深度學習實戰(zhàn)

定　價：￥148.00

作　者：	[美] 阿尼路德·庫爾，[美] 斯達·甘居，[美] 梅爾·卡薩姆，李新葉著
出版社：	中國電力出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

京東 (￥115.30)

ISBN：	9787519852931	出版時間：	2021-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	616	字數(shù)：

內(nèi)容簡介

　　用Keras、TensorFlow、Core ML，以及TensorFlow Lite訓練、微調(diào)并發(fā)布計算機視覺模型。為不同設(shè)備開發(fā)AI應(yīng)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(yīng)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(gòu)建一個微型版自動駕駛汽車。使用遷移學習在幾分鐘內(nèi)訓練模型。發(fā)現(xiàn)50多個實用技巧，用以最Z大化模型準確度和速度、調(diào)試程序，以及將應(yīng)用擴展到數(shù)百萬用戶規(guī)模。

作者簡介

　　Anirudh Koul是Al for Good的先驅(qū)，同時也是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的自動駕駛設(shè)計師。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)備開發(fā)了深度學習模型。 Meher Kasam是一位經(jīng)驗豐富的軟件開發(fā)人員，所開發(fā)的應(yīng)用程序每天都有上千萬用戶使用。他為Square和微軟的一系列應(yīng)用提供了功能，從Square的銷售點（POS）APP到微軟必應(yīng)（Bing）APP。

圖書目錄

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
人工智能簡史 20
激動人心的開始 21
寒冷黑暗的日子 22
一線希望 23
深度學習是如何興盛的 26
完美深度學習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
負責任的人工智能 41
偏差 43
責任和可解釋性 45
再現(xiàn)性 46
穩(wěn)健性 46
隱私 47
總結(jié) 47
常見問題 48
第2 章圖片中有什么：用Keras 實現(xiàn)圖像分類 51
Keras 簡介 52
預測圖像類別 53
調(diào)查模型 58
ImageNet 數(shù)據(jù)集 58
模型園 61
類激活圖 62
總結(jié) 65
第3 章貓與狗：用Keras 在30 行代碼中實現(xiàn)
遷移學習 66
使預先訓練的模型適應(yīng)新任務(wù) 67
卷積神經(jīng)網(wǎng)絡(luò)初探 68
遷移學習 70
微調(diào) 71
微調(diào)多少 72
利用遷移學習和Keras 構(gòu)建一個定制的分類器 73
組織數(shù)據(jù) 74
建立數(shù)據(jù)管道 76
類別數(shù) 77
批量大小 78
數(shù)據(jù)擴充 78
定義模型 82
訓練模型 82
設(shè)置訓練參數(shù) 82
開始訓練 84
測試模型 85
分析結(jié)果 86
進一步閱讀 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
特征向量長度 110
基于PCA 減少特征長度 112
基于近似最近鄰方法擴展相似搜索 116
近似最近鄰基準 117
應(yīng)該用哪個庫？ 117
創(chuàng)建合成數(shù)據(jù)集 119
蠻力搜索 119
Annoy 119
NGT 120
Faiss 121
通過微調(diào)提高精度 121
用于一次人臉驗證的孿生網(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 章從初學者到掌握預測：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