深度学习实战

图书标准信息

• 作者 [美]梅尔·卡萨姆(Meher Kasam)著 李新叶 译；[美]阿尼路德·库尔（Anirudh Koul）；[美]斯达·甘居（Siddha Ganju）
• 出版社 中国电力出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787519852931
• 定价 148.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 616页
• 字数 805千字

【内容简介】

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。在电子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。

【作者简介】

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之后盲人社区最常用的技术。

Siddha Ganju是NVIDIA的自动驾驶设计师。她曾入选福布斯2019年“30位30岁以下商业领袖”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。

【目录】

目录

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

Annoy 119

NGT 120

Faiss 121

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

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：最大化卷积神经网络的

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

通过自动调整获得最大精度的工具 162

Keras Tuner 162

自动扩增（AutoAugment） 165

AutoKeras 165

总结 166

第6 章 最大化TensorFlow 的速度和性能：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

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

找到最佳学习率 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

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

Clarifai 223

微软认知服务 224

谷歌云视觉224

亚马逊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 230

准确度 231

偏差 232

启动和运行云API 236

训练我们自定义的分类器 239

比较自定义分类API 245

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

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

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

第11 章 基于Core ML 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

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 性能原语 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

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Create ML 355

案例研究 356

神奇速读 356

Seeing AI 357

HomeCourt 358

InstaSaber YoPuppet 358

总结 362

第12 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

第13 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

性能优化 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

Lose It ！ 427

Pixel 3 手机的纵向模式 429

阿里巴巴的语音识别 430

ML Kit 中的面部轮廓 430

YouTube Stories 中的实时视频分割 431

总结 432

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

群体计数 470

大壶节 471

Seeing AI 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

Raspberry Pi 478

Intel Movidius Neural Compute Stick 480

Google Coral USB 加速器 481

NVIDIA Jetson Nano 483

FPGA PYNQ 485

Arduino 489

嵌入式人工智能设备的定性比较 491

从 Raspberry Pi 开始 493

使用Google Coral USB 加速器加速 496

NVIDIA Jetson Nano 端口 498

比较边缘设备的性能 501

案例研究 502

JetBot 502

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：

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