深度學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥148.00

作　者：	[美] 阿尼路德·庫(kù)爾，[美] 斯達(dá)·甘居，[美] 梅爾·卡薩姆，李新葉著
出版社：	中國(guó)電力出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥115.30)

ISBN：	9787519852931	出版時(shí)間：	2021-04-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	616	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　用Keras、TensorFlow、Core ML，以及TensorFlow Lite訓(xùn)練、微調(diào)并發(fā)布計(jì)算機(jī)視覺(jué)模型。為不同設(shè)備開(kāi)發(fā)AI應(yīng)用，包括Raspberry Pi、Jetson Nano，以及Google Coral。探索有趣的項(xiàng)目，從硅谷“熱狗識(shí)別”應(yīng)用程序到谷歌規(guī)模的圖像搜索，以及40多個(gè)案例研究和行業(yè)實(shí)例。在電子游戲環(huán)境中模擬一輛自動(dòng)駕駛汽車(chē)并用強(qiáng)化學(xué)習(xí)構(gòu)建一個(gè)微型版自動(dòng)駕駛汽車(chē)。使用遷移學(xué)習(xí)在幾分鐘內(nèi)訓(xùn)練模型。發(fā)現(xiàn)50多個(gè)實(shí)用技巧，用以最Z大化模型準(zhǔn)確度和速度、調(diào)試程序，以及將應(yīng)用擴(kuò)展到數(shù)百萬(wàn)用戶(hù)規(guī)模。

作者簡(jiǎn)介

　　Anirudh Koul是Al for Good的先驅(qū)，同時(shí)也是UN和TEDx的發(fā)言人，還是微軟人工智能與研究中心的資深科學(xué)家，他在那里創(chuàng)立了Seeing Al，這是繼iPhone之后盲人社區(qū)最常用的技術(shù)。 Siddha Ganju是NVIDIA的自動(dòng)駕駛設(shè)計(jì)師。她曾入選福布斯2019年“30位30歲以下商業(yè)領(lǐng)袖”的排行榜。此前，她在Deep Vision為資源受限的邊緣設(shè)備開(kāi)發(fā)了深度學(xué)習(xí)模型。 Meher Kasam是一位經(jīng)驗(yàn)豐富的軟件開(kāi)發(fā)人員，所開(kāi)發(fā)的應(yīng)用程序每天都有上千萬(wàn)用戶(hù)使用。他為Square和微軟的一系列應(yīng)用提供了功能，從Square的銷(xiāo)售點(diǎn)（POS）APP到微軟必應(yīng)（Bing）APP。

圖書(shū)目錄

目錄
前言 1
第1 章探索人工智能前景 15
致歉 16
真正的介紹 17
什么是人工智能？ 17
人工智能簡(jiǎn)史 20
激動(dòng)人心的開(kāi)始 21
寒冷黑暗的日子 22
一線希望 23
深度學(xué)習(xí)是如何興盛的 26
完美深度學(xué)習(xí)解決方案的組成要素 29
數(shù)據(jù)集 30
模型結(jié)構(gòu) 32
框架 35
硬件 38
負(fù)責(zé)任的人工智能 41
偏差 43
責(zé)任和可解釋性 45
再現(xiàn)性 46
穩(wěn)健性 46
隱私 47
總結(jié) 47
常見(jiàn)問(wèn)題 48
第2 章圖片中有什么：用Keras 實(shí)現(xiàn)圖像分類(lèi) 51
Keras 簡(jiǎn)介 52
預(yù)測(cè)圖像類(lèi)別 53
調(diào)查模型 58
ImageNet 數(shù)據(jù)集 58
模型園 61
類(lèi)激活圖 62
總結(jié) 65
第3 章貓與狗：用Keras 在30 行代碼中實(shí)現(xiàn)
遷移學(xué)習(xí) 66
使預(yù)先訓(xùn)練的模型適應(yīng)新任務(wù) 67
卷積神經(jīng)網(wǎng)絡(luò)初探 68
遷移學(xué)習(xí) 70
微調(diào) 71
微調(diào)多少 72
利用遷移學(xué)習(xí)和Keras 構(gòu)建一個(gè)定制的分類(lèi)器 73
組織數(shù)據(jù) 74
建立數(shù)據(jù)管道 76
類(lèi)別數(shù) 77
批量大小 78
數(shù)據(jù)擴(kuò)充 78
定義模型 82
訓(xùn)練模型 82
設(shè)置訓(xùn)練參數(shù) 82
開(kāi)始訓(xùn)練 84
測(cè)試模型 85
分析結(jié)果 86
進(jìn)一步閱讀 93
總結(jié) 93
第4 章構(gòu)建反向圖像搜索引擎：理解嵌入 95
圖像相似性 96
特征提取 99
相似性搜索 102
用t-SNE 可視化圖像簇 106
提高相似性搜索的速度 110
特征向量長(zhǎng)度 110
基于PCA 減少特征長(zhǎng)度 112
基于近似最近鄰方法擴(kuò)展相似搜索 116
近似最近鄰基準(zhǔn) 117
應(yīng)該用哪個(gè)庫(kù)？ 117
創(chuàng)建合成數(shù)據(jù)集 119
蠻力搜索 119
Annoy 119
NGT 120
Faiss 121
通過(guò)微調(diào)提高精度 121
用于一次人臉驗(yàn)證的孿生網(wǎng)絡(luò) 126
案例研究 127
Flickr 127
Pinterest 128
與名人面貌相似者 129
Spotify 130
圖像描述 131
總結(jié) 133
第5 章從初學(xué)者到掌握預(yù)測(cè)：最大化卷積神經(jīng)網(wǎng)絡(luò)的
精度 134
工具介紹 135
TensorFlow Datasets 136
TensorBoard 137
What-If 工具 140