@@ -300,7 +300,7 @@ Keras 是 Python 的深度学习框架,可以帮助我们识别和训练几乎
Keras 不用选择单个张量库,而是以模块化的方式管理此问题,并将 Keras 与该库联系在一起。 多个后端电机可以无缝插入 Keras。 TensorFlow 后端,Theano 后端和 Microsoft **认知工具包**(**CNTK**)后端目前是当前的三种后端实现。 Keras 将来将能够与更多的深度学习引擎一起使用。
Keras 的构建是为了与 Python 配合使用,因此它易于使用,模块化且易于扩展。 该 API 是为人而不是机器而设计的,并且遵循减少认知负载的最佳实践。 所有这些独立的模块都可以组合起来,以生成新的模型,神经层,成本功能,优化器,初始化方案,激活函数和正则化系统。 有了新的类和功能,可以轻松添加新模型。 描述的是 Python 代码中的模型,而不是用于模型设置的不同文件。
Keras 的构建是为了与 Python 配合使用,因此它易于使用,模块化且易于扩展。 该 API 是为人而不是机器而设计的,并且遵循减少认知负载的最佳实践。 所有这些独立的模块都可以组合起来,以生成新的模型,神经层,成本函数,优化器,初始化方案,激活函数和正则化系统。 有了新的类和函数,可以轻松添加新模型。 描述的是 Python 代码中的模型,而不是用于模型设置的不同文件。
使用 Keras 的主要原因来自其指南,主要是它易于使用。 Keras 提供的优势包括广泛接受,支持广泛的制造部署,至少包含五种支持电机(TensorFlow,CNTK,Theano,MXNet 和 PlaidML),以及对各种 GPU 和分布式训练的强大支持。 易于教学和易于模型开发。 此外,Google,Microsoft,Amazon,Apple,Nvidia,Uber 等都支持 Keras。
...
...
@@ -369,7 +369,7 @@ print('test_acc:', test_acc)
*`os`:这提供了各种依赖于操作系统的功能。
*`glob`:该模块非常适合使用 UNIX shell 参数。
*`numpy`:该库用于基本的数学功能。
*`numpy`:该库用于基本的数学函数。
[以下链接提供了使用 Keras 训练神经网络的必要代码](https://shorturl.at/pwGIX)。
正如我们在图中所看到的,AI 应用管道中主要包含三个区域:数据获取,数据处理(功能工程),然后是模型执行和调整。 在本章的后续部分中,我们将考虑一个用例,并了解在 GCP 上使用 AI 工具包构建可运行的应用有多么容易。
正如我们在图中所看到的,AI 应用管道中主要包含三个区域:数据获取,数据处理(特征工程),然后是模型执行和调整。 在本章的后续部分中,我们将考虑一个用例,并了解在 GCP 上使用 AI 工具包构建可运行的应用有多么容易。
# 用例概述 – 自动发票处理(AIP)
...
...
@@ -608,7 +608,7 @@ sg.send(message)
* GCP 将启用针对特定行业和企业的 AI 工具包,以提高各种规模企业的盈利能力和创新能力。 例如,谷歌已经在帮助零售商加速其数字和多渠道收入增长。 除此之外,Google 还帮助零售商变得完全由数据驱动,并提出建议(基于数据)以提高运营效率。 这可以通过利用 GCP,Chrome Enterprise 和 Android 上的 AI 工具以及整个连接的工具箱来实现。
* GCP 上的 AI 工具包还将促进需要大量数据和计算能力以及用于构建 AI 管道的过程和接口的研究项目。 例如,谷歌正在帮助 FDA MyStudies 利用现实世界的数据进行生物学研究。 Google Cloud 正在与 FDA 合作开发 MyStudies 应用,并提供了更好,适应性更强的保护和可配置的隐私权策略。 目的是为研究组织提供自动识别和保护个人身份信息的能力。 Google Cloud 将继续投资于各种研究和研究计划,以对该平台进行总体改进,扩大支持的评估数量,并允许与下游分析和可视化工具集成。
* AI Hub 是即将加入 GCP 的另一个非常有用的功能。 AI Hub 是用于构建最复杂的 ML 管道的一站式设施。 可以使用预配置的笔记本使用一些预训练的模型来构建 AI 应用,以及轻松地训练新模型。 AI Hub 还确保以一致的方式访问相关事件数据集。 还可以在模型开发上进行协作,并利用基于通用框架(例如 TensorFlow)构建的模型。 这极大地促进了在 GCP 上训练和部署模型。
* 通过 AI 平台笔记本,可以通过受保护的,公开可用的笔记本实例 URL 轻松管理 JupyterLab 实例。 它将使您能够创建和管理与 JupyterLab 预先打包的虚拟机实例。 AI Platform Notebooks 实例将支持 PyTorch 和 TensorFlow 框架。 这些笔记本将受到 GCP 认证和授权的保护。 AI Platform Notebooks 将随附许多预装的常用软件。
* AI 平台深度学习容器是 GCP 提供一种访问预训练模型的独特方法,可以在 GCP 上高度优化和一致的环境的帮助下快速对其进行原型化和使用。 这有助于快速构建工作流,并以最小的进入障碍和成本促进实验。 这是使 AI 开发功能完全普及的巨大飞跃。
第一个特征映射集是从 VGG 16 架构的第 23 层提取的,大小为`38 x 38 x 512`(此处 512 是过滤器的深度或数量)。 第二组要素图的大小为`19 x 19 x 1,024`,适用于捕获稍大的对象。 进一步的特征映射集将尺寸减小到`10 x 10 x 512`、`5 x 5 x 256`、`3 x 3 x 256`,最后减小到`1 x 1 x 256`。
为了进行预测,SSD 在提取的特征映射上使用`3 x 3 x d`(`d`表示过滤器的深度)卷积内核。 对于特征映射上的每个点,`3 x 3`内核输出边界框偏移量和类分数。 SSD 为功能图中的每个点分配了默认框。 `3 x 3`卷积的工作是从覆盖对象的默认边界框预测四个偏移值。 除偏移量外,它还可以预测类别的`c`类别分数。 如果我们在每个位置都有`m x n`尺寸特征映射,并且在每个位置都有`k`默认边界框,则从该层做出的预测总数将为`(c + 4) x k x m x n`。 每个位置的默认框数通常为 4 到 6。 这些默认边界框的比例和大小由网络中最低和最高要素图的比例决定。 假设我们有`m`个特征映射; 然后,默认边界框的比例(`s[k]`)由以下公式给出:
为了进行预测,SSD 在提取的特征映射上使用`3 x 3 x d`(`d`表示过滤器的深度)卷积内核。 对于特征映射上的每个点,`3 x 3`内核输出边界框偏移量和类分数。 SSD 为特征映射中的每个点分配了默认框。 `3 x 3`卷积的工作是从覆盖对象的默认边界框预测四个偏移值。 除偏移量外,它还可以预测类别的`c`类别分数。 如果我们在每个位置都有`m x n`尺寸特征映射,并且在每个位置都有`k`默认边界框,则从该层做出的预测总数将为`(c + 4) x k x m x n`。 每个位置的默认框数通常为 4 到 6。 这些默认边界框的比例和大小由网络中最低和最高要素图的比例决定。 假设我们有`m`个特征映射; 然后,默认边界框的比例(`s[k]`)由以下公式给出:
MobileNet 经过 ImageNet 数据的训练,图像的输入尺寸为`224 x 224 x 3`。根据 ImageNet 图像的输入尺寸,从卷积层出来的最终输出尺寸为`7 x 7 x 1,024`。 卷积结束后,将应用**全局平均池**(**GAP**)层,以使尺寸为`1 x 1 x 1,024`。 假设尺寸为`H x W x D`的特征映射,GAP 层会计算`HW`值的平均值,并使用单个平均值替换`H x W`值,因此输出尺寸始终为`1 x 1 x D`。
任何项目都首先考虑到问题,而 ML 项目也不例外。 在开始 ML 项目之前,对要使用 ML 解决的问题有清楚的了解是非常重要的。 因此,关于标准 ML 工作流程的问题表述和映射是 ML 项目中的良好起点。 但是 **ML 工作流程**是什么意思? 本节就是关于这一点的。
设计 ML 系统并使用它们来解决复杂的问题不仅需要 ML,还需要一系列技能。 很高兴知道 ML 需要不同比例的知识,例如统计,领域知识,软件工程,功能工程和基础高中数学。 为了能够设计这样的系统,某些步骤对于几乎所有 ML 工作流程都是必不可少的,并且每个步骤都需要一定的技能。 在本节中,我们将看一下这些步骤并简要讨论它们。
设计 ML 系统并使用它们来解决复杂的问题不仅需要 ML,还需要一系列技能。 很高兴知道 ML 需要不同比例的知识,例如统计,领域知识,软件工程,特征工程和基础高中数学。 为了能够设计这样的系统,某些步骤对于几乎所有 ML 工作流程都是必不可少的,并且每个步骤都需要一定的技能。 在本节中,我们将看一下这些步骤并简要讨论它们。