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

 
深度學習實戰(zhàn)
深度學習實戰(zhàn)
Anirudh Koul, Siddha Ganju, Meher Kasam 著
李新葉 譯
出版時間：2021年04月
頁數(shù)：592
“書名中用‘實戰(zhàn)’一詞非常合適。對于當今業(yè)界的機器學習實踐，存在兩個突出的問題：員工需要提升和模型需要微調。這本書同時滿足上述需求?！?br /> ——Paco Nathan
Derwen Al創(chuàng)始人
無論你是一個渴望進入人工智能領域的軟件工程師，還是一位資深的數(shù)據(jù)科學家，又或是一個夢想著制造下一個流行的AI軟件的愛好者，你可能都想知道如何開始深度學習。本書將教你如何使用實際操作逐步構建云端、移動端、瀏覽器和邊緣設備上的深度學習實際應用程序。
憑借多年將深度學習研究轉化為獲獎應用的行業(yè)經(jīng)驗，本書作者指導你將想法轉化為人們可以實際應用的東西。
● 用Keras、TensorFlow、Core ML，以及TensorFlow Lite訓練、微調并發(fā)布計算機視覺模型。
● 為不同設備開發(fā)AI應用，包括Raspberry Pi、Jetson Nano，以及Google Coral。
● 探索有趣的項目，從硅谷“熱狗識別”應用程序到谷歌規(guī)模的圖像搜索，以及40多個案例研究和行業(yè)實例。
● 在電子游戲環(huán)境中模擬一輛自動駕駛汽車并用強化學習構建一個微型版自動駕駛汽車。
● 使用遷移學習在幾分鐘內訓練模型。
● 發(fā)現(xiàn)50多個實用技巧，用以最大化模型準確度和速度、調試程序，以及將應用擴展到數(shù)百萬用戶規(guī)模。
  1. 前言
  2. 第1章 探索人工智能前景
  3. 致歉
  4. 真正的介紹
  5. 什么是人工智能？
  6. 人工智能簡史
  7. 完美深度學習解決方案的組成要素
  8. 負責任的人工智能
  9. 總結
  10. 常見問題
  11. 第2章 圖片中有什么：用Keras實現(xiàn)圖像分類
  12. Keras簡介
  13. 預測圖像類別
  14. 調查模型
  15. 總結
  16. 第3章 貓與狗：用Keras在30行代碼中實現(xiàn)遷移學習
  17. 使預先訓練的模型適應新任務
  18. 利用遷移學習和Keras構建一個定制的分類器
  19. 組織數(shù)據(jù)
  20. 建立數(shù)據(jù)管道
  21. 數(shù)據(jù)擴充
  22. 定義模型
  23. 訓練模型
  24. 測試模型
  25. 分析結果
  26. 進一步閱讀
  27. 總結
  28. 第4章 構建反向圖像搜索引擎：理解嵌入
  29. 圖像相似性
  30. 特征提取
  31. 相似性搜索
  32. 用t-SNE可視化圖像簇
  33. 提高相似性搜索的速度
  34. 基于近似最近鄰方法擴展相似搜索
  35. 通過微調提高精度
  36. 用于一次人臉驗證的孿生網(wǎng)絡
  37. 案例研究
  38. 總結
  39. 第5章 從初學者到掌握預測：最大化卷積神經(jīng)網(wǎng)絡的精度
  40. 工具介紹
  41. 機器學習實驗常用技術
  42. 端到端深度學習例子管道
  43. 超參數(shù)如何影響精度
  44. 通過自動調整獲得最大精度的工具
  45. 總結
  46. 第6章 最大化TensorFlow的速度和性能：一個簡便的檢查表
  47. GPU閑置
  48. 如何使用本章的檢查表
  49. 性能檢查表
  50. 數(shù)據(jù)準備
  51. 數(shù)據(jù)讀取
  52. 數(shù)據(jù)擴充
  53. 訓練
  54. 預測
  55. 總結
  56. 第7章 實用工具、提示和技巧
  57. 安裝
  58. 訓練
  59. 模型
  60. 數(shù)據(jù)
  61. 隱私
  62. 教育與探索
  63. 最后一個問題
  64. 第8章 計算機視覺的云API：15分鐘內啟動并運行
  65. 視覺識別API的前景
  66. 比較不同的視覺識別API
  67. 啟動和運行云API
  68. 訓練我們自定義的分類器
  69. 比較自定義分類API
  70. 云API的性能調整
  71. 案例研究
  72. 總結
  73. 第9章 使用TensorFlow服務和KubeFlow在云上提供可擴展預測服務
  74. 服務人工智能預測的前景
  75. Flask：建立自己的服務器
  76. 生產級服務系統(tǒng)的理想品質
  77. Google Cloud ML引擎：一個托管云AI的服務棧
  78. TensorFlow服務
  79. KubeFlow
  80. 價格相對于性能考慮
  81. 總結
  82. 第10章 基于TensorFlow.js和ml5.js在瀏覽器中實現(xiàn)AI
  83. 基于JavaScript的機器學習庫：簡史回顧
  84. TensorFlow.js架構
  85. 使用TensorFlow.js運行預訓練模型
  86. 模型轉換為瀏覽器中格式
  87. 瀏覽器中訓練
  88. ml5.js
  89. PoseNet
  90. pix2pix
  91. 基準和實際考慮
  92. 案例研究
  93. 總結
  94. 第11章 基于Core ML在iOS上實現(xiàn)實時對象分類
  95. 移動端人工智能的開發(fā)生命周期
  96. Core ML的簡史
  97. Core ML的替代品
  98. 蘋果的機器學習架構
  99. 構建實時目標識別應用程序
  100. 轉換為Core ML
  101. 動態(tài)模型部署
  102. 設備端訓練
  103. 性能分析
  104. 測量能耗的影響
  105. 縮小應用程序大小
  106. 案例研究
  107. 總結
  108. 第12章 基于Core ML和Create ML在iOS上實現(xiàn)熱狗識別
  109. 收集數(shù)據(jù)
  110. 訓練我們的模型
  111. 使用Core ML工具進行模型轉換
  112. 構建iOS應用程序
  113. 進一步探索
  114. 總結
  115. 第13章 Shazam for Food：使用TensorFlow Lite和ML工具包開發(fā)Android應用程序
  116. 食品分類應用程序的生命周期
  117. TensorFlow Lite概述
  118. 模型轉換為TensorFlow Lite
  119. 構建實時對象識別應用程序
  120. ML Kit + Firebase
  121. iOS上的TensorFlow Lite
  122. 性能優(yōu)化
  123. Fritz
  124. 全面審視移動人工智能應用程序開發(fā)周期
  125. 自演化模型
  126. 案例研究
  127. 總結
  128. 第14章 使用TensorFlow目標檢測API構建完美的貓定位應用程序
  129. 計算機視覺任務的類型
  130. 目標檢測方法
  131. 調用預先構建的基于云的目標檢測API
  132. 重用預訓練模型
  133. 不需任何代碼構建自定義檢測器
  134. 目標檢測的發(fā)展
  135. 目標檢測中的關鍵術語
  136. 使用TensorFlow目標檢測API構建自定義模型
  137. 檢查模型
  138. 圖像分割
  139. 案例研究
  140. 總結
  141. 第15章 成為創(chuàng)客：探索邊緣的嵌入式人工智能
  142. 探索嵌入式人工智能設備的前景
  143. 嵌入式人工智能設備的定性比較
  144. 從 Raspberry Pi開始
  145. 使用Google Coral USB加速器加速
  146. NVIDIA Jetson Nano端口
  147. 比較邊緣設備的性能
  148. 案例研究
  149. 進一步探索
  150. 總結
  151. 第16章 利用Keras端到端深度學習模擬自動駕駛汽車
  152. 自動駕駛簡史
  153. 深度學習、自主駕駛和數(shù)據(jù)問題
  154. 自動駕駛的歡迎例子（“Hello, World!”）：在模擬環(huán)境中駕駛
  155. 數(shù)據(jù)探索與準備
  156. 訓練我們的自動駕駛模型
  157. 部署我們的自動駕駛模式
  158. 進一步探索
  159. 總結
  160. 第17章 在一小時內制造一輛自動駕駛汽車：AWS DeepRacer的強化學習
  161. 強化學習簡介
  162. 為什么要用自動駕駛汽車例子學習強化學習？
  163. 使用DeepRacer進行實際的深度強化學習
  164. 正在使用的強化學習
  165. 讓AWS DeepRacer賽車參加比賽
  166. 進一步探索
  167. 總結
  168. 附錄 卷積神經(jīng)網(wǎng)絡速成課程
  169. 作者介紹
  170. 封面介紹
書名：深度學習實戰(zhàn)
譯者：李新葉 譯
國內出版社：中國電力出版社
出版時間：2021年04月
頁數(shù)：592
書號：978-7-5198-5293-1
原版書書名：Practical Deep Learning for Cloud, Mobile, and Edge
原版書出版商：O'Reilly Media
Anirudh Koul
 
Anirudh Koul是一位著名的人工智能專家， UN/TEDx演講者，也是微軟人工智能與研究中心的前資深科學家，他在那里創(chuàng)立了Seeing AI，Seeing AI通常被認為是繼iPhone之后盲人社區(qū)中使用最多的技術。Anirudh是人工智能與研究中心Aira平臺的負責人，被《時代》雜志評為2018年最佳發(fā)明人之一。憑借向十億用戶提供的功能，他帶來了十多年面向生產實際的PB級數(shù)據(jù)集的應用研究經(jīng)驗。他一直在使用人工智能開發(fā)以下應用技術：增強現(xiàn)實、機器人、語音、生產力以及可訪問性。他在Al for Good的工作被IEEE稱為“改變生活”（“l(fā)ife-changing”），曾在聯(lián)合國、世界經(jīng)濟論壇、白宮、上議院、Netflix和國家地理雜志的活動中展示，他為此獲得了CES、FCC、MIT、戛納國際創(chuàng)意節(jié)和美國盲人理事會的獎項；并受到包括Justin Trudeau和Theresa May在內的世界領導人的稱贊。
 
 
Siddha Ganju
 
Siddha Ganju是NVIDIA的自動駕駛設計師，她作為一名AI研究者曾入選福布斯“30歲以下30位”排行榜榜單。作為NASA FDL的人工智能顧問，她為NASA的CAMS項目建立了一個自動流星探測管道，該項目發(fā)現(xiàn)了一顆彗星。此前，她在Deep Vision為資源受限的邊緣設備開發(fā)了深度學習模型。她的工作范圍從視覺問答到生成性對抗網(wǎng)絡，再到從CERN的PB級數(shù)據(jù)中收集觀點，這些工作已發(fā)表在頂級會議上，包括CVPR和NeurIPS會議。她曾在包括CES在內的多個國際科技比賽中擔任特邀評委。她提倡技術的多樣性和包容性，在學校和學院演講，以激勵和培養(yǎng)來自各種背景的新一代技術專家。
 
 
Meher Kasam
 
Meher Kasam是一位經(jīng)驗豐富的軟件開發(fā)人員，所開發(fā)的應用程序每天都有數(shù)以千萬計的用戶使用。他目前是Square的iOS開發(fā)者，此前曾在微軟和亞馬遜工作，他為一系列應用程序開發(fā)了功能，包括從Square的銷售點（POS）APP到微軟必應（Bing）iPhone應用程序。在微軟工作期間，他是Seeing AI應用程序的移動開發(fā)負責人，該應用程序獲得了諸如移動世界大會、CES、FCC和美國盲人協(xié)會等的廣泛認可和獎勵。作為一個具有快速原型設計天賦的黑客，他贏得了幾次黑客大會的比賽，并將其程序轉換為廣泛使用的產品中的功能。他還擔任全球移動獎和愛迪生獎國際比賽的評委。
 
 
本書的封面動物是一只美國游隼（學名：Falco peregrinus anatum）或鴨鷹，它是游隼的一個亞種，目前發(fā)現(xiàn)于洛基山脈。這種亞種在北美洲東部已經(jīng)滅絕，但現(xiàn)在隨著有組織的重新引入，存在健康的雜交種群。
全世界的游隼，不管是哪一個亞種，都有以下幾個共同的特點：快速飛行的大型猛禽；其頭和翅膀都是黑色的；下側都是白色有圖案的；喙和腿都是黃色的；大大的眼睛黑色眼球上有獨特的豎直條紋。在遠處可以通過游隼“彎曲”但輪廓分明的翅膀辨別。雌性明顯比雄性大，但兩者的平均體型都和美國烏鴉差不多，在保衛(wèi)領地或雛鳥時，它們會發(fā)出一種獨特、尖銳的“咔嚓咔嚓”的叫聲。
游隼（以它們在非筑巢季節(jié)有著遠行的習性命名）在除南極洲以外的所有大陸上都有了自己的足跡。其物種的成功延續(xù)取決于它們對獵鳥的多種適應能力，以及適應不同筑巢環(huán)境和獵物的能力。游隼最著名的習性是彎腰狩獵或稱為高速俯沖，它從一個很大的高度俯沖到地面或接近地面的一只鳥身上，當它撞到獵物時速度可達每小時200英里，很多時候會瞬間殺死獵物。這使得它不僅是地球上飛得最快的鳥，而且是動物王國中跑得最快的成員，這也是為什么游隼成為全世界獵鷹者最喜歡的鳥的原因。
游隼在20世紀60年代成為美國環(huán)保運動的一個明顯標志，因為在化學物質被禁止使用之前，殺蟲劑DDT的廣泛使用已經(jīng)使游隼在其以前生活的大部分地區(qū)滅絕（游隼通過獵物消耗DDT，導致其卵殼變薄的致命效果）。美國環(huán)境保護署在1970年宣布這種游隼為瀕危物種。然而，由于DDT的禁止使用，該物種已經(jīng)恢復。隨后又實施了一項圈養(yǎng)繁殖計劃，將該物種重新引入美國東部游隼以前的生活區(qū)域。隨著巢盒被添加到城市摩天大樓的上空，游隼用鴿子和其他大量的城市鳥類喂養(yǎng)其雛鳥，導致種群迅速建立起來。游隼在1999年被從瀕危物種名單上除名。雖然美國游隼目前的保護狀況被指定為是無危物種，但O'Reilly書籍封面的許多動物都是瀕危動物，它們都是世界上重要的動物。
封面插圖來自Karen Montgomery，基于《British Birds》中的一個黑白雕刻。
購買選項
定價：148.00元
書號：978-7-5198-5293-1
出版社：中國電力出版社