诺森深度学习实战

目录
前言 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
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 45
再现 46
稳健 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 96
特征提取 99
相似搜索 102
用t-SNE 可视化图像簇 106
提高相似搜索的速度 110
特征向量长度 110
基于PCA 减少特征长度 112
基于近似近邻方法扩展相似搜索 116
近似近邻基准 117
应该用哪个库？ 117
创建合成数据集 119
蛮力搜索 119
Annoy 119
NGT 120
Faiss 121
通过微调提高精度 121
用于一次人脸验的孪生网络 126
案例研究 127
Flickr 127
Pinterest 128
与名人面貌相似者 129
Spotify 130
图像描述 131
总结 133
第5 章 从初学者到掌握预测：化卷积神经网络的
精度 134
工具介绍 135
TensorFlow Datasets 136
TensorBoard 137
What-If 工具 140
tf-explain 145
机器学习实验常用技术 147
数据检查 147
划分数据：训练、验测试 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
通过自动调整获得精度的工具 162
Keras Tuner 162
自动扩增(AutoAugment) 165
AutoKeras 165
总结 166
第6 章 化TensorFlow 的速度和能：一个简便的
检查表 168
GPU 闲置 169
nvidia-smi 170
TensorFlow Profiler + TensorBoard 171
如何使用本章的检查表 173
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TFRecords 175
减小输入数据的大小 177
使用TensorFlow Datasets177
数据读取 178
使用tfdata 178
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
找到学习率 189
使用tffunction 191
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
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 2
Cari 2
微软认知服务 224
谷歌云视觉224
Rekognition 225
IBM Watson 的视觉识别 226
Algorithmia 226
比较不同的视觉识别API 228
服务产品 229
成本 0
准确度 1
偏差 2
启动和运行云API
训练我们自定义的分类器
比较自定义分类API 245
云API 的能调整 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OCR API 的影响 250
调整大小对OCR API 的影响 250
案例研究 251
纽约时报 251
Uber252
Giphy 253
OmniEarth 254
Photobucket 254
Staples 255
nro 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REST API 261
将Keras 模型部署到Flask 263
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 264
可扩展 265
低延迟 266
地理位置可用 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
Google Cloud ML 引擎：一个托管云AI 的服务栈 268
使用Cloud ML 引擎的优点 269
使用Cloud ML 引擎的缺点 269
构建一个分类API 269
TensorFlow 服务 276
KubeFlow 278
管道 281
Fairing 工具 281
安装 282
价格相对于能考虑 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
0 章 基于TensorFlowjs 和ml5js 在浏览器中
实现AI 288
基于JavaScript 的机器学习库：简史回顾 289
ConvNetJS 290
Kerasjs 291
ONNXjs 291
TensorFlowjs 293
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
ml5js 304
PoseNet 306
pix2pix 310
基准和实际考虑 315
模型大小 316
预测时间 316
案例研究 318
Semi-Conductor 319
TensorSpace 319
Metacar 320
Airbnb 的照片分类 321
GAN Lab 321
总结 322
1 章 基于Core ML 在iOS 上实现实时对象分类 3
移动端人工智能的开发生命周期 325
Core ML 的简史 326
Core ML 的替代品328
TensorFlow Lite 329
ML Kit 329
Fritz 329
苹果的机器学习架构 330
基于域的框架 330
ML 框架 331
ML 能原语 331
构建实时目标识别应用程序 332
转换为Core ML 339
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
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Create ML 355
案例研究 356
速读 356
Seeing AI 357
HomeCourt 358
InstaSaber + YoPuppet 358
总结 362
2 章 基于Core ML 和Create ML 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：Fatkun Chrome 浏览器插件 366
方法3：使用Bing 图像搜索API 的Web Scraper 369
训练我们的模型 370
方法1：使用基于Web UI 的工具 370
方法2：使用Create ML 374
方法3：使用Keras 进行微调 380
使用Core ML 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
3 章 Shazam for Food：使用TensorFlow Lite 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
TensorFlow Lite 概述 387
模型转换为TensorFlow Lite 391
构建实时对象识别应用程序 392
ML Kit + Firebase 401
ML Kit 中的目标分类 403
ML Kit 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TensorFlow Lite 416
能优化 416
TensorFlow Lite 转换器的量化 417
TensorFlow 模型优化工具包 417
Fritz 418
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能优越？ 4
如何为我的用户构建一个好的用户体验？ 4
如何向用户提供模型？ 4
如何衡量我的模型成功？ 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
Lose It ！ 427
Pixel 3 手机的纵向模式 429
的语音识别 430
ML Kit 中的面部轮廓 430
YouTube Stories 中的实时视频分割 431
总结 432
4 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API 438
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 470
大壶节 471
Seeing AI 中的人脸检测 472
自动驾驶汽车 473
总结 474
5 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
Raspberry Pi 478
Intel Movidius Neural Compute Stick 480
Google Coral USB 加速器 481
NVIA Jetson Nano 483
FPGA + PYN 485
Arduino 489
嵌入式人工智能设备的定比较 491
从 Raspberry Pi 开始 493
使用Google Coral USB 加速器加速 496
NVIA Jetson Nano 端口 498
比较边缘设备的能 501
案例研究 502
JetBot 502
蹲着地铁票 504
黄瓜分选机506
进一步探索 507
总结 508
6 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 5
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
7 章 在一小时内制造一辆自动驾驶汽车：
AWS DeepRacer 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：评估模型的能 561
正在使用的强化学习 562
强化学统是如何学习的？ 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AWS DeepRacer 赛车参加比赛 576
建造轨道 577
AWS DeepRacer 单圈赛道模板 577
在AWS DeepRacer 上运行模型 578
自动驾驶AWS DeepRacer 赛车 578
进一步探索 581
深度赛车联盟 581
高级AWS DeepRacer 581
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

Anirudh Koul，是Al for Good的先驱，同时也是UN和TEDx的发言人，还是微软人工智能与研究中心的资深科学家，他在那里创立了Seeing Al，这是继iPhone之后盲人社区常用的技术。
Siddha Ganju，是NVIA的自动驾驶设计师。她曾入选福布斯2019年“30位30岁以下商业”的排行榜。此前，她在Deep Vision为资源受限的边缘设备开发了深度学习模型。
Meher Kasam，是一位经验丰富的软件开发人员，所开发的应用程序每天都有上千万用户使用。他为Square和微软的一系列应用提供了功能，从Square的销售点(POS)APP到微软必应(Bing)APP。

无论你是一个渴望进入人工智能领域的软件，还是一位资深的数据科学家，又或是一个梦想着制造下一个流行的AI软件的爱好者，你可能都想知道如何开始深度学习。本书将教你如何使用实际操作逐步构建云端、移动端、浏览器和边缘设备上的深度学习实际应用程序。
凭借多年将深度学习研究转化为获奖应用的行业经验，本书作者指导你将想法转化为人们可以实际应用的东西。
本书将教你如何使用实际操作逐步构建云端、移动端、浏览器和边缘设备上的深度学习实际应用程序。
“书名中用'实战'一词合适。对于当今业界的机器学习实践，存在两个突出的问题：员工需要提升和模型需要微调。这本书同时满足上述需求。”——Paco NathanDerwen Al创始人
本书将教你如何使用实际操作逐步构建云端、移动端、浏览器和边缘设备上的深度学习实际应用程序。

用Keras、TensorFlow、Core ML，以及TensorFlow Lite训练、微调并发布计算机视觉模型。为不同设备开发AI应用，包括Raspberry Pi、Jetson Nano，以及Google Coral。探索有趣的项目，从硅谷“热狗识别”应用程序到谷歌规模的图像搜索，以及40多个案例研究和行业实例。在游戏环境中模拟一辆自动驾驶汽车并用强化学习构建一个微型版自动驾驶汽车。使用迁移学习在几分钟内训练模型。发现50多个实用技巧，用以化模型准确度和速度、调试程序，以及将应用扩展到数百万用户规模。