绪论 / 002
1.1 人工智能的发展及基本概念 / 002
1.1.1 人工智能的起源与发展 / 002
1.1.2 中国人工智能技术的发展 / 004
1.1.3 人工智能的基本概念 / 007
1.2 智能汽车及全国大学生智能汽车竞赛 / 009
1.2.1 智能汽车技术概述 / 009
1.2.2 全国大学生智能汽车竞赛简介 / 010
1.3 程序设计语言及Python语言简介 / 011
1.3.1 低级语言和高级语言 / 011
1.3.2 结构化语言和面向对象语言 / 013
1.3.3 Python语言特点 / 013
1.3.4 Python开发环境及小实例 / 014
习题 / 018
第2章 Python基本语法元素及数据类型 / 020
2.1 程序的基本设计方法 / 020
2.1.1 IPO程序设计方法 / 020
2.1.2 实例：ReLU激活函数 / 021
2.1.3 实例：智能车差速转向 / 021
2.2 Python基本语法元素 / 022
2.2.1 注释(comment) / 022
2.2.2 缩进(indent) / 023
2.2.3 标识符(identifier) / 023
2.2.4 赋值语句 / 024
2.2.5 input()函数 / 025
2.2.6 print()函数 / 025
2.2.7 eval()函数 / 026
2.2.8 分支语句 / 026
2.2.9 功能库引用 / 027
2.3 Python基本数据类型 / 027
2.3.1 数字类型概述 / 027
2.3.2 数字类型的操作 / 029
2.3.3 字符串类型概述 / 032
2.3.4 字符串类型的操作 / 033
2.3.5 字符串类型的格式化 / 036
2.4 math库 / 037
2.4.1 math库概述 / 037
2.4.2 math库常用函数 / 038
2.4.3 实例：使用math库计算组合数和排列数 / 040
2.5 time库 / 040
2.5.1 time库概述 / 040
2.5.2 time库常用函数 / 041
2.5.3 实例：使用time库计算代码执行时间 / 041
习题 / 042
第3章 程序控制结构 / 044
3.1 程序流程图与基本结构 / 044
3.2 程序的分支结构 / 046
3.2.1 单分支结构：if语句 / 046
3.2.2 二分支结构：if- else语句 / 047
3.2.3 多分支结构：if- elif- else语句 / 047
3.2.4 实例：简单计算器 / 048
3.3 程序的循环结构 / 048
3.3.1 遍历循环：for循环 / 049
3.3.2 条件循环：while循环 / 050
3.3.3 循环保留字：break和continue / 051
3.4 程序异常处理 / 053
3.5 random库 / 054
3.5.1 random库概述 / 054
3.5.2 random库使用 / 054
3.6 turtle库 / 055
3.6.1 turtle库概述 / 055
3.6.2 turtle库使用 / 055
3.6.3 实例：智能车竞赛车道线绘制 / 058
习题 / 060
第4章 函数和类 / 062
4.1 代码复用和模块化设计 / 062
4.2 函数 / 063
4.2.1 函数的定义和调用 / 063
4.2.2 函数参数传递 / 064
4.2.3 函数的返回值 / 066
4.2.4 函数的递归 / 067
4.2.5 局部变量和全局变量 / 068
4.2.6 匿名函数：lambda函数 / 069
4.2.7 实例：单层感知器函数设计 / 070
4.3 面向对象和类 / 072
4.3.1 面向对象编程基本概念 / 072
4.3.2 类和对象 / 073
4.3.3 基类和继承 / 076
4.4 实例：智能车自动巡航类创建 / 078
4.5 实例：单层感知器类创建 / 079
习题 / 080
第5章 组合数据类型 / 083
5.1 概述 / 083
5.2 序列类型 / 084
5.2.1 元组及其操作 / 085
5.2.2 列表及其操作 / 086
5.2.3 列表操作 / 089
5.3 集合类型 / 093
5.3.1 集合的创建 / 093
5.3.2 集合的操作 / 093
5. 4 映射类型 / 096
5.4.1 字典的创建和访问 / 097
5.4.2 字典的操作 / 098
5.4.3 实例：使用字典实现英文词频统计 / 101
5.4.4 实例：用类创建智能车自动巡航的字典 / 102
5.5 jieba库 / 103
5.5.1 jieba库概述 / 103
5.5.2 jieba库安装与分词方法 / 103
5.5.3 实例：“智能汽车创新发展战略”词频统计 / 104
5.6 wordcloud库 / 105
5.6.1 wordcloud库概述 / 105
5.6.2 wordcloud库安装 / 106
5.6.3 wordcloud对象创建及参数设置 / 106
5.6.4 实例：党的二十大报告词云生成 / 107
习题 / 109
第2部分 Python 文件处理与数据分析
第6章 文件和数据格式化 / 112
6.1 文件的使用 / 112
6.1.1 文件的理解 / 112
6.1.2 文件的打开和关闭 / 114
6.1.3 文件的读取 / 115
6.1.4 文件的写入 / 118
6.1.5 实例：赛车道自动绘制 / 120
6.1.6 os库和zipfile库 / 122
6.1.7 实例：车辆图片数据集处理 / 123
6.2 数据的格式化和处理 / 125
6.2.1 一维数据 / 125
6.2.2 二维数据 / 126
6.2.3 高维数据json库使用 / 130
6.2.4 实例：车辆图片json文件处理 / 132
6.3 PIL库 / 133
6.3.1 PIL库简介 / 133
6.3.2 Image对象 / 133
6.3.3 图像格式转换 / 135
6.3.4 图像缩放 / 136
6.3.5 图像分离与融合 / 138
6.3.6 图像几何变换 / 140
6.3.7 其他图像处理类 / 141
6.4 OpenCV库 / 144
6.4.1 OpenCV库简介 / 144
6.4.2 OpenCV常用库函数 / 144
6.4.3 色彩空间转换 / 146
习题 / 149
第7章 Python计算生态及机器学习概述 / 151
7.1 计算思维的概念 / 151
7.2 Python计算生态 / 152
7.2.1 Python计算生态简介 / 152
7.2.2 常用库简介 / 153
7.3 Python数据分析库 / 155
7.3.1 numpy库 / 155
7.3.2 pandas库 / 168
7.3.3 matplotlib库 / 173
7.3.4 实例：loss和acc曲线绘制 / 174
7.4 机器学习方法概述 / 175
7.4.1 机器学习简介 / 175
7.4.2 机器学习分类 / 176
7.5 一元线性回归理论及实践 / 178
7.5.1 一元线性回归 / 178
7.5.2 损失函数 / 178
7.5.3 梯度下降法 / 180
7.5.4 实例：智能车路径拟合 / 182
习题 / 183
第3部分 深度学习基础理论与实践
第8章 深度学习基础及车辆识别项目实践 / 186
8.1 神经网络简介 / 186
8.1.1 神经网络基本概念 / 186
8.1.2 单层感知机 / 187
8.1.3 多层感知机 / 190
8.2 深度学习理论基础 / 190
8.2.1 信号前向传播 / 191
8.2.2 激活函数 / 191
8.2.3 损失函数 / 193
8.2.4 优化方法 / 194
8.2.5 误差反向传播 / 196
8.2.6 计算图 / 202
8.3 深度学习框架 / 204
8.3.1 tensorflow / 204
8.3.2 pytorch / 205
8.3.3 PaddlePaddle / 205
8.4 实例：DNN车辆识别项目 / 206
习题 / 209
第9章 卷积神经网络及斑马线识别项目实践 / 211
9.1 全连接神经网络的问题 / 211
9.2 卷积神经网络理论基础 / 213
9.2.1 卷积神经网络基本结构 / 213
9.2.2 卷积层 / 215
9.2.3 池化层 / 219
9.3 典型的卷积神经网络模型 / 220
9.3.1 LeNet / 220
9.3.2 AlexNet / 222
9.3.3 VGGNet / 223
9.3.4 GoogleNet / 224
9.3.5 ResNet / 227
9.4 实例：CNN斑马线检测项目 / 229
习题 / 229
第4部分 智能车竞赛任务与实践
第10章 智能车自动巡航算法设计及部署 / 232
10.1 百度智慧交通创意赛介绍 / 232
10.2 基于OpenCV图像处理的智能车自动巡航 / 235
10.2.1 车道线检测的概念 / 235
10.2.2 基于OpenCV实现车道线检测 / 235
10.2.3 基于OpenCV图像处理实现智能车自动巡航 / 238
10.3 基于CNN的智能车自动巡航模型设计及实验验证 / 242
10.3.1 自动巡航数据采集及预处理 / 242
10.3.2 数据增强 / 243
10.3.3 自动巡航CNN模型设计 / 245
10.3.4 代码设计及模型训练 / 248
10.3.5 自动巡航CNN模型部署及实验验证 / 249
10.4 基于PaddleSeg套件的智能车自动巡航模型设计及实验验证 / 252
10.4.1 自动巡航数据采集与标注 / 253
10.4.2 图像分割模型BisenetV2介绍 / 256
10.4.3 代码设计及模型训练 / 257
10.4.4 自动巡航BisenetV2模型部署及实验验证 / 259
习题 / 260
第11章 智能车竞赛目标检测任务的CNN模型设计与部署 / 262
11.1 目标检测概述 / 262
11.1.1 目标检测基本概念 / 262
11.1.2 目标检测方法的技术进展 / 263
11.1.3 常用数据格式与评估指标 / 264
11.2 单阶段目标检测方法与神经网络轻量化 / 266
11.2.1 SSD / 266
11.2.2 YOLO / 267
11.2.3 YOLOV2 / 268
11.2.4 YOLOV3 / 269
11.2.5 神经网络轻量化技术介绍 / 270
11.3 智能车竞赛目标检测任务数据集构建 / 271
11.3.1 数据采集 / 271
11.3.2 数据标注 / 274
11.3.3 划分数据 / 279
11.4 目标检测网络模型构建与训练 / 281
11.4.1 PaddleDetection介绍 / 281
11.4.2 环境配置 / 281
11.4.3 数据集准备 / 282
11.4.4 训练参数配置 / 283
11.4.5 开始训练 / 285
11.4.6 模型导出 / 285
11.5 目标检测模型部署 / 286
11.5.1 模型转换 / 287
11.5.2 模型部署 / 289
习题 / 291
参考文献 / 294
二维码清单
第1部分 Python 基础知识体系
第1章 绪论 / 002
1.1 人工智能的发展及基本概念 / 002
1.1.1 人工智能的起源与发展 / 002
1.1.2 中国人工智能技术的发展 / 004
1.1.3 人工智能的基本概念 / 007
1.2 智能汽车及全国大学生智能汽车竞赛 / 009
1.2.1 智能汽车技术概述 / 009
1.2.2 全国大学生智能汽车竞赛简介 / 010
1.3 程序设计语言及Python语言简介 / 011
1.3.1 低级语言和高级语言 / 011
1.3.2 结构化语言和面向对象语言 / 013
1.3.3 Python语言特点 / 013
1.3.4 Python开发环境及小实例 / 014
习题 / 018
第2章 Python基本语法元素及数据类型 / 020
2.1 程序的基本设计方法 / 020
2.1.1 IPO程序设计方法 / 020
2.1.2 实例：ReLU激活函数 / 021
2.1.3 实例：智能车差速转向 / 021
2.2 Python基本语法元素 / 022
2.2.1 注释(comment) / 022
2.2.2 缩进(indent) / 023
2.2.3 标识符(identifier) / 023
2.2.4 赋值语句 / 024
2.2.5 input()函数 / 025
2.2.6 print()函数 / 025
2.2.7 eval()函数 / 026
2.2.8 分支语句 / 026
2.2.9 功能库引用 / 027
2.3 Python基本数据类型 / 027
2.3.1 数字类型概述 / 027
2.3.2 数字类型的操作 / 029
2.3.3 字符串类型概述 / 032
2.3.4 字符串类型的操作 / 033
2.3.5 字符串类型的格式化 / 036
2.4 math库 / 037
2.4.1 math库概述 / 037
2.4.2 math库常用函数 / 038
2.4.3 实例：使用math库计算组合数和排列数 / 040
2.5 time库 / 040
2.5.1 time库概述 / 040
2.5.2 time库常用函数 / 041
2.5.3 实例：使用time库计算代码执行时间 / 041
习题 / 042
第3章 程序控制结构 / 044
3.1 程序流程图与基本结构 / 044
3.2 程序的分支结构 / 046
3.2.1 单分支结构：if语句 / 046
3.2.2 二分支结构：if- else语句 / 047
3.2.3 多分支结构：if- elif- else语句 / 047
3.2.4 实例：简单计算器 / 048
3.3 程序的循环结构 / 048
3.3.1 遍历循环：for循环 / 049
3.3.2 条件循环：while循环 / 050
3.3.3 循环保留字：break和continue / 051
3.4 程序异常处理 / 053
3.5 random库 / 054
3.5.1 random库概述 / 054
3.5.2 random库使用 / 054
3.6 turtle库 / 055
3.6.1 turtle库概述 / 055
3.6.2 turtle库使用 / 055
3.6.3 实例：智能车竞赛车道线绘制 / 058
习题 / 060
第4章 函数和类 / 062
4.1 代码复用和模块化设计 / 062
4.2 函数 / 063
4.2.1 函数的定义和调用 / 063
4.2.2 函数参数传递 / 064
4.2.3 函数的返回值 / 066
4.2.4 函数的递归 / 067
4.2.5 局部变量和全局变量 / 068
4.2.6 匿名函数：lambda函数 / 069
4.2.7 实例：单层感知器函数设计 / 070
4.3 面向对象和类 / 072
4.3.1 面向对象编程基本概念 / 072
4.3.2 类和对象 / 073
4.3.3 基类和继承 / 076
4.4 实例：智能车自动巡航类创建 / 078
4.5 实例：单层感知器类创建 / 079
习题 / 080
第5章 组合数据类型 / 083
5.1 概述 / 083
5.2 序列类型 / 084
5.2.1 元组及其操作 / 085
5.2.2 列表及其操作 / 086
5.2.3 列表操作 / 089
5.3 集合类型 / 093
5.3.1 集合的创建 / 093
5.3.2 集合的操作 / 093
5. 4 映射类型 / 096
5.4.1 字典的创建和访问 / 097
5.4.2 字典的操作 / 098
5.4.3 实例：使用字典实现英文词频统计 / 101
5.4.4 实例：用类创建智能车自动巡航的字典 / 102
5.5 jieba库 / 103
5.5.1 jieba库概述 / 103
5.5.2 jieba库安装与分词方法 / 103
5.5.3 实例：“智能汽车创新发展战略”词频统计 / 104
5.6 wordcloud库 / 105
5.6.1 wordcloud库概述 / 105
5.6.2 wordcloud库安装 / 106
5.6.3 wordcloud对象创建及参数设置 / 106
5.6.4 实例：党的二十大报告词云生成 / 107
习题 / 109
第2部分 Python 文件处理与数据分析
第6章 文件和数据格式化 / 112
6.1 文件的使用 / 112
6.1.1 文件的理解 / 112
6.1.2 文件的打开和关闭 / 114
6.1.3 文件的读取 / 115
6.1.4 文件的写入 / 118
6.1.5 实例：赛车道自动绘制 / 120
6.1.6 os库和zipfile库 / 122
6.1.7 实例：车辆图片数据集处理 / 123
6.2 数据的格式化和处理 / 125
6.2.1 一维数据 / 125
6.2.2 二维数据 / 126
6.2.3 高维数据json库使用 / 130
6.2.4 实例：车辆图片json文件处理 / 132
6.3 PIL库 / 133
6.3.1 PIL库简介 / 133
6.3.2 Image对象 / 133
6.3.3 图像格式转换 / 135
6.3.4 图像缩放 / 136
6.3.5 图像分离与融合 / 138
6.3.6 图像几何变换 / 140
6.3.7 其他图像处理类 / 141
6.4 OpenCV库 / 144
6.4.1 OpenCV库简介 / 144
6.4.2 OpenCV常用库函数 / 144
6.4.3 色彩空间转换 / 146
习题 / 149
第7章 Python计算生态及机器学习概述 / 151
7.1 计算思维的概念 / 151
7.2 Python计算生态 / 152
7.2.1 Python计算生态简介 / 152
7.2.2 常用库简介 / 153
7.3 Python数据分析库 / 155
7.3.1 numpy库 / 155
7.3.2 pandas库 / 168
7.3.3 matplotlib库 / 173
7.3.4 实例：loss和acc曲线绘制 / 174
7.4 机器学习方法概述 / 175
7.4.1 机器学习简介 / 175
7.4.2 机器学习分类 / 176
7.5 一元线性回归理论及实践 / 178
7.5.1 一元线性回归 / 178
7.5.2 损失函数 / 178
7.5.3 梯度下降法 / 180
7.5.4 实例：智能车路径拟合 / 182
习题 / 183
第3部分 深度学习基础理论与实践
第8章 深度学习基础及车辆识别项目实践 / 186
8.1 神经网络简介 / 186
8.1.1 神经网络基本概念 / 186
8.1.2 单层感知机 / 187
8.1.3 多层感知机 / 190
8.2 深度学习理论基础 / 190
8.2.1 信号前向传播 / 191
8.2.2 激活函数 / 191
8.2.3 损失函数 / 193
8.2.4 优化方法 / 194
8.2.5 误差反向传播 / 196
8.2.6 计算图 / 202
8.3 深度学习框架 / 204
8.3.1 tensorflow / 204
8.3.2 pytorch / 205
8.3.3 PaddlePaddle / 205
8.4 实例：DNN车辆识别项目 / 206
习题 / 209
第9章 卷积神经网络及斑马线识别项目实践 / 211
9.1 全连接神经网络的问题 / 211
9.2 卷积神经网络理论基础 / 213
9.2.1 卷积神经网络基本结构 / 213
9.2.2 卷积层 / 215
9.2.3 池化层 / 219
9.3 典型的卷积神经网络模型 / 220
9.3.1 LeNet / 220
9.3.2 AlexNet / 222
9.3.3 VGGNet / 223
9.3.4 GoogleNet / 224
9.3.5 ResNet / 227
9.4 实例：CNN斑马线检测项目 / 229
习题 / 229
第4部分 智能车竞赛任务与实践
第10章 智能车自动巡航算法设计及部署 / 232
10.1 百度智慧交通创意赛介绍 / 232
10.2 基于OpenCV图像处理的智能车自动巡航 / 235
10.2.1 车道线检测的概念 / 235
10.2.2 基于OpenCV实现车道线检测 / 235
10.2.3 基于OpenCV图像处理实现智能车自动巡航 / 238
10.3 基于CNN的智能车自动巡航模型设计及实验验证 / 242
10.3.1 自动巡航数据采集及预处理 / 242
10.3.2 数据增强 / 243
10.3.3 自动巡航CNN模型设计 / 245
10.3.4 代码设计及模型训练 / 248
10.3.5 自动巡航CNN模型部署及实验验证 / 249
10.4 基于PaddleSeg套件的智能车自动巡航模型设计及实验验证 / 252
10.4.1 自动巡航数据采集与标注 / 253
10.4.2 图像分割模型BisenetV2介绍 / 256
10.4.3 代码设计及模型训练 / 257
10.4.4 自动巡航BisenetV2模型部署及实验验证 / 259
习题 / 260
第11章 智能车竞赛目标检测任务的CNN模型设计与部署 / 262
11.1 目标检测概述 / 262
11.1.1 目标检测基本概念 / 262
11.1.2 目标检测方法的技术进展 / 263
11.1.3 常用数据格式与评估指标 / 264
11.2 单阶段目标检测方法与神经网络轻量化 / 266
11.2.1 SSD / 266
11.2.2 YOLO / 267
11.2.3 YOLOV2 / 268
11.2.4 YOLOV3 / 269
11.2.5 神经网络轻量化技术介绍 / 270
11.3 智能车竞赛目标检测任务数据集构建 / 271
11.3.1 数据采集 / 271
11.3.2 数据标注 / 274
11.3.3 划分数据 / 279
11.4 目标检测网络模型构建与训练 / 281
11.4.1 PaddleDetection介绍 / 281
11.4.2 环境配置 / 281
11.4.3 数据集准备 / 282
11.4.4 训练参数配置 / 283
11.4.5 开始训练 / 285
11.4.6 模型导出 / 285
11.5 目标检测模型部署 / 286
11.5.1 模型转换 / 287
11.5.2 模型部署 / 289
习题 / 291
参考文献 / 294
