2020-12-23 21:36:55

new/handson-dl-img-tf/0.md

@@ -44,9 +44,9 @@ TensorFlow 是 Google 流行的机器学习和深度学习产品。 它已迅速
 
 下载文件后，请确保使用以下最新版本解压缩或解压缩文件夹：
 
-*   Windows 的 WinRAR / 7-Zip
-*   Mac 版 Zipeg / iZip / UnRarX
-*   适用于 Linux 的 7-Zip / PeaZip
+*   Windows 的 WinRAR/7-Zip
+*   Mac 版 Zipeg/iZip/UnRarX
+*   适用于 Linux 的 7-Zip/PeaZip
 
 本书的代码包也托管在 [GitHub](https://github.com/PacktPublishing/Hands-On-Deep-Learning-for-Images-with-TensorFlow)。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。
 

new/handson-dl-img-tf/1.md

@@ -25,7 +25,7 @@ Docker 安装程序窗口
 
 ![](img/2b2fea71-0d0d-4dd8-b2a1-befc8d3d89b0.png)
 
-输出— docker --help 命令
+`docker --help`命令的输出
 
 现在，为了获得 GPU 支持，这将使您的 Keras 和 TensorFlow 模型运行得更快，有一个名为`nvidia-docker`的特殊版本，该版本将 Ubuntu 上的设备暴露给 Docker 容器以允许 GPU 加速。 也有一个安装脚本（`install-nvidia-docker.sh`）。 现在，假设您确实有一个真正的 NVIDIA 图形卡，则可以使用 NVIDIA Docker 代替 Docker。
 
@@ -87,7 +87,7 @@ Docker 文件代码
 
 Docker 文件代码
 
-这将允许访问计算机上的本地硬盘驱动器，以便在编辑和处理文件时文件不会在容器内丢失。 然后，我们公开了一个共享 IPython Notebook 的端口。 因此，该容器将提供端口`8888`，并在该容器上运行 IPython Notebook，然后您就可以直接从 PC 对其进行访问。
+这将允许访问计算机上的本地硬盘驱动器，以便在编辑和处理文件时文件不会在容器内丢失。 然后，我们公开了一个共享 IPython 笔记本的端口。 因此，该容器将提供端口`8888`，并在该容器上运行 IPython 笔记本，然后您就可以直接从 PC 对其进行访问。
 
 请记住，这些设置是从容器的角度来看的：当我们说`VOLUME src`时，我们真正要说的是在容器上创建一个`/src`，该容器准备从任何主机上接收金额 ，我们将在后面的部分中实际运行容器时进行操作。 然后，我们说`USER keras`：这是我们之前创建的用户。 之后，我们说`WORKDIR`，它表示当我们最终运行命令`jupyter notebook`时，将`/src`目录用作当前工作目录。 这将设置所有内容，以便我们具有一些合理的默认值。 我们正在以期望的用户身份运行，并且将要进入的目录位于我们期望运行的目录中，该命令将从 Docker 的容器中显示在网络端口上。
 
@@ -97,7 +97,7 @@ Docker 文件代码
 
 在本节中，我们将研究在 Docker 容器和桌面之间共享数据。 我们将介绍一些必要的安全设置以允许访问。 然后，我们将运行自检以确保正确设置了这些安全性设置，最后，我们将运行实际的 Docker 文件。
 
-现在，假设您已经安装并运行了 Docker，则需要从 Settings ...菜单中的可爱小鲸鱼进入 Docker 设置。 因此，转到任务栏的右下角，右键单击鲸鱼，然后选择设置...：
+现在，假设您已经安装并运行了 Docker，则需要从“设置...”菜单中的可爱小鲸鱼进入 Docker 设置。 因此，转到任务栏的右下角，右键单击鲸鱼，然后选择“设置...”：
 
 ![](img/4a9a7551-a774-4382-948a-485731b746d5.png)
 
@@ -121,13 +121,13 @@ C:\11519>docker run --rm -v c:/Users:/data alpine ls /data
 
 ![](img/d4dc4f68-eb72-4e56-94c9-ad9ab71194cb.png)
 
-输出— ls 命令
+`ls`命令的输出
 
 请注意，如果您在 Linux 上运行，则无需执行以下任何步骤； 您只需使用`sudo`运行 Docker 命令，具体取决于您实际共享的文件系统。 在这里，我们同时运行`docker`和`nvidia-docker`以确保我们可以访问主目录：
 
 ![](img/552dc1df-c683-4e18-bc80-f205e980d898.png)
 
-运行 docker 和 nvidia-docker
+运行 docker 和`nvidia-docker`
 
 请记住，`nvidia-docker`是 Docker 的专用版本，带有带有很好的便捷包装的插件，可从 Docker 容器中看到 Linux 安装上的本地 GPU 设备。 如果您打算使用 GPU 支持，则需要记住使用`nvidia-docker`运行它。
 
@@ -141,7 +141,7 @@ C:\11519>docker build -t keras .
 
 ![](img/db2fb676-3474-4036-a5c5-f01cdef15e6c.png)
 
-输出-Docker 构建
+Docker 构建输出
 
 请注意，但是，第一次运行可能要花费 30 分钟。
 
@@ -153,7 +153,7 @@ C:\11519>docker build -t keras .
 
 既然我们已经构建了 Docker 文件并使其可读，那么我们将在容器内运行 REST 服务。 在本节中，我们将研究运行 Docker 以及正确的命令行参数，REST 服务中公开的 URL，最后，我们将验证 Keras 是否已完全安装并正常运行。
 
-现在要获得回报：实际上，我们将使用 docker run 命令运行我们的容器。 我们将在这里传递几个开关。 `-p`会告诉我们容器上的端口`8888`是我们 PC 上的端口`8888`，以及`-v`命令（我们实际上将挂载本地工作目录，这是我们克隆的位置） 来自 GitHub 的源代码）将安装到容器的卷中：
+现在要获得回报：实际上，我们将使用`docker run`命令运行我们的容器。 我们将在这里传递几个开关。 `-p`会告诉我们容器上的端口`8888`是我们 PC 上的端口`8888`，以及`-v`命令（我们实际上将挂载本地工作目录，这是我们克隆的位置） 来自 GitHub 的源代码）将安装到容器的卷中：
 
 ```py
 C:\11519>docker run -p 8888:8888 -v C:/11519/:/src keras
@@ -185,13 +185,13 @@ C:\11519>docker run -p 8888:8888 -v C:/11519/:/src keras
 sudo nvidia-docker run -p 8888:8888 -v ~/kerasvideo/:/src keras-gpu
 ```
 
-否则，命令行开关与实际运行直线 Keras 容器的方式相同，除了它们分别为`nvidia-docker`和`keras-gpu`。 现在，一旦容器启动并运行，您将获得一个 URL，然后您将使用该 URL 并将其粘贴到浏览器中以访问由该容器提供的 IPython Notebook：
+否则，命令行开关与实际运行直线 Keras 容器的方式相同，除了它们分别为`nvidia-docker`和`keras-gpu`。 现在，一旦容器启动并运行，您将获得一个 URL，然后您将使用该 URL 并将其粘贴到浏览器中以访问由该容器提供的 IPython 笔记本：
 
 ![](img/d5b6f9ac-dc2a-4e2c-b394-821ece73e87f.png)
 
 输出-在 Ubuntu 系统上运行的 docker
 
-现在，我们将继续快速制作一个新的 IPython Notebook。 当它启动时，我们将`import keras`，确保它加载，然后花一秒钟才能出现：
+现在，我们将继续快速制作一个新的 IPython 笔记本。 当它启动时，我们将`import keras`，确保它加载，然后花一秒钟才能出现：
 
 ![](img/3a6fd76f-d86e-4e82-ac86-aa574a8609c7.png)
 
@@ -216,7 +216,7 @@ print(device_lib.list_local_devices())
 
 ![](img/3e1688cd-d7ab-40b9-82fe-5e5a59e41d82.png)
 
-浏览器窗口（lacalhost）
+浏览器窗口（`localhost`）
 
 糟糕！ 由于`0.0.0.0`不是真实的计算机，因此无法达到； 我们将其切换为`localhost`，点击“输入”，然后确定我们有一个 IPython 笔记本：
 
@@ -224,11 +224,11 @@ print(device_lib.list_local_devices())
 
 IPython 笔记本
 
-我们将继续创建一个新的 Python 3 Notebook，并通过查看是否可以导入`keras`库并确保一切正常来对其进行快速测试。
+我们将继续创建一个新的 Python 3 笔记本，并通过查看是否可以导入`keras`库并确保一切正常来对其进行快速测试。
 
 看起来我们都准备好了。 我们的 TensorFlow 后端很不错！
 
-这是我们将在本书中运行的环境：充分准备并准备就绪的 Docker 容器，因此您需要做的就是启动它，运行它，然后与内部托管的 Keras 和 IPython Notebooks 一起使用。 这样您每次都可以拥有一个轻松，可重复的环境。
+这是我们将在本书中运行的环境：充分准备并准备就绪的 Docker 容器，因此您需要做的就是启动它，运行它，然后与内部托管的 Keras 和 IPython 笔记本一起使用。 这样您每次都可以拥有一个轻松，可重复的环境。
 
 # 概要
 

new/handson-dl-img-tf/2.md

@@ -10,7 +10,7 @@
 
 现在，让我们了解 MNIST 数字。 在本节中，我们将介绍为帮助我们了解如何处理图像数据而准备的`ImageData`笔记本； 下载并获取 MNIST 数字； 将图像视为原始数字； 最后，根据此数值数据可视化实际图像。
 
-我们将要使用的代码包含在 IPython Notebook 中。 这是我们设置容器的方式，因此您将像在设置机器学习工具包最后提到的那样运行容器。 我还准备了要使用的`ImageData` IPython Notebook。 我们将首先导入所有必需的软件包，然后打开 Matplotlib 以便自动进行绘图。 这意味着当我们显示图像时，我们不必调用`.plot`； 会自动为我们完成：
+我们将要使用的代码包含在 IPython 笔记本中。 这是我们设置容器的方式，因此您将像在设置机器学习工具包最后提到的那样运行容器。 我还准备了要使用的`ImageData` IPython 笔记本。 我们将首先导入所有必需的软件包，然后打开 Matplotlib 以便自动进行绘图。 这意味着当我们显示图像时，我们不必调用`.plot`； 会自动为我们完成：
 
 ![](img/47fe23e8-1eae-4c41-af2d-61c998729f07.png)
 
@@ -20,7 +20,7 @@ Keras 实际上具有内置的 MNIST 数字作为数据集，因此我们将使
 
 您需要互联网连接，因为它将要从 Amazon S3 作为文件下载这些文件。
 
-在加载数据时，将有一个 Python 元组，我们将把 iPn 解压缩为两组：**训练集**和**测试集**：
+在加载数据时，将有一个 Python 元组，我们将把它解压缩为两组：**训练集**和**测试集**：
 
 ![](img/953f412b-59a2-4a70-80de-26659d048c70.png)
 
@@ -96,7 +96,7 @@ Python 元组
 
 ![](img/94d95ea1-3af8-40d5-966e-7b100103a840.png)
 
-o 到 9 个预测
+0 到 9 的预测
 
 因此，为此，我们将使用数据转换技巧。 这种事情称为“一次热编码”，在这里您可以获取一系列标签可能性，在这种情况下，将数字`0`至`9`转换为一种位图，其中每个选项都编码为 一列，并且对于每个给定的数据样本，只有一列设置为`1`（因此为一热）：
 

new/handson-dl-img-tf/3.md

@@ -23,7 +23,7 @@
 
 这就是中间的这两个循环。 他们在每个输入和每个激活之间，然后在每个激活和每个输出之间都处于优势地位。 这就是定义密集神经网络的原因：所有输入和所有激活之间以及所有激活和所有输出之间的完全连接。 如您所见，它生成的图片连接紧密，因此得名！
 
-现在，让我们使用 28 x 28 像素的网格（即输入网络）将其扩展到二维，然后再进行学习的 28 x 28 像素的激活网络。 最终，我们将进入`10`位置分类网络，在该网络中我们将预测输出数字。 从以下屏幕快照中的黑色互连线中，您可以看到这是一个非常密集的结构：
+现在，让我们使用`28 x 28`像素的网格（即输入网络）将其扩展到二维，然后再进行学习的`28 x 28`像素的激活网络。 最终，我们将进入`10`位置分类网络，在该网络中我们将预测输出数字。 从以下屏幕快照中的黑色互连线中，您可以看到这是一个非常密集的结构：
 
 ![](img/06a89c6e-c757-454e-af07-43488b7bb4a6.png)
 
@@ -41,7 +41,7 @@
 
 ![](img/cc268de7-1528-421d-8da7-1f54973a0fde.png)
 
-Sigmoid功能
+Sigmoid 函数
 
 这是一种 S 曲线，范围从零到一。 它实际上是由 e 构成的一个指数和一个比率。 现在，好消息是您实际上不必编写在这里看到的数学代码，因为当我们想在 Keras 中使用`sigmoid`时，我们只需使用名称`sigmoid`来引用它即可。
 
@@ -75,7 +75,7 @@ ReLu 非线性函数-大于零。
 
 数字叠
 
-这很重要，这样您才能知道哪个答案最有可能。 因此，作为我们可以用来理解`softmax`的示例，让我们看一下我们的值数组。 我们可以看到有三个值。 假设神经网络输出为`1`，`2`和`5`。 我们正在尝试将它们分为红色，绿色和蓝色类别。 现在，我们通过`softmax`运行它，我们可以看到概率分数。 如您在此处可以清楚看到的那样，它应该是蓝色，并表示为概率。 读出`softmax`的方法是使用`argmax`。 您查看具有最高值的单元格，并将该索引提取为您的预测类。 但是，如果您查看实际数字-`1`，`2`和`5`-您会发现它们总计为八，但是`5`的输出概率为`0.93`。 这是因为`softmax`使用指数函数。 这不仅仅是数字的线性组合，例如将五除以八，然后说 5/8 是该类别中的概率。 我们在这里所说的是，最强的信号将主导较弱的信号，并且该指数实际上将超过具有较高值的​​类的概率，因此当事物相对接近时，您的神经网络在分类方面会更有效。 记住，使用实际的神经网络，您将不会输出漂亮的`1`，`2`和`5`数字-您将输出相对较小的十进制数字，例如`0.00007`， 小的浮点数，然后我们需要将它们分成几类。
+这很重要，这样您才能知道哪个答案最有可能。 因此，作为我们可以用来理解`softmax`的示例，让我们看一下我们的值数组。 我们可以看到有三个值。 假设神经网络输出为`1`，`2`和`5`。 我们正在尝试将它们分为红色，绿色和蓝色类别。 现在，我们通过`softmax`运行它，我们可以看到概率分数。 如您在此处可以清楚看到的那样，它应该是蓝色，并表示为概率。 读出`softmax`的方法是使用`argmax`。 您查看具有最高值的单元格，并将该索引提取为您的预测类。 但是，如果您查看实际数字-`1`，`2`和`5`-您会发现它们总计为八，但是`5`的输出概率为`0.93`。 这是因为`softmax`使用指数函数。 这不仅仅是数字的线性组合，例如将五除以八，然后说`5/8`是该类别中的概率。 我们在这里所说的是，最强的信号将主导较弱的信号，并且该指数实际上将超过具有较高值的​​类的概率，因此当事物相对接近时，您的神经网络在分类方面会更有效。 记住，使用实际的神经网络，您将不会输出漂亮的`1`，`2`和`5`数字-您将输出相对较小的十进制数字，例如`0.00007`， 小的浮点数，然后我们需要将它们分成几类。
 
 现在您可能想知道为什么我们应该考虑这一点，因为您可以轻松地从数字`1`，`2`和`5`看出`5`是最大的值。 好吧，这个想法是，如果您将事情表示为概率，则可以模拟信心。 从某种意义上讲，您可以在模型之间共享分数，并且知道您的模型实际的自信程度。 另外，不同的型号将在不同的范围内输出不同的数字。 仅仅因为您在尝试的第一个模型中放入了`1`，`2`或`5`，这并不意味着它们在另一个模型中具有相同的相对值。 因此，将它们粉碎成概率可以进行比较。 现在，有了这些数学知识，我们就可以开始研究构建实际的神经网络了。 好消息是您实际上不需要记住或知道我们刚才列出的数学。 您只需要记住数学部分的名称，因为在 Keras 中，您使用简单的名称引用了激活函数。
 
@@ -93,7 +93,7 @@ ReLu 非线性函数-大于零。
 
 ![](img/7b333062-bed5-400c-9745-34d7cdc2d593.png)
 
-加载.shape（训练）
+加载`.shape`（训练）
 
 在这两种情况下，第一维均为`60000`，但请查看第二维和第三维（`28`和`28`）（即输入图像的大小）和`10`图。 好吧，这些并不一定要匹配，因为通过模型运行此模型时，我们正在做的是将数据从`28`，`28`维度转换为`10`维度。
 
@@ -101,7 +101,7 @@ ReLu 非线性函数-大于零。
 
 ![](img/ea5329a4-d888-4df8-99f8-980ca7330c32.png)
 
-加载.shape（测试）
+加载`.shape`（测试）
 
 这些尺寸以适当的方式匹配非常重要。 因此，对于训练集，第一个维度必须与您的`x`和`y`值（您的输入和输出）匹配，并且在您的测试集上，同样必须正确。 但也请注意，训练和测试数据的第二和第三个维度`28`和`28`相同，而测试和训练数据的`10`（输出维度）相同。 准备信息时，最常见的错误之一就是不对这些数据集进行排序。 但为什么？！ 一言以蔽之：**过拟合**。
 
@@ -121,15 +121,15 @@ ReLu 非线性函数-大于零。
 
 Keras 功能模型
 
-我们从一个输入层开始，该输入层的形状与我们的一个输入样本相同。 在我们的案例中，我们选择了一张训练图像，从上一课中我们知道它的尺寸为 28x28 像素。 现在，我们将其传递给堆栈。 紧随其后的是`dropout_1`，紧接着是`dropout_2`，然后我们最终变成`softmax`激活，将其切换到输出层。 然后，我们将这些作为输入和输出组合到模型中。 然后，我们打印`summary`，如下所示：
+我们从一个输入层开始，该输入层的形状与我们的一个输入样本相同。 在我们的案例中，我们选择了一张训练图像，从上一课中我们知道它的尺寸为`28x28`像素。 现在，我们将其传递给堆栈。 紧随其后的是`dropout_1`，紧接着是`dropout_2`，然后我们最终变成`softmax`激活，将其切换到输出层。 然后，我们将这些作为输入和输出组合到模型中。 然后，我们打印`summary`，如下所示：
 
 ![](img/d4a8fa97-4247-4cd4-9752-beaa163ae9df.png)
 
 模型摘要输出
 
-因此，您可以从中看到，首先将参数传递给图层，然后将图层本身传递以形成链。 那么，这些`Dropout`和`Flatten`层又如何呢？ `Dropout`参数本质上是一个技巧。 当我们设置`Dropout`参数（这里是`0.1`）时，我们告诉神经网络要做的是在每个训练周期中随机断开 10% 的激活。 这是使神经网络学习概括。 这是真正的学习，而不是简单地记住输入数据。 `Flatten`层处理尺寸。 因为我们有一个二维的 28x28 像素输入图像，所以我们使用`Flatten`将其转换为`784`的长的一维数字字符串。 这被馈送到输出`softmax`层。
+因此，您可以从中看到，首先将参数传递给图层，然后将图层本身传递以形成链。 那么，这些`Dropout`和`Flatten`层又如何呢？ `Dropout`参数本质上是一个技巧。 当我们设置`Dropout`参数（这里是`0.1`）时，我们告诉神经网络要做的是在每个训练周期中随机断开 10% 的激活。 这是使神经网络学习概括。 这是真正的学习，而不是简单地记住输入数据。 `Flatten`层处理尺寸。 因为我们有一个二维的`28x28`像素输入图像，所以我们使用`Flatten`将其转换为`784`的长的一维数字字符串。 这被馈送到输出`softmax`层。
 
-打印出模型摘要是弄清参数大小和尺寸的好方法。 这最终成为使用 Keras 的棘手部分之一，例如当您有一组输入样本（在我们的示例中为 28x28 图像），并且您需要到那时将它们转换成包含十个可能输出值的单个数组 您进入`softmax`。 您可以看到形状在我们穿过每一层时如何变化。 最后，`Flatten`将每个样本的维数降低为一个维，然后将其转换为具有十个可能的输出值的维。
+打印出模型摘要是弄清参数大小和尺寸的好方法。 这最终成为使用 Keras 的棘手部分之一，例如当您有一组输入样本（在我们的示例中为`28x28`图像），并且您需要到那时将它们转换成包含十个可能输出值的单个数组 您进入`softmax`。 您可以看到形状在我们穿过每一层时如何变化。 最后，`Flatten`将每个样本的维数降低为一个维，然后将其转换为具有十个可能的输出值的维。
 
 好的，现在该运行模型了。 现在，我们了解了如何将包括`Dropout`和`Flatten`层在内的模型放到一起，我们将继续使用求解器，这是我们实际执行机器学习模型所使用的。
 
@@ -159,7 +159,7 @@ Keras 功能模型
 
 在本节中，我们将探讨超参数或无法完全通过机器学习的参数。
 
-我们还将介绍可训练的参数（这些是求解器学习的参数），不可训练的参数（模型中不需要训练的其他参数），最后，超参数（a 不能学习的参数） 传统的求解器）。
+我们还将介绍可训练的参数（这些是求解器学习的参数），不可训练的参数（模型中不需要训练的其他参数），最后，超参数（传统的求解器不能学习的参数）。
 
 在我们的“模型摘要输出”的屏幕截图中，请注意屏幕截图底部代码中突出显示的部分中可训练参数的数量。 这就是我们的模型`adam`优化器与我们的分类交叉熵`loss`函数一起将在模型内部包含的单个浮点数的数目，以便找到可能的最佳参数值。 因此，此可训练的参数编号是我们的`optimizer`函数学习的唯一编号集合。 但是，此代码和前面的屏幕快照中还有许多其他数字。 这些不可训练的参数呢？ 在我们当前的模型中，有零个不可训练参数。 但是，Keras 中不同种类的图层可能具有恒定值，因此它们将显示为不可训练的。 再次，这只是意味着不需要对其进行培训，并且我们的`optimizer`函数将不会尝试更改其值。