2021-01-06 10:31:25

new/handson-py-dl-web/00.md

@@ -67,9 +67,9 @@
 
 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-Python-Deep-Learning-for-Web) 上。 如果代码有更新，它将在现有的 GitHub 存储库中进行更新。
 

new/handson-py-dl-web/01.md

@@ -7,7 +7,7 @@
 
 随着我们步入软件 2.0 时代，了解为什么自 1950 年代以来就存在的一项技术成为当今大多数新闻的头等重要。 是! 人工智能诞生于 1950 年代，当时诸如 **Alan Turing** 之类的少数计算机科学家和数学家开始思考机器是否可以思考以及是否可以通过智能获得支持，以便他们可以自己回答问题 无需明确编程。
 
-自成立以来不久，**人工智能**一词由 **John McCarthy** 在 1956 年的一次学术会议上首次提出。 从问题“**机器可以思考吗？**”（由 Turing 在他的论文中提出，题目为《计算机械和智能》），直到 1950 年第 21 天 二十世纪，人工智能世界已经展现了一些我们从未想过的前所未有的成果。
+自成立以来不久，**人工智能**一词由 **John McCarthy** 在 1956 年的一次学术会议上首次提出。 从问题“**机器可以思考吗？**”（由图灵在他的论文中提出，题目为《计算机械和智能》），直到 1950 年第 21 天 二十世纪，人工智能世界已经展现了一些我们从未想过的前所未有的成果。
 
 今天，如果不使用**网络**，几乎不可能想到一天。 它已轻松成为我们的基本必需品之一。 我们最喜欢的搜索引擎可以直接回答我们的问题，而不是向我们提供相关链接的列表。 他们可以分析在线文本并检测其意图并总结其内容。 由于 AI，所有这些都是可能的。
 
@@ -72,7 +72,7 @@ AI 试图通过赋予我们一些规则来综合我们所谓的*智能*并将其
 
 算法是明确的步骤序列，可以解决给定的问题。 随着时间的流逝，随着科学的发展和人类借助数学对自然法则的理解，算法得到了改善。 大自然往往会启发人们解决复杂问题的方法。 神经网络可能是当今最受关注，自然启发的算法。
 
-当计算机逻辑以多个 if-else 阶梯开始时，没有人会想到有一天我们会拥有一种计算机程序，该程序可以学会产生类似于 if-else 阶梯的结果，而无需手动编写条件。 此外，我们今天拥有的计算机程序可以生成其他可以模拟 AI 的程序！
+当计算机逻辑以多个`if-else`阶梯开始时，没有人会想到有一天我们会拥有一种计算机程序，该程序可以学会产生类似于`if-else`阶梯的结果，而无需手动编写条件。 此外，我们今天拥有的计算机程序可以生成其他可以模拟 AI 的程序！
 
 当然，随着时间的流逝，由人类以及现在由机器开发的算法在执行任务时变得越来越聪明，功能越来越强大。 这直接影响了神经网络的兴起，而神经网络的基本形式似乎是解决矩阵和矢量算术问题的循环的耗时超级嵌套。
 
@@ -100,7 +100,7 @@ AI 试图通过赋予我们一些规则来综合我们所谓的*智能*并将其
 
 如果我们可以类似地训练机器怎么办？ 如果我们可以对他们进行编程，使他们可以从经验中学习并可以根据这些知识开始回答问题，该怎么办？ 嗯，这已经完成了，并且，无论是有意还是无意，我们所有人都在从中受益。 而这正是直觉上讨论 ML 的意义。 为了更正式，更标准的理解，让我们看一下汤姆·米切尔（Tom Mitchell）在他的书《机器学习》中的以下定义：
 
-“如果某个计算机程序在 T 上的性能（由 P 衡量）随着经验 E 的提高而改善，那么据说它可以从经验 E 中学习一些任务 T 和一些性能度量 P。”
+“如果某个计算机程序在`T`上的性能（由`P`衡量）随着经验`E`的提高而改善，那么据说它可以从经验`E`中学习一些任务`T`和一些性能度量`P`。”
 
 前面的定义是我们从直观的角度讨论 ML 的更为精确的版本。 在此必须注意，由于这种形式的 AI，我们今天看到的大多数 AI 向导都是可能的。
 
@@ -179,7 +179,7 @@ K-均值聚类，DBSCAN 和 Apriori 算法是用于无监督学习的一些最
 
 **强化学习**（**RL**）是 ML 的一种形式，其中虚拟代理试图学习如何与周围的环境互动，从而可以从中获得最大的回报。 一组特定的动作。
 
-让我们尝试通过一个小示例来理解这一点-例如，您构建了一个玩飞镖的机器人。 现在，仅当机器人击中飞镖板的中心时，它才会获得最大奖励。 它从掷飞镖开始，然后降落在最外圈。 它得到一定数量的点，例如 x1。 现在它知道在该区域附近投掷将产生预期值 x1。 因此，在下一次掷球时，它会稍微改变角度，并幸运地降落在第二最右端，并获得 x2 点。 由于 x2 大于 x1，因此机器人取得了更好的效果，并且将来会学会将其扔到该区域附近。 如果飞镖降落的距离比最外圈的还要远，则机器人会继续将飞镖扔到它所进行的第一次投掷附近，直到获得更好的结果。
+让我们尝试通过一个小示例来理解这一点-例如，您构建了一个玩飞镖的机器人。 现在，仅当机器人击中飞镖板的中心时，它才会获得最大奖励。 它从掷飞镖开始，然后降落在最外圈。 它得到一定数量的点，例如`x1`。 现在它知道在该区域附近投掷将产生预期值`x1`。 因此，在下一次掷球时，它会稍微改变角度，并幸运地降落在第二最右端，并获得`x2`点。 由于`x2`大于`x1`，因此机器人取得了更好的效果，并且将来会学会将其扔到该区域附近。 如果飞镖降落的距离比最外圈的还要远，则机器人会继续将飞镖扔到它所进行的第一次投掷附近，直到获得更好的结果。
 
 在几次这样的试验中，机器人一直在学习更好的投掷位置，并从这些位置绕行一些弯路，直到获得下一个更好的投掷位置为止。 最终，它找到了靶心，并且每次都达到最高点。
 
@@ -209,7 +209,7 @@ K-均值聚类，DBSCAN 和 Apriori 算法是用于无监督学习的一些最
 
 鼓励您观看吴安德（Andrew Ng）的讲座，[以了解有关此权衡的更多信息](https://www.youtube.com/watch?v=fDQkUN9yw44&t=293s)。
 
-偏差是 ML 算法为学习给定数据基础的表示而做出的一组假设。 当偏差高时，这意味着相应的算法将对数据进行更多的假设，而在偏差低的情况下，算法将进行尽可能少的假设。 据说 ML 模型在列车上表现良好时具有较低的偏差。 低偏差 ML 算法的一些示例是 k 近邻算法和支持向量机，而逻辑回归和朴素贝叶斯等算法通常是高偏差算法。
+偏差是 ML 算法为学习给定数据基础的表示而做出的一组假设。 当偏差高时，这意味着相应的算法将对数据进行更多的假设，而在偏差低的情况下，算法将进行尽可能少的假设。 据说 ML 模型在列车上表现良好时具有较低的偏差。 低偏差 ML 算法的一些示例是 K 近邻算法和支持向量机，而逻辑回归和朴素贝叶斯等算法通常是高偏差算法。
 
 ML 上下文中的差异涉及数据中存在的信息。 因此，高方差是指 ML 模型能够很好地捕获提供给它的数据中存在的全部信息的质量。 低方差正好相反。 诸如支持向量机之类的算法通常方差高，而诸如朴素贝叶斯之类的算法方差低。
 
@@ -460,8 +460,9 @@ Google 于 1998 年问世。它带来了 PageRank 技术。 但是，市场上
 
 AI 的突飞猛进使许多竞争者得以充分利用。 在过去的二十年中，数位个人，初创企业甚至大型工业家都在寻求从 AI 应用程序中获得的收益。 市场上有一些产品将人工智能作为其业务的核心。
 
-<q>“战争是 90% 的信息。”
--拿破仑·波拿巴，公元 18 世纪。</q>
+> “战争是 90% 的信息。”
+> 
+> ————拿破仑·波拿巴，公元 18 世纪。
 
 在第二次世界大战中，盟军部署了轰炸机。 这些是盟军采用的策略的关键。 但是不知何故，这些轰炸机未能交付，原因是它们在敌国领土上被大量击落。 很明显，轰炸机需要更多的装甲。 但是由于装甲的重量，不可能完全覆盖飞机。 因此，决定飞机的最关键区域应加装额外的装甲。 犹太数学家亚伯拉罕·瓦尔德（Abraham Wald）被要求提出一种方法，以确定飞机的哪些区域必须进行装甲。 他研究了从战斗中回来的飞机，并记下了哪些区域带有最多的子弹痕迹。
 
@@ -477,7 +478,7 @@ AI 的突飞猛进使许多竞争者得以充分利用。 在过去的二十年
 
 提到“人工智能”一词后，几乎每个人都想到了这个名字。
 
-“我们现在目睹了计算领域的新变化：从移动优先到人工智能优先的转变。” -Google 首席执行官 Sundar Pichai
+“我们现在目睹了计算领域的新变化：从移动优先到人工智能优先的转变。”——Google 首席执行官 Sundar Pichai
 
 Google 一直在其多种产品中使用 AI； 让我们在这里进行一些探讨。
 

new/master-cv-tf-2x/12.md

@@ -639,7 +639,7 @@ gcloud ai-platform jobs submit training $JOB_NAME \
 
 在 “第 6 章”，“使用迁移学习的视觉搜索”中，我们学习了如何在本地 PC 上进行视觉搜索。 该方法使用通过神经网络（例如 VGG16 或 ResNet）传递图像，并通过删除最后一个全连接层然后将其与数据库中已知类别的其他图像进行比较以将其转换为图像矢量，以找到最近的邻居。 匹配，然后显示结果。
 
-在示例中，我们从 200 张图像开始，但是如果图像数量达到 100 万张并且必须从网页访问结果，则在本地存储图像将毫无意义。 在这些情况下，云存储是最佳的。 在那种情况下，我们可以将图像向量存储，而不是将图像存储在云中，然后在用户上传图像时，将图像转换为向量并将其发送到云中进行处理。 在云中，我们执行 k 近邻搜索以找到并显示最接近的匹配项。 使用 REST API 或**消息队列遥测传输**（**MQTT**）服务将图像矢量上传到云中。 每个服务都有自己的安全性验证。
+在示例中，我们从 200 张图像开始，但是如果图像数量达到 100 万张并且必须从网页访问结果，则在本地存储图像将毫无意义。 在这些情况下，云存储是最佳的。 在那种情况下，我们可以将图像向量存储，而不是将图像存储在云中，然后在用户上传图像时，将图像转换为向量并将其发送到云中进行处理。 在云中，我们执行 K 近邻搜索以找到并显示最接近的匹配项。 使用 REST API 或**消息队列遥测传输**（**MQTT**）服务将图像矢量上传到云中。 每个服务都有自己的安全性验证。
 
 在这里，我们将讨论将图像发送到云服务并以 JSON 消息形式接收的基本编码基础架构：