| |
深度學習實務應用｜雲端、行動與邊緣裝置
|
|
| Practical Deep Learning for Cloud, Mobile and Edge |
|
|
| |
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
| |
|
|
| |
使用Python、Keras與TensorFlow於人工智慧與電腦視覺專案
「標題中包含了實用是很有根據的。現今產業中的機器學習實務有兩個優先事項：員工需要提升技能以及模型需要微調。本書是朝向兩者的捷徑。」 -Paco Nathan，Derwen AI創辦人
不論您是一位渴望進入人工智慧世界的軟體工程師，還是經驗老到的資料科學家，或是夢想著要建立下一個廣受歡迎的人工智慧應用程式的愛好者，您可能都會想要知道要如何開始進行。本書一步步的教導您如何為雲端、行動裝置、瀏覽器與邊緣裝置建立實用的深度學習應用。
藉由多年來將深度學習研究轉換為獲獎應用程式的產業經驗，本書的三位作者會指導您如何將想法創意轉換為人們可以使用的事物。
．以Keras、TensorFlow、Core ML與TensorFlow Lite訓練、調校及部署電腦視覺模型
．為各式裝置開發人工智慧應用，包括Raspberry Pi、Jetson Nano及Google Coral
．探索有趣的專案，從矽谷的Not Hotdog應用程式到Google等級的影像搜尋，還有超過40個案例探討與產業範例
．在電腦遊戲環境中模擬自動駕駛汽車，並使用增強式學習來建立微型版本
．使用遷移學習在幾分鐘內訓練模型
．發掘用來最大化模型準確度與時間、除錯、以及調整至數百萬使用者規模的實用指示
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
目錄
第 1 章 探索人工智慧的景色
第 2 章 畫中所言為何：用Keras進行影像分類
第 3 章 貓狗大戰：用Keras在30行內搞定遷移學習
第 4 章 建立反向影像搜尋引擎：了解嵌入
第 5 章 從菜鳥到大師級預測器：最大化捲積類神經網路的準確度
第 6 章 最大化TensorFlow之速度與效能：便利的清單
第 7 章 實用工具、提示與技巧
第 8 章 電腦視覺雲端API：15分鐘內開始運行
第 9 章 使用TensorFlow Serving與KubeFlow進行雲端可擴展推論服務
第 10 章 使用TensorFlow.js與ml5.js在瀏覽器上運行人工智慧
第 11 章 使用Core ML在iOS上進行即時物件分類
第 12 章 使用Core ML與Create ML建立iOS上的Not Hotdog
第 13 章 食物界的Shazam：使用TensorFlow Lite和ML Kit來開發Android應用程式
第 14 章 使用TensorFlow物件偵測API建立完美的喵星人定位應用程式
第 15 章 成為自造者：探索邊緣裝置上的嵌入式人工智慧
第 16 章 使用Keras進行端到端深度學習模擬自駕車
第 17 章 一小時內建造一部自駕車：在AWS DeepRacer使用增強式學習 |
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
作者簡介
Anirudh Koul
為知名的人工智慧專家、聯合國/TEDx講者、以及Microsoft AI & Research前資深科學家，他在那裡創建了Seeing AI，常被認為是盲人社群中除了iPhone之外最常被使用的技術。
Siddha Ganju
是是Nvidia的自動駕駛設計師。她被富比士雜誌列入「傑出青年」(30 under 30)之中。較早時她在Deep Vision為資源受限的邊緣裝置開發深度學習模型。
Meher Kasam
是一位經驗老到的軟體開發人員，他所寫的應用程式每天都被數千萬的使用者使用。目前他是Square的iOS開發人員，並且曾經在微軟和亞馬遜工作過，他為Square以及微軟開發了各種應用程式，從Square的Point of Sale到Bing iPhone應用程式。
|
|
| |
|
|
| |
|
|
| |
|
|
|
.jpg)
.jpg)
