深度学习实战 (美)阿尼路德·库尔,(美)斯达·甘居,(美)梅尔·卡萨姆 著 李新叶 译 专业科技 文轩网

前言1
第1章探索人工智能前景15
致歉16
真正的介绍17
什么是人工智能？17
人工智能简史20
激动人心的开始21
寒冷黑暗的日子22
一线希望23
深度学习是如何兴盛的26
完美深度学习解决方案的组成要素29
数据集30
模型结构32
框架35
硬件38
负责任的人工智能41
偏差43
责任和可解释性45
再现性46
稳健性46
隐私47
总结47
常见问题48
第2章图片中有什么：用Keras实现图像分类51
Keras简介52
预测图像类别53
调查模型58
ImageNet数据集58
模型园61
类激活图62
总结65
第3章猫与狗：用Keras在30行代码中实现
迁移学习66
使预先训练的模型适应新任务67
卷积神经网络初探68
迁移学习70
微调71
微调多少72
利用迁移学习和Keras构建一个定制的分类器73
组织数据74
建立数据管道76
类别数77
批量大小78
数据扩充78
定义模型82
训练模型82
设置训练参数82
开始训练84
测试模型85
分析结果86
进一步阅读93
总结93
第4章构建反向图像搜索引擎：理解嵌入95
图像相似性96
特征提取99
相似性搜索102
用t-SNE可视化图像簇106
提高相似性搜索的速度110
特征向量长度110
基于PCA减少特征长度112
基于近似最近邻方法扩展相似搜索116
近似最近邻基准117
应该用哪个库？117
创建合成数据集119
蛮力搜索119
Annoy119
NGT120
Faiss121
通过微调提高精度121
用于一次人脸验证的孪生网络126
案例研究127
Flickr127
Pinterest128
与名人面貌相似者129
Spotify130
图像描述131
总结133
第5章从初学者到掌握预测：优选化卷积神经网络的
精度134
工具介绍135
TensorFlowDatasets136
TensorBoard137
What-If工具140
tf-explain145
机器学习实验常用技术147
数据检查147
划分数据：训练、验证、测试148
提前终止149
可重复实验149
端到端深度学习例子管道150
基本的迁移学习管道150
基本的自定义网络管道152
超参数如何影响精度153
迁移学习与从头训练154
迁移学习中微调层数的影响155
数据大小对迁移学习的影响156
学习率的影响157
优化器的作用158
批量大小的影响159
调整尺寸的影响160
长宽比变化对迁移学习的影响161
通过自动调整获得优选精度的工具162
KerasTuner162
自动扩增（AutoAugment）165
AutoKeras165
总结166
第6章优选化TensorFlow的速度和性能：一个简便的
检查表168
GPU闲置169
nvidia-smi170
TensorFlowProfiler+TensorBoard171
如何使用本章的检查表173
性能检查表173
数据准备173
数据读取173
数据扩充174
训练174
预测175
数据准备175
存储为TFRecords175
减小输入数据的大小177
使用TensorFlowDatasets177
数据读取178
使用tfdata178
预取数据179
并行化CPU处理179
并行化I/O和处理180
启用不确定排序180
缓存数据181
开启实验优化182
自动调整参数值183
数据扩充184
训练186
使用自动混合精度186
使用较大的批量187
使用8的倍数188
找到很好学习率189
使用tffunction191
过度训练，然后泛化192
为硬件安装优化堆栈194
优化并行CPU线程数196
使用更好的硬件197
分布式训练198
检查行业基准199
预测201
使用有效的模型202
量化模型204
裁剪模型206
使用融合操作207
使GPU持久208
总结208
第7章实用工具、提示和技巧209
安装209
训练211
模型213
数据214
隐私217
教育与探索217
最后一个问题219
第8章计算机视觉的云API：15分钟内启动并运行221
视觉识别API的前景223
Clarifai223
微软认知服务224
谷歌云视觉224
亚马逊Rekognition225
IBMWatson的视觉识别226
Algorithmia226
比较不同的视觉识别API228
服务产品229
成本230
准确度231
偏差232
启动和运行云API236
训练我们自定义的分类器239
比较自定义分类API245
云API的性能调整248
调整大小对图像标记API的影响248
压缩对图像标记API的影响249
压缩对OCRAPI的影响250
调整大小对OCRAPI的影响250
案例研究251
纽约时报251
Uber252
Giphy253
OmniEarth254
Photobucket254
Staples255
InDro机器人255
总结257
第9章使用TensorFlow服务和KubeFlow在云上提供
可扩展预测服务258
服务人工智能预测的前景259
Flask：建立自己的服务器261
用Flask制作RESTAPI261
将Keras模型部署到Flask263
使用Flask的优点264
使用Flask的缺点264
生产级服务系统的理想品质264
高可用性264
可扩展性265
低延迟266
地理位置可用性266
故障处理267
监测267
模型版本267
A/B测试268
支持多个机器学习库268
GoogleCloudML引擎：一个托管云AI的服务栈268
使用CloudML引擎的优点269
使用CloudML引擎的缺点269
构建一个分类API269
TensorFlow服务276
KubeFlow278
管道281
Fairing工具281
安装282
价格相对于性能考虑284
预测服务的成本分析284
建立自己的堆栈的成本分析286
总结287
第10章基于TensorFlowjs和ml5js在浏览器中
实现AI288
基于JavaScript的机器学习库：简史回顾289
ConvNetJS290
Kerasjs291
ONNXjs291
TensorFlowjs293
TensorFlowjs架构294
使用TensorFlowjs运行预训练模型296
模型转换为浏览器中格式298
浏览器中训练299
特征提取300
数据收集301
训练302
GPU利用率303
ml5js304
PoseNet306
pix2pix310
基准和实际考虑315
模型大小316
预测时间316
案例研究318
Semi-Conductor319
TensorSpace319
Metacar320
Airbnb的照片分类321
GANLab321
总结322
第11章基于CoreML在iOS上实现实时对象分类323
移动端人工智能的开发生命周期325
CoreML的简史326
CoreML的替代品328
TensorFlowLite329
MLKit329
Fritz329
苹果的机器学习架构330
基于域的框架330
ML框架331
ML性能原语331
构建实时目标识别应用程序332
转换为CoreML339
从Keras模型转换339
从TensorFlow转换340
动态模型部署341
设备端训练342
性能分析344
测量能耗的影响348
缩小应用程序大小353
避免捆绑模型353
使用量化354
使用CreateML355
案例研究356
神奇速读356
SeeingAI357
HomeCourt358
InstaSaber+YoPuppet358
总结362
第12章基于CoreML和CreateML在iOS上实现
热狗识别363
收集数据365
方法1：查找或收集数据集365
方法2：FatkunChrome浏览器插件366
方法3：使用Bing图像搜索API的WebScraper369
训练我们的模型370
方法1：使用基于WebUI的工具370
方法2：使用CreateML374
方法3：使用Keras进行微调380
使用CoreML工具进行模型转换381
构建iOS应用程序381
进一步探索382
总结383
第13章ShazamforFood：使用TensorFlowLite和
ML工具包开发Android应用程序384
食品分类应用程序的生命周期385
TensorFlowLite概述387
模型转换为TensorFlowLite391
构建实时对象识别应用程序392
MLKit+Firebase401
MLKit中的目标分类403
MLKit中的自定义模型403
托管模型405
A/B测试托管模型410
在代码中使用实验模型416
iOS上的TensorFlowLite416
性能优化416
TensorFlowLite转换器的量化417
TensorFlow模型优化工具包417
Fritz418
全面审视移动人工智能应用程序开发周期421
如何收集初始数据？421
如何标记我的数据？422
我该如何训练我的模型？422
如何将模型转换为移动端友好的格式？422
我该如何让我的模型性能优越？423
如何为我的用户构建一个好的用户体验？423
如何向用户提供模型？423
如何衡量我的模型是否成功？424
如何改进我的模型？424
如何在用户手机端更新模型？425
自演化模型425
案例研究427
LoseIt！427
Pixel3手机的纵向模式429
阿里巴巴的语音识别430
MLKit中的面部轮廓430
YouTubeStories中的实时视频分割431
总结432
第14章使用TensorFlow目标检测API构建完美的
猫定位应用程序433
计算机视觉任务的类型434
分类435
定位435
检测435
分割436
目标检测方法437
调用预先构建的基于云的目标检测API438
重用预训练模型440
获取模型440
测试推动模型441
部署到设备442
不需任何代码构建自定义检测器444
目标检测的发展449
目标检测中的关键术语452
交并比452
平均精度均值453
非极大值抑制453
使用TensorFlow目标检测API构建自定义模型454
数据收集455
标记数据458
数据预处理462
检查模型463
训练464
模型转换467
图像分割468
案例研究469
智能冰箱470
群体计数470
大壶节471
SeeingAI中的人脸检测472
自动驾驶汽车473
总结474
第15章成为创客：探索边缘的嵌入式人工智能476
探索嵌入式人工智能设备的前景477
RaspberryPi478
IntelMovidiusNeuralComputeStick480
GoogleCoralUSB加速器481
NVIDIAJetsonNano483
FPGA+PYNQ485
Arduino489
嵌入式人工智能设备的定性比较491
从RaspberryPi开始493
使用GoogleCoralUSB加速器加速496
NVIDIAJetsonNano端口498
比较边缘设备的性能501
案例研究502
JetBot502
蹲着抢购地铁票504
黄瓜分选机506
进一步探索507
总结508
第16章利用Keras端到端深度学习模拟自动驾驶
汽车509
自动驾驶简史510
深度学习、自主驾驶和数据问题511
自动驾驶的欢迎例子（“Hello,World!”）：在模拟环境中驾驶514
数据探索与准备517
确定感兴趣的区域519
数据扩充522
数据集不平衡与驾驶策略523
训练我们的自动驾驶模型528
驾驶数据生成器529
模型定义532
部署我们的自动驾驶模式537
进一步探索541
扩展我们的数据集542
序列数据训练542
强化学习542
总结542
第17章在一小时内制造一辆自动驾驶汽车：
AWSDeepRacer的强化学习544
强化学习简介545
为什么要用自动驾驶汽车例子学习强化学习？545
使用DeepRacer进行实际的深度强化学习548
建立第一个强化学习550
步骤1：创建模型552
步骤2：配置训练552
步骤3：模型训练559
步骤4：评估模型的性能561
正在使用的强化学习562
强化学习系统是如何学习的？562
强化学习理论566
AWS-DeepRacer中的强化学习算法569
以DeepRacer为例总结深度强化学习570
步骤5：改进强化学习模型571
让AWSDeepRacer赛车参加比赛576
建造轨道577
AWSDeepRacer单圈赛道模板577
在AWSDeepRacer上运行模型578
自动驾驶AWSDeepRacer赛车578
进一步探索581
深度赛车联盟581
高级AWSDeepRacer581
人工智能驾驶奥运会581
自制机器车582
Roborace竞赛.583
总结584
附录卷积神经网络速成课程585
作者介绍593
封面介绍596