“第 5 章”,“通过 API 进行深度学习”介绍 API 的概念及其在软件开发中的重要性。 此外,本章将继续展示不同深度学习 API 的示例。 最后,本章介绍了一种选择深度学习 API 提供程序以适合特定用例的方法。 涵盖的深度学习 API 是 Vision API,Text API 等。
“第 6 章”,*使用 Python* 在 Google Cloud Platform 上进行深度学习,介绍了 Google Cloud Platform 为 Web 开发人员提供的集成到他们的网站中的产品。 重点是 Dialogflow,它可用于制作聊天机器人和对话式 AI。 Cloud Inference API,可用于构建良好的推荐系统; 以及 Translation API,该 API 用于为不同地区的用户提供其语言的网站内容。 本章详细讨论了它们的应用程序,还演示了将其与 Python 一起使用的基本方法。
“第 6 章”,“使用 Python 在 Google Cloud Platform 上进行深度学习”,介绍了 Google Cloud Platform 为 Web 开发人员提供的集成到他们的网站中的产品。 重点是 Dialogflow,它可用于制作聊天机器人和对话式 AI。 Cloud Inference API,可用于构建良好的推荐系统; 以及 Translation API,该 API 用于为不同地区的用户提供其语言的网站内容。 本章详细讨论了它们的应用程序,还演示了将其与 Python 一起使用的基本方法。
“第 7 章”,*在 AWS 上使用 Python 的 DL:对象检测和家庭自动化*介绍了 Amazon Web Services,并简要介绍了各种产品,包括 Alexa API 和 Rekognition API。 Alexa API 可用于构建家庭自动化 Web 应用程序和其他交互式界面,而 Rekognition API 可用于检测照片和视频中的人和物体。
“第 7 章”,“在 AWS 上使用 Python 的 DL:对象检测和家庭自动化”介绍了 Amazon Web Services,并简要介绍了各种产品,包括 Alexa API 和 Rekognition API。 Alexa API 可用于构建家庭自动化 Web 应用程序和其他交互式界面,而 Rekognition API 可用于检测照片和视频中的人和物体。
“第 8 章”,*使用 Python* 在 Microsoft Azure 上进行深度学习,介绍了 Microsoft Azure 云服务,重点介绍了认知工具包,该工具包是 Microsoft 替代 TensorFlow 的 Emotion API 的工具,可用于确定 一个人的面部照片所产生的情感以及 Text-to-Speech API(可用于从文本中产生听起来自然的声音)。
“第 8 章”,“使用 Python 在 Microsoft Azure 上进行深度学习”,介绍了 Microsoft Azure 云服务,重点介绍了认知工具包,该工具包是 Microsoft 替代 TensorFlow 的 Emotion API 的工具,可用于确定 一个人的面部照片所产生的情感以及 Text-to-Speech API(可用于从文本中产生听起来自然的声音)。
“第 11 章”,“DIY – Web DL 生产环境”讨论了在生产中更新模型的方法以及如何根据需求选择正确的方法。 我们从简要概述开始,然后演示一些用于创建深度学习数据流的著名工具。 最后,我们实现在线学习或增量学习的演示,以建立生产中模型更新的方法。
“第 12 章”,*使用 DL API 和客户支持聊天机器人创建 E2E Web 应用程序*介绍自然语言处理,并讨论如何创建聊天机器人以使用 Dialogflow 解决一般客户支持查询并将其集成 进入 Django 和 Flask 网站。 我们探索实现机器人个性的方法以及如何使这种系统资源有效。 我们还介绍了一种使用 Python 实现基于文本到语音和基于语音到文本的用户界面的方法。
“第 12 章”,“使用 DL API 和客户支持聊天机器人创建 E2E Web 应用程序”介绍自然语言处理,并讨论如何创建聊天机器人以使用 Dialogflow 解决一般客户支持查询并将其集成 进入 Django 和 Flask 网站。 我们探索实现机器人个性的方法以及如何使这种系统资源有效。 我们还介绍了一种使用 Python 实现基于文本到语音和基于语音到文本的用户界面的方法。
[附录](../Text/13.html),*网络上深度学习的成功案例和新兴领域*举例说明了一些最著名的网站,这些网站的产品很大程度上依赖于利用深度学习的力量。 本章还讨论了可以通过深度学习得到增强的 Web 开发中的一些关键研究领域。 这将帮助您更深入地研究 Web 技术和深度学习的融合,并激发您提出自己的智能 Web 应用程序。
附录,“网络上深度学习的成功案例和新兴领域”举例说明了一些最著名的网站,这些网站的产品很大程度上依赖于利用深度学习的力量。 本章还讨论了可以通过深度学习得到增强的 Web 开发中的一些关键研究领域。 这将帮助您更深入地研究 Web 技术和深度学习的融合,并激发您提出自己的智能 Web 应用程序。
任何 ML 系统都将获得**数据**。 没有数据,实际上不可能设计 ML 系统。 到目前为止,我们并不担心数据的数量,但请务必记住,我们需要数据来设计 ML 系统。 有了这些数据后,我们将其用于*训练[MLG5]我们的机器学习系统,以便它们可以用于*在新数据上预测某些*(*一些*是 术语,因问题而异)。 因此,用于训练目的的数据称为**训练集**,对其进行测试的数据称为**测试集**。 同样,在将模型实际应用于测试数据之前,我们倾向于在另一组数据上验证其性能,这称为**验证集**。 有时,我们不会在这些漂亮的分区中获得数据; 我们只是以原始的无法理解的格式获取数据,我们将对其进行进一步处理并进行相应的分区。*
任何 ML 系统都将获得**数据**。 没有数据,实际上不可能设计 ML 系统。 到目前为止,我们并不担心数据的数量,但请务必记住,我们需要数据来设计 ML 系统。 有了这些数据后,我们将其用于*训练*我们的机器学习系统,以便它们可以用于在新数据上*预测*某些东西(*某些东西*是更广的项目,因问题而异)。 因此,用于训练目的的数据称为**训练集**,对其进行测试的数据称为**测试集**。 同样,在将模型实际应用于测试数据之前,我们倾向于在另一组数据上验证其性能,这称为**验证集**。 有时,我们不会在这些漂亮的分区中获得数据; 我们只是以原始的无法理解的格式获取数据,我们将对其进行进一步处理并进行相应的分区。*
到目前为止,我们已经拥有了相当不错的数据。 在数据建模过程中,我们将训练数据输入到 ML 模型中进行训练,我们监视其训练进度并调整不同的超参数,从而优化其性能,并在测试集上对模型进行评估。 *模型比较*也是此阶段的一部分。 这确实是一个*迭代*过程,并且在某种程度上涉及*反复试验*。
这里的主要目的是提出一个最能代表数据的 ML 模型,即*很好地概括了*。 计算时间是我们在这里必须考虑的另一个因素,因为我们需要一个性能良好但在可行的时间范围内能够优化特定业务成果的模型。
这里的主要目的是提出一个最能代表数据的 ML 模型,即*很好地泛化*。 计算时间是我们在这里必须考虑的另一个因素,因为我们需要一个性能良好但在可行的时间范围内能够优化特定业务成果的模型。
以下是构成建模核心的部分:
...
...
@@ -314,7 +314,7 @@ ML 上下文中的差异涉及数据中存在的信息。 因此,高方差是
# 模型训练
这是建模的基础部分,因为我们将数据介绍给不同的 ML 模型,然后**训练**模型,以便它可以全面了解数据的表示形式。 我们可以看到模型在使用*训练错误*进行训练期间的进展。 我们也经常将*验证错误*(这意味着我们同时验证模型训练)引入此图片中,这是一种标准做法。 当今大多数现代图书馆都允许我们这样做,我们将在本书的后续章节中看到它。 现在,我们将讨论一些最常用的错误指标。
这是建模的基础部分,因为我们将数据介绍给不同的 ML 模型,然后**训练**模型,以便它可以全面了解数据的表示形式。 我们可以看到模型在使用*训练误差*进行训练期间的进展。 我们也经常将*验证误差*(这意味着我们同时验证模型训练)引入此图片中,这是一种标准做法。 当今大多数现代图书馆都允许我们这样做,我们将在本书的后续章节中看到它。 现在,我们将讨论一些最常用的错误指标。
# 模型评估
...
...
@@ -378,7 +378,7 @@ ML 模型带有不同的*超参数*,这些超参数无法从模型训练中学
要更深入地学习 ML 的基础知识,建议您阅读以下资源:[《Google 的机器学习速成课程》](https://developers.google.com/machine-learning/crash-course/)和[《Python 机器学习》](https://india.packtpub.com/in/big-data-and-business-intelligence/python-machine-learning)。
@@ -259,7 +259,7 @@ Here, we are taking the partial derivative of *J(w,b)* with respect to the weigh
这些权重和偏差的新分配基本上称为*反向传播*,并且它是与*梯度下降*结合完成的。 在计算了权重和偏差的新值之后,重复整个前向传播过程,直到 NN 模型得到很好的概括。 请注意,这些规则仅适用于一个实例,前提是该实例仅具有一项功能。 在包含多个功能的多个实例上执行此操作可能很困难,因此,我们将跳过该部分,但是,有兴趣看到此功能的完整版本的人员可以参考 Andrew Ng 的在线讲座。
前面的示例和相关警告暗示了 AI 后端和几乎每个自动化系统中的一般安全威胁-不可信输入的危害。 因此,重要的是要正确验证可能在模型中输入的任何数据(无论是在培训还是测试中),以确保不会对系统造成任何严重问题。
对生产中的模型进行连续监视也很重要。 模型通常会过时和过时,并且冒着过一会儿做出过时的预测的风险。 重要的是要检查 AI 模型所做的预测的相关性。 考虑一个只了解 CD-ROM 和软盘的人。 随着时间的流逝,我们想到了 USB 驱动器和固态磁盘。 此人将无法对最近的设备做出任何明智的决定。 同样,从 2000 年代初开始针对文本转储训练的**自然语言处理**(**NLP**)模型将无法理解有人问*的对话。 复仇者联盟:残局的 Wiki 链接?*。
对生产中的模型进行连续监视也很重要。 模型通常会过时和过时,并且冒着过一会儿做出过时的预测的风险。 重要的是要检查 AI 模型所做的预测的相关性。 考虑一个只了解 CD-ROM 和软盘的人。 随着时间的流逝,我们想到了 USB 驱动器和固态磁盘。 此人将无法对最近的设备做出任何明智的决定。 同样,从 2000 年代初开始针对文本转储训练的**自然语言处理**(**NLP**)模型将无法理解有人问`Can you please WhatsApp me the wiki link for Avengers: Endgame?`的对话。