91精品国产综合久久四虎久久_国产成人午夜高潮毛片_99er视频精品免费观看_2020亚洲熟女在线观看_日本女优人体写真_国内黄色毛片_年轻的老师中文版在线_丰满女邻居做爰_久久久久久精品成人免费图片

 
機(jī)器學(xué)習(xí)流水線實(shí)戰(zhàn)
機(jī)器學(xué)習(xí)流水線實(shí)戰(zhàn)
Hannes Hapke, Catherine Nelson 著
孔曉泉, 鄭煒, 江駿 譯
出版時(shí)間：2021年11月
頁(yè)數(shù)：276
正如自動(dòng)化流水線給汽車制造業(yè)帶來(lái)了質(zhì)的改變，自動(dòng)化機(jī)器學(xué)習(xí)流水線也能從根本上加速機(jī)器學(xué)習(xí)領(lǐng)域的發(fā)展。機(jī)器學(xué)習(xí)流水線實(shí)現(xiàn)了復(fù)用、管理和部署機(jī)器學(xué)習(xí)模型的標(biāo)準(zhǔn)化流程。數(shù)據(jù)科學(xué)家和機(jī)器學(xué)習(xí)工程師不僅能擺脫逐個(gè)手動(dòng)構(gòu)建和訓(xùn)練模型的 “作坊式” 工作流程，還能產(chǎn)出更可靠、更安全的模型。
本書帶領(lǐng)你使用TensorFlow生態(tài)圈中的眾多工具構(gòu)建可復(fù)現(xiàn)的機(jī)器學(xué)習(xí)流水線，從而將模型部署時(shí)間從數(shù)天縮短為數(shù)分鐘，有效地實(shí)現(xiàn)機(jī)器學(xué)習(xí)項(xiàng)目產(chǎn)品化。你將學(xué)習(xí)如下內(nèi)容。
● 了解機(jī)器學(xué)習(xí)流水線的構(gòu)建步驟
● 使用TensorFlow Extended(TFX)構(gòu)建機(jī)器學(xué)習(xí)流水線
● 使用Beam、Airflow、Kubeflow Pipelines編排流水線
● 數(shù)據(jù)校驗(yàn)和數(shù)據(jù)預(yù)處理
● 使用TensorFlow的模型分析工具
● 檢查模型的公平性
● 使用TensorFlow Serving和TensorFlow Lite部署模型
● 了解差分隱私、聯(lián)邦學(xué)習(xí)和加密機(jī)器學(xué)習(xí)等隱私保護(hù)方法
  1. 本書贊譽(yù)
  2. 序　
  3. 前言　
  4. 第1章 入門　
  5. 1.1　為什么要用機(jī)器學(xué)習(xí)流水線　
  6. 1.2　什么時(shí)候考慮使用機(jī)器學(xué)習(xí)流水線　
  7. 1.3　機(jī)器學(xué)習(xí)流水線步驟概述　
  8. 1.3.1　數(shù)據(jù)讀取和版本控制　
  9. 1.3.2　數(shù)據(jù)校驗(yàn)
  10. 1.3.3　數(shù)據(jù)預(yù)處理　
  11. 1.3.4　模型訓(xùn)練和模型調(diào)優(yōu)　
  12. 1.3.5　模型分析　
  13. 1.3.6　模型版本控制　
  14. 1.3.7　模型部署　
  15. 1.3.8　反饋循環(huán)　
  16. 1.3.9　數(shù)據(jù)隱私　
  17. 1.4　流水線編排　
  18. 1.4.1　為什么使用流水線編排工具　
  19. 1.4.2　有向無(wú)環(huán)圖　
  20. 1.5　示例項(xiàng)目　
  21. 1.5.1　項(xiàng)目結(jié)構(gòu)　
  22. 1.5.2　機(jī)器學(xué)習(xí)模型　
  23. 1.5.3　示例項(xiàng)目的目標(biāo)　
  24. 1.6　小結(jié)　
  25. 第2章 TensorFlow Extended入門　
  26. 2.1　什么是TFX　
  27. 2.2　安裝TFX　
  28. 2.3　TFX組件概述　
  29. 2.4　什么是機(jī)器學(xué)習(xí)元數(shù)據(jù)　
  30. 2.5　交互式流水線　
  31. 2.6　TFX的替代品　
  32. 2.7　Apache Beam簡(jiǎn)介　
  33. 2.7.1　安裝　
  34. 2.7.2　基本數(shù)據(jù)流水線　
  35. 2.7.3　執(zhí)行流水線　
  36. 2.8　小結(jié)　
  37. 第3章 數(shù)據(jù)讀取　
  38. 3.1　數(shù)據(jù)讀取的概念　
  39. 3.1.1　讀取本地?cái)?shù)據(jù)文件　
  40. 3.1.2　讀取遠(yuǎn)程數(shù)據(jù)文件　
  41. 3.1.3　直接從數(shù)據(jù)庫(kù)中讀取數(shù)據(jù)　
  42. 3.2　數(shù)據(jù)準(zhǔn)備　
  43. 3.2.1　拆分?jǐn)?shù)據(jù)集　
  44. 3.2.2　跨越數(shù)據(jù)集　
  45. 3.2.3　對(duì)數(shù)據(jù)集進(jìn)行版本控制　
  46. 3.3　數(shù)據(jù)讀取策略　
  47. 3.3.1　結(jié)構(gòu)化數(shù)據(jù)　
  48. 3.3.2　自然語(yǔ)言處理中的文本數(shù)據(jù)　
  49. 3.3.3　用于計(jì)算機(jī)視覺問題的圖像數(shù)據(jù)　
  50. 3.4　小結(jié)　
  51. 第4章 數(shù)據(jù)校驗(yàn)　
  52. 4.1　為什么要進(jìn)行數(shù)據(jù)校驗(yàn)　
  53. 4.2　TFDV　
  54. 4.2.1　安裝　
  55. 4.2.2　根據(jù)數(shù)據(jù)生成統(tǒng)計(jì)信息　
  56. 4.2.3　從數(shù)據(jù)生成模式　
  57. 4.3　識(shí)別數(shù)據(jù)中的問題　
  58. 4.3.1　比較數(shù)據(jù)集　
  59. 4.3.2　更新模式　
  60. 4.3.3　數(shù)據(jù)偏斜和漂移　
  61. 4.3.4　存在偏差的數(shù)據(jù)集　
  62. 4.3.5　在TFDV中切分?jǐn)?shù)據(jù)　
  63. 4.4　使用GCP處理大型數(shù)據(jù)集　
  64. 4.5　將TFDV集成到機(jī)器學(xué)習(xí)流水線中　
  65. 4.6　小結(jié)　
  66. 第5章 數(shù)據(jù)預(yù)處理　
  67. 5.1　為什么要進(jìn)行數(shù)據(jù)預(yù)處理　
  68. 5.1.1　在整個(gè)數(shù)據(jù)集的上下文中預(yù)處理數(shù)據(jù)　
  69. 5.1.2　擴(kuò)展預(yù)處理步驟　
  70. 5.1.3　避免訓(xùn)練–服務(wù)偏斜　
  71. 5.1.4　將預(yù)處理步驟和機(jī)器學(xué)習(xí)模型作為一個(gè)工件進(jìn)行部署　
  72. 5.1.5　檢查流水線中的預(yù)處理結(jié)果　
  73. 5.2　使用TFT做數(shù)據(jù)預(yù)處理　
  74. 5.2.1　安裝　
  75. 5.2.2　預(yù)處理策略　
  76. 5.2.3　最佳實(shí)踐　
  77. 5.2.4　TFT函數(shù)　
  78. 5.2.5　TFT的獨(dú)立執(zhí)行　
  79. 5.2.6　將TFT集成到機(jī)器學(xué)習(xí)流水線中　
  80. 5.3　小結(jié)　
  81. 第6章 模型訓(xùn)練　
  82. 6.1　定義示例項(xiàng)目的模型　
  83. 6.2　TFX Trainer組件　
  84. 6.2.1　run_fn()函數(shù)　
  85. 6.2.2　運(yùn)行Trainer組件　
  86. 6.2.3　其他關(guān)于Trainer組件的注意事項(xiàng)　
  87. 6.3　在交互式流水線中使用TensorBoard　
  88. 6.4　分布策略　
  89. 6.5　模型調(diào)整　
  90. 6.5.1　超參數(shù)調(diào)整的策略　
  91. 6.5.2　TFX流水線中的超參數(shù)調(diào)整　
  92. 6.6　小結(jié)　
  93. 第7章 模型分析和模型驗(yàn)證　
  94. 7.1　如何分析模型　
  95. 7.1.1　分類指標(biāo)　
  96. 7.1.2　回歸指標(biāo)　
  97. 7.2　TensorFlow模型分析　
  98. 7.2.1　用TFMA分析單個(gè)模型　
  99. 7.2.2　用TFMA分析多個(gè)模型　
  100. 7.3　模型公平性分析　
  101. 7.3.1　用TFMA劃分模型預(yù)測(cè)　
  102. 7.3.2　用公平性指標(biāo)檢查決策閾值　
  103. 7.3.3　詳解假設(shè)分析工具　
  104. 7.4　模型可解釋性　
  105. 7.4.1　使用WIT生成模型解釋　
  106. 7.4.2　其他模型解釋方法　
  107. 7.5　用TFX進(jìn)行分析和驗(yàn)證　
  108. 7.5.1　ResolverNode　
  109. 7.5.2　Evaluator組件　
  110. 7.5.3　用Evaluator組件進(jìn)行驗(yàn)證　
  111. 7.5.4　TFX Pusher組件　108
  112. 7.6　小結(jié)　
  113. 第8章 用TensorFlow Serving部署模型　
  114. 8.1　簡(jiǎn)單的模型服務(wù)器　
  115. 8.2　基于Python API部署模型的缺點(diǎn)　
  116. 8.2.1　缺少代碼隔離　
  117. 8.2.2　缺少模型版本控制　
  118. 8.2.3　低效的模型推算　
  119. 8.3　TensorFlow Serving　
  120. 8.4　TensorFlow Serving架構(gòu)概述　
  121. 8.5　為TensorFlow Serving導(dǎo)出模型　
  122. 8.6　模型簽名　
  123. 8.7　查看導(dǎo)出的模型　
  124. 8.7.1　查看模型　
  125. 8.7.2　測(cè)試模型　
  126. 8.8　設(shè)置TensorFlow Serving　
  127. 8.8.1　Docker安裝　
  128. 8.8.2　原生Ubuntu安裝　
  129. 8.8.3　從源碼編譯TensorFlow Serving　
  130. 8.9　配置TensorFlow服務(wù)器　
  131. 8.9.1　單一模型配置　
  132. 8.9.2　多模型配置　
  133. 8.10　REST與gRPC　
  134. 8.10.1　REST　
  135. 8.10.2　gRPC　
  136. 8.11　用模型服務(wù)器預(yù)測(cè)　
  137. 8.11.1　用REST獲得模型預(yù)測(cè)　
  138. 8.11.2　通過gRPC使用TensorFlow Serving　
  139. 8.12　用TensorFlow Serving進(jìn)行模型A/B測(cè)試　
  140. 8.13　從模型服務(wù)器獲取模型元數(shù)據(jù)　
  141. 8.13.1　使用REST請(qǐng)求模型元數(shù)據(jù)　
  142. 8.13.2　使用gRPC請(qǐng)求模型元數(shù)據(jù)　
  143. 8.14　批量推算請(qǐng)求　
  144. 8.15　配置批量預(yù)測(cè)　
  145. 8.16　其他TensorFlow Serving優(yōu)化方法　
  146. 8.17　TensorFlow Serving的替代品　
  147. 8.17.1　BentoML　
  148. 8.17.2　Seldon　
  149. 8.17.3　GraphPipe　
  150. 8.17.4　Simple TensorFlow Serving　
  151. 8.17.5　MLflow　
  152. 8.17.6　Ray Serve　
  153. 8.18　在云端部署　
  154. 8.18.1　用例　
  155. 8.18.2　在GCP上進(jìn)行示例部署　
  156. 8.19　使用TFX流水線進(jìn)行模型部署　
  157. 8.20　小結(jié)　
  158. 第9章 使用TensorFlow Serving進(jìn)行進(jìn)階模型部署　
  159. 9.1　解耦部署環(huán)節(jié)　
  160. 9.1.1　工作流概述　
  161. 9.1.2　優(yōu)化遠(yuǎn)程模型加載　
  162. 9.2　為部署模型進(jìn)行優(yōu)化　
  163. 9.2.1　量化　
  164. 9.2.2　剪枝　
  165. 9.2.3　蒸餾　
  166. 9.3　在TensorFlow Serving中使用TensorRT　
  167. 9.4　TFLite　
  168. 9.4.1　用TFLite優(yōu)化模型的步驟　
  169. 9.4.2　使用TensorFlow Serving實(shí)例部署TFLite模型　
  170. 9.5　監(jiān)測(cè)TensorFlow Serving實(shí)例　
  171. 9.5.1　設(shè)置Prometheus　
  172. 9.5.2　TensorFlow Serving配置　
  173. 9.6　使用TensorFlow Serving和Kubernetes進(jìn)行簡(jiǎn)單的擴(kuò)容　
  174. 9.7　小結(jié)　
  175. 第10章 TensorFlow Extended的高級(jí)功能　
  176. 10.1　流水線的高級(jí)功能　
  177. 10.1.1　同時(shí)訓(xùn)練多個(gè)模型　
  178. 10.1.2　導(dǎo)出TFLite模型　
  179. 10.1.3　熱啟動(dòng)模型訓(xùn)練　
  180. 10.2　人工審核　
  181. 10.2.1　創(chuàng)建Slack組件　
  182. 10.2.2　如何使用Slack組件　
  183. 10.3　TFX自定義組件　
  184. 10.3.1　自定義組件的應(yīng)用場(chǎng)景　
  185. 10.3.2　從零創(chuàng)建自定義組件　
  186. 10.3.3　復(fù)用現(xiàn)有組件　
  187. 10.4　小結(jié)　
  188. 第11章 流水線第 一部分：Apache Beam和Apache Airflow　
  189. 11.1　選擇哪種編排工具　
  190. 11.1.1　Apache Beam　
  191. 11.1.2　Apache Airflow　
  192. 11.1.3　Kubeflow Pipelines　
  193. 11.1.4　AI Platform上的Kubeflow Pipelines　
  194. 11.2　將交互式TFX流水線轉(zhuǎn)換為生產(chǎn)流水線　
  195. 11.3　Beam和Airflow的簡(jiǎn)單交互式流水線轉(zhuǎn)換　
  196. 11.4　Apache Beam簡(jiǎn)介　
  197. 11.5　使用Apache Beam編排TFX流水線　
  198. 11.6　Apache Airflow簡(jiǎn)介　
  199. 11.6.1　安裝和初始設(shè)置　
  200. 11.6.2　基本Airflow示例　
  201. 11.7　使用Apache Airflow編排TFX流水線　
  202. 11.7.1　流水線設(shè)置　
  203. 11.7.2　運(yùn)行流水線　
  204. 11.8　小結(jié)　
  205. 第12章 流水線第二部分：Kubeflow Pipelines　
  206. 12.1　Kubeflow Pipelines概述　
  207. 12.1.1　安裝和初始設(shè)置　
  208. 12.1.2　訪問已安裝的Kubeflow Pipelines　
  209. 12.2　使用Kubeflow Pipelines編排TFX流水線　
  210. 12.2.1　流水線設(shè)置　
  211. 12.2.2　運(yùn)行流水線　
  212. 12.2.3　Kubeflow Pipelines的有用功能　
  213. 12.3　基于Google Cloud AI Platform的流水線　
  214. 12.3.1　流水線設(shè)置　
  215. 12.3.2　TFX流水線設(shè)置　
  216. 12.3.3　運(yùn)行流水線　
  217. 12.4　小結(jié)　
  218. 第13章 反饋循環(huán)　
  219. 13.1　顯式反饋和隱式反饋　
  220. 13.1.1　數(shù)據(jù)飛輪　
  221. 13.1.2　現(xiàn)實(shí)世界中的反饋循環(huán)　
  222. 13.2　收集反饋的設(shè)計(jì)模式　
  223. 13.2.1　用戶根據(jù)預(yù)測(cè)采取了某些措施　
  224. 13.2.2　用戶對(duì)預(yù)測(cè)的質(zhì)量進(jìn)行評(píng)分　
  225. 13.2.3　用戶糾正預(yù)測(cè)　
  226. 13.2.4　眾包打標(biāo)　
  227. 13.2.5　專家打標(biāo)　
  228. 13.2.6　自動(dòng)產(chǎn)生反饋　
  229. 13.3　如何跟蹤反饋循環(huán)　
  230. 13.3.1　跟蹤顯式反饋　
  231. 13.3.2　跟蹤隱式反饋　
  232. 13.4　小結(jié)　
  233. 第14章 機(jī)器學(xué)習(xí)的數(shù)據(jù)隱私　
  234. 14.1　數(shù)據(jù)隱私問題　
  235. 14.1.1　為什么關(guān)心數(shù)據(jù)隱私　
  236. 14.1.2　最簡(jiǎn)單的加強(qiáng)隱私保護(hù)的方法　
  237. 14.1.3　哪些數(shù)據(jù)需要保密　
  238. 14.2　差分隱私　
  239. 14.2.1　局部差分隱私和全局差分隱私　
  240. 14.2.2　epsilon、delta和隱私預(yù)算　
  241. 14.2.3　機(jī)器學(xué)習(xí)的差分隱私　
  242. 14.3　TensorFlow Privacy　
  243. 14.3.1　使用差分隱私優(yōu)化器進(jìn)行訓(xùn)練　
  244. 14.3.2　計(jì)算epsilon　
  245. 14.4　聯(lián)邦學(xué)習(xí)　
  246. 14.5　加密機(jī)器學(xué)習(xí)　
  247. 14.5.1　加密模型訓(xùn)練　
  248. 14.5.2　將訓(xùn)練好的模型轉(zhuǎn)換為加密的預(yù)測(cè)服務(wù)　
  249. 14.6　其他數(shù)據(jù)保密方法　
  250. 14.7　小結(jié)　
  251. 第15章 流水線的未來(lái)和下一步　
  252. 15.1　模型實(shí)驗(yàn)跟蹤　
  253. 15.2　關(guān)于模型發(fā)布管理的思考　
  254. 15.3　未來(lái)的流水線能力　
  255. 15.4　TFX與其他機(jī)器學(xué)習(xí)框架　
  256. 15.5　測(cè)試機(jī)器學(xué)習(xí)模型　
  257. 15.6　用于機(jī)器學(xué)習(xí)的CI/CD系統(tǒng)　
  258. 15.7　機(jī)器學(xué)習(xí)工程社區(qū)　
  259. 15.8　小結(jié)　
  260. 附錄A　機(jī)器學(xué)習(xí)基礎(chǔ)架構(gòu)簡(jiǎn)介　
  261. 附錄B　在Google Cloud上設(shè)置Kubernetes集群　
  262. 附錄C　操作Kubeflow Pipelines的技巧　
書名：機(jī)器學(xué)習(xí)流水線實(shí)戰(zhàn)
譯者：孔曉泉, 鄭煒, 江駿 譯
國(guó)內(nèi)出版社：人民郵電出版社
出版時(shí)間：2021年11月
頁(yè)數(shù)：276
書號(hào)：978-7-115-57321-6
原版書書名：Building Machine Learning Pipelines
原版書出版商：O'Reilly Media
Hannes Hapke
 
漢內(nèi)斯·哈普克（Hannes Hapke），數(shù)據(jù)科學(xué)家，善于解決各行各業(yè)的機(jī)器學(xué)習(xí)問題，與他人合著有《自然語(yǔ)言處理實(shí)戰(zhàn)》。
 
 
Catherine Nelson
 
凱瑟琳·納爾遜（Catherine Nelson），數(shù)據(jù)科學(xué)家，牛津大學(xué)碩士，長(zhǎng)期
為企業(yè)提供機(jī)器學(xué)習(xí)解決方案。
 
 
購(gòu)買選項(xiàng)
定價(jià)：109.80元
書號(hào)：978-7-115-57321-6
出版社：人民郵電出版社