醉染图书深度学习实战9787519852931

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

Anny19

NGT120

Faiss121

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

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

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

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

Cari2

微软认知服务224

谷歌云视觉224

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API245

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

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

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-Conductr39

TensorSpace319

Metacar320

Airbnb的照片分类321

GANLab321

总结322

1章基于CoreML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

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

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

速读356

SeeingAI357

HomeCourt358

InstaSaber+YoPuppet358

总结362

2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

3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

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

LoseIt！427

Pixel3手机的纵向模式429

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

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470

大壶节471

SeeingAI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

RaspberryPi478

IntelMovidiusNeuralComputeStick480

GoogleCoralUSB加速器481

NVIAJetsonNano483

FPGA+PYN48

Arduino489

嵌入式人工智能设备的定比较491

从RaspberryPi开始493

使用GoogleCoralUSB加速器加速496

NVIAJetsonNano端口498

比较边缘设备的能501

案例研究502

JetBot502

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：

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