在基础网络之后可以应用其他特征提取模块。 每个特征提取器块都是`Conv2D(strides=2)-BN-ELU`的形式。 在特征提取块之后,特征映射的大小减半,并且过滤器的数量增加一倍。 例如,基本网络之后的第一个特征提取器块具有`20 x 15 x 2 n_filter`特征映射。 根据该特征映射,使用卷积层进行`n[2]`类和`n[2]`偏移量预测。`n[2] = 20 x 15 x 4 = 1,200`
可以继续添加具有类和偏移量预测变量的特征提取块的过程。 在前面的部分中,对于`640 x 480`的图像,最大可达`2 x 1 x 2^5 n_filter`特征映射产生`n[6]`类和`n[6]`抵消了其中`n[6] = 2 x 1 x 4 = 8`的预测。 到 6 层特征提取和预测块。 在第 6 个块之后,一个`640 x 480`图像的锚点地图预测总数为 9,648。
可以继续添加具有类和偏移量预测变量的特征提取块的过程。 在前面的部分中,对于`640 x 480`的图像,最大可达`2 x 1 x 2^5 n_filter`特征映射产生`n[6]`类和`n[6]`抵消了其中`n[6] = 2 x 1 x 4 = 8`的预测。 到 6 层特征提取和预测块。 在第 6 个块之后,一个`640 x 480`图像的锚点映射预测总数为 9,648。
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`。
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)。 第二组特征映射的大小为`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:
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特征映射的比例决定。 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:
深度学习技术可用于开发智能 Web 应用。 在过去的几年中,已经发现在其产品和业务中采用深度学习技术的公司数量急剧增长。 提供人工智能和基于深度学习的解决方案的新兴企业数量激增。 本书介绍了用于使用 Python 在 Web 开发中实现深度学习的众多工具和技术实践。
首先,您将学习机器学习的基础知识,重点是深度学习和神经网络的基础,以及它们的常见变体,例如卷积神经网络,以及如何将它们集成到网站中,其前端使用不同标准 Web 技术堆栈构建。 您将通过为自定义模型创建 REST API,使用 Django 和 Flask 等 Python 库来创建支持深度学习的 Web 应用。 您将为 Google Cloud 和 AWS 上基于深度学习的 Web 部署设置云环境,并获得有关如何使用经过实践检验的深度学习 API 的指导。 此外,您将使用 Microsoft 的 Intelligent Emotion API,该 API 可以从一张脸部图片中检测出人类的情感。 您还将掌握部署真实世界的网站的知识,并获得丰富的见解,可以使用 reCaptcha 和 Cloudflare 保护这些网站,从而获得可靠的体验。 最后,您将使用自然语言处理从用户评论中推荐餐馆,并通过 Dialogflow 将语音 UX 集成到您的网页上。
首先,您将学习机器学习的基础知识,重点是深度学习和神经网络的基础,以及它们的常见变体,例如卷积神经网络,以及如何将它们集成到网站中,其前端使用不同标准 Web 技术栈构建。 您将通过为自定义模型创建 REST API,使用 Django 和 Flask 等 Python 库来创建支持深度学习的 Web 应用。 您将为 Google Cloud 和 AWS 上基于深度学习的 Web 部署设置云环境,并获得有关如何使用经过实践检验的深度学习 API 的指导。 此外,您将使用 Microsoft 的 Intelligent Emotion API,该 API 可以从一张脸部图片中检测出人类的情感。 您还将掌握部署真实世界的网站的知识,并获得丰富的见解,可以使用 reCaptcha 和 Cloudflare 保护这些网站,从而获得可靠的体验。 最后,您将使用自然语言处理从用户评论中推荐餐馆,并通过 Dialogflow 将语音 UX 集成到您的网页上。
到本书结尾,您将能够借助最佳工具和实践来部署智能 Web 应用和网站。
...
...
@@ -18,7 +18,7 @@
“第 2 章”,“使用 Python 进行深度学习入门”,介绍了与深度学习相关的基本概念和术语,以及如何使用深度学习来构建具有不同深度学习库的简单 Python Web 应用。
“第 3 章”,“创建您的第一个深度学习 Web 应用”讨论了一些专门用于利用深度学习的有关 Web 应用结构的重要概念。 然后继续讨论理解数据集的方法。 本章还显示了如何实现和改进简单的神经网络,以及如何将其包装到用于开发简单 Web 应用的 API 中。 然后,我们继续展示如何使用不同的标准 Web 技术堆栈来实现 API。
“第 3 章”,“创建您的第一个深度学习 Web 应用”讨论了一些专门用于利用深度学习的有关 Web 应用结构的重要概念。 然后继续讨论理解数据集的方法。 本章还显示了如何实现和改进简单的神经网络,以及如何将其包装到用于开发简单 Web 应用的 API 中。 然后,我们继续展示如何使用不同的标准 Web 技术栈来实现 API。