Practical Deep Learning Book

適用於雲端、移動和邊緣的實用深度學習

這是 O'Reilly Publication 的官方程式​​碼儲存庫， 適用於雲端、移動和邊緣的實用深度學習 作者：Anirudh Koul、Siddha Ganju 和 Meher Kasam。 **作為 Keras 官方網站上的學習資源**

[Safari 線上] | [亞馬遜購買] | [Google 圖書線上] | [圖書網站] | [幻燈片簡報]

目錄

• 書籍說明
• 章節列表
• 如何使用此儲存庫
  • 環境
  • 錯誤報告
• 關於作者
• 引文

書籍說明

無論您是一位渴望進入深度學習世界的軟體工程師、一位經驗豐富的資料科學家，還是一位夢想著製作下一個病毒式人工智慧應用程式的愛好者，您可能想知道我從哪裡開始？本逐步指南教您如何使用實作方法為雲端、行動裝置、瀏覽器和邊緣裝置建立實用的深度學習應用程式。

Anirudh Koul、Siddha Ganju 和 Meher Kasam 憑藉多年將深度學習研究轉化為屢獲殊榮的應用的行業經驗，指導您完成將想法轉化為現實世界中人們可以使用的東西的過程。

• 使用 Keras、TensorFlow、Core ML 和 TensorFlow Lite 訓練、調整和部署電腦視覺模型
• 為 Raspberry Pi、Jetson Nano 和 Google Coral 等一系列裝置開發 AI
• 探索有趣的項目，從矽谷的「Not Hotdog」應用程式到 40 多個行業案例研究
• 在電玩環境中模擬自動駕駛汽車，並透過強化學習來建構微型版本。
• 使用遷移學習在幾分鐘內訓練模型
• 發現 50 多個實用技巧，可最大限度地提高模型準確性和速度、調試以及擴展到數百萬用戶

章節列表

第 1 章 - 探索人工智慧的前景|線上閱讀 |人物

我們將帶您了解從 20 世紀 50 年代至今不斷演變的格局，分析構成完美深度學習配方的要素，熟悉常見的 AI 術語和數據集，並一窺負責任的 AI 世界。

第 2 章 - 圖片內容：使用 Keras 進行影像分類|線上閱讀 |人物

我們僅用五行 Keras 程式碼就深入研究了影像分類的世界。然後，我們透過在影片上疊加熱圖來了解神經網路在進行預測時所關注的內容。額外獎勵：我們聽到了 Keras 的創建者François Chollet的激勵人心的個人旅程，說明了一個人可以產生的影響。

第 3 章 - 貓與狗：使用 Keras 進行 30 行遷移學習|線上閱讀 |人物

我們使用遷移學習在新的自訂分類任務中重複使用先前訓練過的網絡，以便在幾分鐘內獲得接近最先進的準確性。然後，我們對結果進行切片和切塊，以了解其分類效果如何。在此過程中，我們建立了一個通用的機器學習管道，並在整本書中對其進行了重新調整。額外獎勵：我們聽到 fast.ai 聯合創始人Jeremy Howard講述了數十萬學生如何使用遷移學習來啟動他們的 AI 之旅。

第 4 章 - 建立反向影像搜尋引擎：理解嵌入|線上閱讀 |人物

與Google反向圖像搜尋一樣，我們探索如何使用嵌入（一種圖像的上下文表示）在十行以內找到相似的圖像。然後，當我們探索不同的策略和演算法來大規模加速這一過程（從數千到數百萬張圖像）並使它們在微秒內可搜尋時，樂趣就開始了。

第 5 章 - 從新手到預測大師：最大化卷積神經網路準確度|線上閱讀 |人物

我們藉助一系列工具（包括 TensorBoard、What-If Tool、tf-explain、TensorFlow Datasets、AutoKeras、AutoAugment）來探索各種策略，以最大限度地提高分類器的準確性。在此過程中，我們進行實驗，以直觀地了解哪些參數可能或可能不適用於您的人工智慧任務。

第 6 章 - 最大化 TensorFlow 的速度與效能：便利的清單|線上閱讀 |人物

我們透過檢查包含 30 個技巧的清單，將訓練和推理的速度帶入超光速引擎，以盡可能減少效率低下的情況，並最大限度地提高當前硬體的價值。

第 7 章 - 實用工具、提示與技巧|線上閱讀 |人物

我們將實務技能多樣化到各種主題和工具，從安裝、資料收集、實驗管理、視覺化、追蹤最新研究成果，一直到探索建立理論基礎的進一步途徑深度學習。

第 8 章 - 用於電腦視覺的雲端 API：15 分鐘內啟動並運行|線上閱讀 |人物

聰明地工作，而不是努力工作。我們在 15 分鐘內利用了 Google、Microsoft、Amazon、IBM 和 Clarifai 的雲端 AI 平台的強大功能。對於現有 API 無法解決的任務，我們會使用自訂分類服務來訓練分類器，而無需編碼。然後我們讓它們在公開基準測試中相互競爭，您可能會驚訝誰獲勝。

第 9 章 - 使用 TensorFlow Serving 和 KubeFlow 在雲端進行可擴充推理服務|線上閱讀 |人物

我們將客製化的訓練模式帶到雲端/本地，以可擴展地服務從數千萬到數百萬的請求。我們探索 Flask、Google Cloud ML Engine、TensorFlow Serving 和 KubeFlow，以展示工作量、情境和成本效益分析。

第 10 章 - 使用 TensorFlow.js 和 ml5.js 在瀏覽器中實作 AI |線上閱讀 |人物

使用電腦或智慧型手機的每個人都可以統一存取一個軟體程式——瀏覽器。透過基於瀏覽器的深度學習庫（包括 TensorFlow.js 和 ml5.js）覆寫所有這些使用者。客座作者Zaid Alyafeai向我們介紹了身體姿勢估計、生成對抗網絡 (GAN)、使用 Pix2Pix 進行圖像到圖像轉換等技術和任務，這些技術和任務不是在伺服器上運行，而是在瀏覽器本身中運行。額外獎勵：聽聽 TensorFlow.js 和 ml5.js 團隊講述專案如何孵化。

第 11 章 - 使用 Core ML 在 iOS 上進行即時物件分類|線上閱讀 |人物

我們探索行動深度學習的前景，並專注於具有 Core ML 的 Apple 生態系統。我們在不同的 iPhone 上對模型進行基準測試，研究減少應用程式大小和能源影響的策略、動態模型部署、設備培訓以及如何建立專業應用程式。

第 12 章 - 使用 Core ML 和 Create ML 在 iOS 上不是 Hotdog |線上閱讀 |人物

矽谷的 Not Hotdog 應用程式（來自 HBO）被認為是行動人工智慧的“Hello World”，因此我們以不是一種、不是兩種而是三種不同的方式建立即時版本來表示敬意。

第 13 章 - Shazam for Food：使用 TensorFlow Lite 和 ML Kit 開發 Android 應用程式|線上閱讀 |人物

我們藉助 TensorFlow Lite 將人工智慧引入 Android。然後，我們研究使用 ML Kit（基於 TensorFlow Lite 構建）和 Fritz 的跨平台開發，以探索構建自我改進的 AI 應用程式的端到端開發生命週期。在此過程中，我們專注於模型版本控制、A/B 測試、衡量成功、動態更新、模型最佳化和其他主題。額外獎勵：我們了解到Pete Warden （行動和嵌入式 TensorFlow 技術主管）在將 AI 引入邊緣設備方面的豐富經驗。

第 14 章 - 使用 TensorFlow 物件偵測 API 建構 Purrfect Cat Locator 應用程式|線上閱讀 |人物

我們探索了四種不同的方法來定位影像中物件的位置。我們回顧了多年來物件檢測的演變，並分析了速度和準確性之間的權衡。這為人群計數、人臉偵測和自動駕駛汽車等案例研究奠定了基礎。

第 15 章 - 成為創客：探索邊緣嵌入式人工智慧|線上閱讀 |人物

客座作者 Sam Sterckval 將深度學習引入低功耗設備，他展示了一系列具有不同處理能力和成本的支援 AI 的邊緣設備，包括 Raspberry Pi、NVIDIA Jetson Nano、Google Coral、Intel Movidius、PYNQ-Z2 FPGA，機器人和創客專案的門。獎勵：聆聽NVIDIA Jetson Nano 團隊講述人們如何透過他們的開源食譜快速建立創意機器人。

第 16 章 - 使用 Keras 的端到端深度學習模擬自動駕駛汽車|線上閱讀 |人物

客座作者Aditya Sharma和Mitchell Spryn使用 Microsoft AirSim 的逼真模擬環境，指導我們訓練虛擬汽車，首先在環境中駕駛虛擬汽車，然後教 AI 模型複製其行為。一路上，本章涵蓋了許多適用於自動駕駛汽車產業的概念。

第 17 章 - 一小時內建立自動駕駛汽車：使用 AWS DeepRacer 進行強化學習|線上閱讀 |人物

從虛擬世界轉向現實世界，客座作者Sunil Mallya展示如何在一小時內組裝、訓練微型汽車 AWS DeepRacer 並進行比賽。在強化學習的幫助下，汽車學會自行駕駛，懲罰錯誤並最大化成功。我們學習如何將這些知識應用到從人工智慧駕駛奧運會到 RoboRace（使用全尺寸自動駕駛汽車）的比賽中。額外獎勵：聆聽Anima Anandkumar (NVIDIA)和Chris Anderson（DIY Robocars 創辦人）講述自動駕駛汽車產業的發展方向。

如何使用此儲存庫

首先，歡迎光臨！我們很高興您決定使用本書和程式碼來了解更多有關深度學習的資訊！我們祝福您在未來的旅程中一切順利。以下是使用儲存庫時需要記住的一些事項。

• 每章的程式碼都存在於code資料夾中。
• 每章都有一個各自的自述文件，提供了有關如何繼續處理程式碼以及下載哪些資料的特定章節的說明。

請按照以下說明在 Google Colab 上載入 GitHub 儲存庫。請記住，您將需要存取自己的 Google 雲端硬碟，因為我們將使用本機系統中的資料。

環境

我們將在整本書中使用名為practicaldl的virtualenv 。此virtualenv的requirements.txt位於根目錄中。安裝virtualenv說明和說明位於常見問題文件的安裝部分。

錯誤報告

請根據貢獻提交問題，我們將進行調查。

關於作者

@AnirudhKoul是一位著名的人工智慧專家、UN/TEDx 演講者和微軟人工智慧與研究中心的前科學家，他在微軟人工智慧與研究中心創立了Seeing AI，該技術通常被認為是繼iPhone 之後盲人社區中最常使用的技術。 Anirudh 擔任Aira 的人工智慧與研究主管，被《時代》雜誌評為2018 年最佳發明之一。應用研究經驗。他一直致力於使用人工智慧技術開發擴增實境、機器人、語音、生產力以及輔助功能等技術。他在AI for Good 領域的工作被IEEE 稱為“改變生活”，獲得了CES、FCC、MIT、坎城國際創意節、美國盲人理事會的獎項，並在聯合國、世界經濟論壇、白宮的活動中進行了展示、上議院、Netflix、國家地理，並受到賈斯汀·特魯多和特蕾莎·梅等世界領導人的讚揚。

@SiddhaGanju是一位 AI 研究員，曾入選福布斯 30 歲以下 30 歲以下人物名單，也是 Nvidia 的自動駕駛架構師。身為 NASA FDL 的人工智慧顧問，她幫助 NASA 的 CAMS 計畫建立了自動流星探測管道，最終發現了一顆彗星。此前，她在 Deep Vision 工作，為資源受限的邊緣設備開發了深度學習模型。她的工作範圍從視覺問答到生成對抗網絡，再到從 CERN 的 PB 級數據中收集見解，並已在 CVPR 和 NeurIPS 等頂級會議上發表。她曾在包括 CES 在內的許多國際科技競賽中擔任特邀評審。作為技術多樣性和包容性的倡導者，她在學校和大學發表演講，以激勵和發展來自各種背景的新一代技術。

@MeherKasam是一位經驗豐富的軟體開發人員，每天都有數千萬用戶使用應用程式。目前，他是 Square 的 iOS 開發人員，之前曾在 Microsoft 和 Amazon 工作過，他為一系列應用程式提供了功能，從 Square 的銷售點到 Bing iPhone 應用程式。此前，他曾在微軟工作，擔任 Seeing AI 應用程式的行動開發主管，該應用程式獲得了行動世界大會、CES、FCC 和美國盲人委員會等的廣泛認可和獎項。他本質上是一名黑客，具有快速原型設計的天賦，他贏得了多次黑客馬拉松，並將其轉化為廣泛使用的產品中提供的功能。他也擔任全球移動獎和愛迪生獎等國際競賽的評審。

引文

如果您使用我們的程式碼，請引用我們。

 @book{Koul2019PracticalDLBook,
  title={Practical Deep Learning for Cloud, Mobile and Edge: Real-World AI and Computer Vision Projects Using Python, Keras and TensorFlow},
  author={Koul, A. and Ganju, S. and Kasam, M.},
  isbn={9781492034865},
  url={https://www.oreilly.com/library/view/practical-deep-learning/9781492034858/},
  year={2019},
  publisher={O'Reilly Media, Incorporated}
}