From d63445a877fd311a1319f6526a98fc9023b50c98 Mon Sep 17 00:00:00 2001 From: wizardforcel <562826179@qq.com> Date: Wed, 30 Dec 2020 21:46:19 +0800 Subject: [PATCH] 2020-12-30 21:46:19 --- new/handson-py-dl-web/01.md | 4 ++-- new/handson-py-dl-web/02.md | 8 ++++---- new/handson-py-dl-web/03.md | 6 +++--- new/handson-py-dl-web/04.md | 18 +++++++++--------- new/handson-py-dl-web/06.md | 18 +++++++++--------- new/handson-py-dl-web/07.md | 2 +- 6 files changed, 28 insertions(+), 28 deletions(-) diff --git a/new/handson-py-dl-web/01.md b/new/handson-py-dl-web/01.md index 6ea724b1..17da93f3 100644 --- a/new/handson-py-dl-web/01.md +++ b/new/handson-py-dl-web/01.md @@ -207,7 +207,7 @@ K-均值聚类，DBSCAN 和 Apriori 算法是用于无监督学习的一些最 偏差和方差对于任何 ML 模型都是非常固有的。 很好地了解它们确实有助于进一步评估模型。 从业人员实际上使用了两者之间的*权衡*来评估机器学习系统的性能。 -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，网址为 [https://www.youtube.com/watch?v=fDQkUN9yw44 & t = 293s。](https://www.youtube.com/watch?v=fDQkUN9yw44&t=293s) +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。 @@ -376,7 +376,7 @@ 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 因此，这是 ML 项目所需的最重要的术语/概念的入门。 -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/ Sebastian Raschka 撰写的速成课程/](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 -学习](https://india.packtpub.com/in/big-data-and-business-intelligence/python-machine-learning)）。 +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)。 为了便于参考，您可以参考本书*和 Python* 的动手实践学习（Dipanjan 等人）中给出的下图，该图以图形方式描述了所有上述步骤： diff --git a/new/handson-py-dl-web/02.md b/new/handson-py-dl-web/02.md index 59918004..2a590936 100644 --- a/new/handson-py-dl-web/02.md +++ b/new/handson-py-dl-web/02.md @@ -428,7 +428,7 @@ RNN ![](img/4b9aaa2a-87d5-487b-9d8c-6a54cb705d09.png)的第一遍是字母 *w* ![](img/20663bb4-96fe-4e90-bf5e-5ced2e6e9e10.png) -如果有人对学习 softmax 函数的外观感到好奇，可以在 [http://bit.ly/softmaxfunc](http://bit.ly/softmaxfunc) 上找到一篇非常有用的文章。 +如果有人对学习 softmax 函数的外观感到好奇，可以在[这个页面](http://bit.ly/softmaxfunc)上找到一篇非常有用的文章。 因此，RNN 告诉我们 *w* 之后的下一个字母更有可能是![](img/fdcd5b37-b1e7-4248-8ec0-1569c96a25a8.png)。 至此，我们完成了 RNN 的初始遍历。 作为练习，您可以使用从此传递中获得的 *ht* 值，然后将其（以及下一个字母 *h* ）应用于 RNN 的下一传递，以了解什么 发生。 @@ -476,7 +476,7 @@ python -m pip install jupyter 虽然可以从`pip`作为单个软件包安装 Jupyter，但强烈建议您安装 Python 的 Anaconda 发行版，该发行版会自动安装 Python，Jupyter 以及机器学习和数据科学所需的其他几个软件包。 Anaconda 使处理各种程序包版本和更新依赖程序包或依赖程序包变得非常容易。 -首先，从 [https://www.anaconda.com/downloads](https://www.anaconda.com/downloads) 下载适合您系统和要求的正确 Anaconda 发行版，然后按照网站上给出的相应安装步骤进行操作。 +首先，从[这里](https://www.anaconda.com/downloads)下载适合您系统和要求的正确 Anaconda 发行版，然后按照网站上给出的相应安装步骤进行操作。 # 验证安装 @@ -532,7 +532,7 @@ Jupyter 还允许使用其内置的文本编辑器来操作文本文件和 Pytho 在本部分中，我们将学习如何在 AWS 上设置深度学习特定实例。 在开始使用 AWS 之前，您需要在 AWS 控制台上创建一个帐户。 为此，请执行以下步骤： -1. 访问 [https://console.aws.amazon.com](https://console.aws.amazon.com) ，您将看到一个登录/注册屏幕。 +1. 访问[这里](https://console.aws.amazon.com)，您将看到一个登录/注册屏幕。 2. 如果您还没有 AWS 账户，请单击 Create a new AWS account，然后按照以下步骤创建一个 AWS 账户，这可能需要您输入借记卡/信用卡详细信息才能为您的账户计费。 3. 登录到您的帐户后，在仪表板上，单击“所有服务”部分中的 EC2，如以下屏幕截图所示： @@ -693,7 +693,7 @@ Crestle 是一项服务，以非常实惠的价格在线提供支持 GPU 的 Jup 除了上述在云上执行启用 GPU 的深度学习的方式之外，您还可以在某些情况下选择使用其他平台。 -Google 合作实验室是一项免费的 Jupyter Notebook 服务，可通过 [https://colab.research.google.com](https://colab.research.google.com) 访问。 协作型笔记本存储在用户的 Google 云端硬盘上，因此存储限制为 15 GB。 可以在 Google 云端硬盘上存储大型数据集，并借助 Google 云端硬盘 Python API 将其包含在项目中。 默认情况下，GPU 在 Colaboratory 上处于禁用状态，必须手动打开。 +Google 合作实验室是一项免费的 Jupyter Notebook 服务，可通过[这里](https://colab.research.google.com)访问。 协作型笔记本存储在用户的 Google 云端硬盘上，因此存储限制为 15 GB。 可以在 Google 云端硬盘上存储大型数据集，并借助 Google 云端硬盘 Python API 将其包含在项目中。 默认情况下，GPU 在 Colaboratory 上处于禁用状态，必须手动打开。 Kaggle 是又一个专门用于进行数据科学竞赛的平台。 它提供了一个类似于 Jupyter-Notebooks 的环境，称为**内核**。 每个内核都提供了大量的 RAM 和免费的 GPU 功能，但是，Kaggle 的存储限制比 Google Colaboratory 上的存储限制更为严格，因此，当计算密集但要使用的数据量较大时，这是一个有效的选择。 输出不是很大。 diff --git a/new/handson-py-dl-web/03.md b/new/handson-py-dl-web/03.md index 79bc2176..5715ffb5 100644 --- a/new/handson-py-dl-web/03.md +++ b/new/handson-py-dl-web/03.md @@ -15,7 +15,7 @@ # 技术要求 -您可以通过 [https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-web/tree/master/Chapter3](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter3) 访问本章中使用的代码。 +您可以通过[这里](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter3)访问本章中使用的代码。 对于本章，您将需要以下内容： @@ -55,7 +55,7 @@ # MNIST 手写数字数据集 -该数据集由 Yann LeCun，Corinna Cortes 和 Christopher J.C. Burges 组成的团队创建。 它是手写数字图像的大集合，其中包含 60,000 个训练样本和 10,000 个测试样本。 该数据集可从 [http://yann.lecun.com/exdb/mnist/](http://yann.lecun.com/exdb/mnist/) 公开下载，其中以四个`.gz`压缩文件的形式存在。 +该数据集由 Yann LeCun，Corinna Cortes 和 Christopher J.C. Burges 组成的团队创建。 它是手写数字图像的大集合，其中包含 60,000 个训练样本和 10,000 个测试样本。 该数据集可从[这里](http://yann.lecun.com/exdb/mnist/)公开下载，其中以四个`.gz`压缩文件的形式存在。 四个文件如下： @@ -74,7 +74,7 @@ # 探索数据集 -让我们从 MNIST 数据集网页上下载所有四个文件开始，这些文件可从 [http://yann.lecun.com/exdb/mnist](http://yann.lecun.com/exdb/mnist) 获得。 下载后，解压缩所有文件，您应该拥有与以下列表中的名称相似的文件夹： +让我们从 MNIST 数据集网页上下载所有四个文件开始，这些文件可从[这里](http://yann.lecun.com/exdb/mnist)获得。 下载后，解压缩所有文件，您应该拥有与以下列表中的名称相似的文件夹： * `train-images.idx3-ubyte` * `train-labels.idx1-ubyte` diff --git a/new/handson-py-dl-web/04.md b/new/handson-py-dl-web/04.md index 8f8b3e9e..5a6cf8b9 100644 --- a/new/handson-py-dl-web/04.md +++ b/new/handson-py-dl-web/04.md @@ -14,7 +14,7 @@ Web 应用程序无处不在，它们已成为我们日常生活不可分割的 # 技术要求 -您可以通过 [https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter4](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter4) 访问本章中使用的代码。 +您可以通过[这里](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter4)访问本章中使用的代码。 要学习本章，您需要以下软件： @@ -27,7 +27,7 @@ Web 应用程序无处不在，它们已成为我们日常生活不可分割的 # 什么是 TensorFlow？ -在开始讨论 TF.js 之前，我们必须了解 TensorFlow 是什么。 TensorFlow 是由 Google 开发和维护的开源库。 它建立在称为张量的数据结构上。 张量是标量和向量的广义形式。 TensorFlow 为广泛的科学领域中的高性能数值计算提供了许多有效的工具。 TensorFlow 还提供了一套非常灵活的实用程序套件，用于执行机器学习以及深度学习开发和研究。 鼓励您访问 TensorFlow 的官方网站 [https://www.tensorflow.org/](https://www.tensorflow.org/) ，以获取更多信息。 +在开始讨论 TF.js 之前，我们必须了解 TensorFlow 是什么。 TensorFlow 是由 Google 开发和维护的开源库。 它建立在称为张量的数据结构上。 张量是标量和向量的广义形式。 TensorFlow 为广泛的科学领域中的高性能数值计算提供了许多有效的工具。 TensorFlow 还提供了一套非常灵活的实用程序套件，用于执行机器学习以及深度学习开发和研究。 鼓励您访问 [TensorFlow 的官方网站](https://www.tensorflow.org/)，以获取更多信息。 # 什么是 TF.js？ @@ -156,7 +156,7 @@ model.add(tf.layers.dense({units: 1, activation: sigmoid})); * 第一层包含四个神经元（因此`units: 4`）。 第二层（输出层）只有一个神经元。 * `relu`激活功能用于第一层，`sigmoid`激活功能用于输出层。 -建议您转到 [https://js.tensorflow.org/api/latest/index.html](https://js.tensorflow.org/api/latest/index.html) 了解有关 TF.js 前述组件的更多信息。 +建议您转到[这里](https://js.tensorflow.org/api/latest/index.html)了解有关 TF.js 前述组件的更多信息。 # 使用 TF.js 的案例研究 @@ -181,7 +181,7 @@ model.add(tf.layers.dense({units: 1, activation: sigmoid})); * 杂色 * 维珍妮卡 -您可以在 [http://archive.ics.uci.edu/ml/datasets/Iris](http://archive.ics.uci.edu/ml/datasets/Iris) 中获取原始数据集并了解更多信息。 +您可以在[这个页面](http://archive.ics.uci.edu/ml/datasets/Iris)中获取原始数据集并了解更多信息。 # 您的第一个使用 TF.js 的深度学习 Web 应用程序 @@ -191,7 +191,7 @@ model.add(tf.layers.dense({units: 1, activation: sigmoid})); 鸢尾花数据集的原始形式是一个 CSV 文件，其中包含 150 行数据，以逗号分隔的格式分成 5 列，每个条目用新行分隔。 -但是，我们将使用数据的 JSON 格式，以简化 JavaScript 的可操作性。 可以从 [https://gist.github.com/xprilion/33cc85952d317644c944274ee6071547](https://gist.github.com/xprilion/33cc85952d317644c944274ee6071547) 下载 JSON 格式的数据集。 +但是，我们将使用数据的 JSON 格式，以简化 JavaScript 的可操作性。 可以从[这里](https://gist.github.com/xprilion/33cc85952d317644c944274ee6071547)下载 JSON 格式的数据集。 您可以使用任何语言的简单函数将 CSV 文件转换为 JSON 文件，并按照以下约定更改列名： @@ -217,7 +217,7 @@ model.add(tf.layers.dense({units: 1, activation: sigmoid})); 要开始从事该项目，首先需要安装最新版本的 Node.js 和**节点程序包管理器**（ **NPM** ）。 虽然执行此操作的标准方法是阅读 Node.js 网站上提供的文档，但我们建议您使用**节点版本管理器**（ **NVM** ）安装 Node.js 和 NPM。 -可以在 [https：// githu](https://github.com/creationix/nvm) [b.com/creationix/nvm](https://github.com/creationix/nvm) [中找到设置说明和文件。](https://github.com/creationix/nvm) +可以在[这里](https://github.com/creationix/nvm) [b.com/creationix/nvm](https://github.com/creationix/nvm)找到设置说明和文件。 一旦安装了 Node.js 和 NPM，我们就可以开始进行项目本身的工作了： @@ -234,7 +234,7 @@ npm init -y 请注意，输出为 JSON 格式。 `main`键定义了作为模块导入的文件，该文件将成为程序的入口点。 默认情况下，此项目中`main`的值设置为`index.js`。 但是，该文件尚未创建。 让我们来研究`index.js`文件。 -我们将使用 Node.js 的`express`模块创建服务器。 您可以在 [https://expressjs.com 上阅读有关`express`的更多信息。](https://expressjs.com/) +我们将使用 Node.js 的`express`模块创建服务器。 您可以在[这个页面](https://expressjs.com/)上阅读有关`express`的更多信息。 3. 要使用`express`，我们需要将模块添加到我们的项目中。 为此，请使用以下代码： @@ -251,7 +251,7 @@ var express = require('express'); var app = express(); ``` -这将创建一个`express`应用程序对象。 现在，我们将 TF.js 添加到项目中。 最简单的方法是通过 NPM 安装它。 完整的设置说明可在 [https://js.tensorflow.org/setup/](https://js.tensorflow.org/setup/) 中找到。 +这将创建一个`express`应用程序对象。 现在，我们将 TF.js 添加到项目中。 最简单的方法是通过 NPM 安装它。 完整的设置说明可在[这个页面](https://js.tensorflow.org/setup/)中找到。 5. 使用以下命令在终端中安装`TF.js`模块： @@ -388,7 +388,7 @@ async function train_data(){ 首先，我们创建一个名为`doTrain`的*中间件*，该中间件将在用于训练的 API 之前运行，并将返回任何数据。 -您可以在 [https://expressjs.com/en/guide/using-middleware.html](https://expressjs.com/en/guide/using-middleware.html) 上了解有关中间件的更多信息。 +您可以在[这个页面](https://expressjs.com/en/guide/using-middleware.html)上了解有关中间件的更多信息。 `doTrain()`中间件在其参数中接受对 Node.js 服务器的请求，用于做出响应的变量以及将在执行完以下代码后转发程序执行的函数的名称。 中间件中定义的代码： diff --git a/new/handson-py-dl-web/06.md b/new/handson-py-dl-web/06.md index c1fc966a..5a8fef00 100644 --- a/new/handson-py-dl-web/06.md +++ b/new/handson-py-dl-web/06.md @@ -12,7 +12,7 @@ # 技术要求 -您可以从 [https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter6](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter6) 访问本章的代码。 +您可以从[这里](https://github.com/PacktPublishing/Hands-On-Python-Deep-Learning-for-Web/tree/master/Chapter6)访问本章的代码。 要运行本章中的代码，您的系统上需要安装 Python 3.6+。 @@ -20,7 +20,7 @@ # 设置您的 GCP 帐户 -在继续使用 GCP 提供的 API 之前，您必须设置您的 GCP 帐户。 假设您已经拥有 Google 帐户-首先，转到 [https://cloud.google.com/](https://cloud.google.com/) 。 如果您是第一次注册，GCP 会给您$ 300 的信用额度（您可以使用 12 个月）； 这种信誉足以容纳许多优秀项目，并使您能够试用 GCP 的产品。 完成此操作后，我们可以按照以下步骤操作： +在继续使用 GCP 提供的 API 之前，您必须设置您的 GCP 帐户。 假设您已经拥有 Google 帐户-首先，转到[这里](https://cloud.google.com/)。 如果您是第一次注册，GCP 会给您$ 300 的信用额度（您可以使用 12 个月）； 这种信誉足以容纳许多优秀项目，并使您能够试用 GCP 的产品。 完成此操作后，我们可以按照以下步骤操作： 1. 在 GCP 主页的右上角，您应该能够找到“免费试用”按钮。 只需单击它： @@ -44,7 +44,7 @@ 一个项目可帮助您系统地组织所有 GCP 资源。 只需单击几下即可在 GCP 上创建项目： -1. 登录到您的 Google 帐户后，使用 [https://console.cloud.google.com](https://console.cloud.google.com) 打开 GCP 控制台。 在左上角，您应该看到 Google Cloud Platform，在其旁边，您可以看到一个下拉列表，如下所示： +1. 登录到您的 Google 帐户后，使用[这里](https://console.cloud.google.com)打开 GCP 控制台。 在左上角，您应该看到 Google Cloud Platform，在其旁边，您可以看到一个下拉列表，如下所示： ![](img/97baa6ef-0c5a-4258-b4d2-f1910f97cc82.png) @@ -60,7 +60,7 @@ ![](img/eec5591a-a3f9-4e1a-b6aa-bbe3b0be234a.png) -如果您想了解有关 GCP 项目的更多信息，可以在 [https://cloud.google.com/storage/docs/projects](https://cloud.google.com/storage/docs/projects) 上查看官方文档。 GCP 配备了各种实用程序，可在 [https://cloud.google.com/products/](https://cloud.google.com/products/) 中找到。 鼓励您看一下，并就自己的兴趣进行探索。 +如果您想了解有关 GCP 项目的更多信息，可以在[这个页面](https://cloud.google.com/storage/docs/projects)上查看官方文档。 GCP 配备了各种实用程序，可在[这里](https://cloud.google.com/products/)中找到。 鼓励您看一下，并就自己的兴趣进行探索。 GCP 为我们提供了广泛的 API，可用于各种任务，包括深度学习。 在接下来的两节中，我们将了解如何使用 Python 代码来使用一些使用最广泛的深度学习 API。 我们将从 Dialogflow 开始。 @@ -74,7 +74,7 @@ Dialogflow（以前称为 **api.ai** ）提供了一套实用程序，用于构 * 添加构建会话用户界面可能需要的任何自定义逻辑的功能 * 培训代理商的设施，以便微调界面的整体体验 -现在，我们将看到如何使用 Dialogflow 在 Python 中创建一个简单的应用程序。 您可以参考 [https://dialogflow.com](https://dialogflow.com) 了解有关 Dialogflow 的更多信息。 +现在，我们将看到如何使用 Dialogflow 在 Python 中创建一个简单的应用程序。 您可以参考[这里](https://dialogflow.com)了解有关 Dialogflow 的更多信息。 我们将从创建 Dialogflow 帐户开始。 @@ -82,7 +82,7 @@ Dialogflow（以前称为 **api.ai** ）提供了一套实用程序，用于构 创建 Dialogflow 帐户非常简单。 该过程涉及以下步骤： -1. 访问 [https://console.dialogflow.com/api-client/#/登录](https://console.dialogflow.com/api-client/#/login)，您将看到以下屏幕： +1. 访问[这里](https://console.dialogflow.com/api-client/#/login)，您将看到以下屏幕： ![](img/397707d9-086c-4cdf-902b-4ec2d5944ec1.png) @@ -163,7 +163,7 @@ Google 项目，或者简称为**项目**，是您在 GCP 研究中遇到的一 pip install dialogflow ``` -强烈建议您先使用`virtualenv`创建一个虚拟环境，然后再使用上一个命令来创建干净无间断的依赖关系。 要了解有关`virtualenv`的更多信息，请参阅 [https://virtualenv.pypa.io/en/latest/](https://virtualenv.pypa.io/en/latest/) 。 +强烈建议您先使用`virtualenv`创建一个虚拟环境，然后再使用上一个命令来创建干净无间断的依赖关系。 要了解有关`virtualenv`的更多信息，请参阅[这里](https://virtualenv.pypa.io/en/latest/)。 2. 安装完成后，您将可以使用以下导入代码将 Dialogflow API 导入到项目中： @@ -322,7 +322,7 @@ Cloud Vision API 为我们提供了许多用于执行计算机视觉任务的实 ![](img/278c72a8-1139-4273-a4e3-2d4f2274343d.png) -如我们所见，当提供图像时，Cloud Vision API 会自动提取其属性。 您也可以通过转到 [https://cloud.google.com/vision/](https://cloud.google.com/vision/) 来尝试此操作。 +如我们所见，当提供图像时，Cloud Vision API 会自动提取其属性。 您也可以通过转到[这里](https://cloud.google.com/vision/)来尝试此操作。 从较早的章节开始，我们一直在使用术语**预训练模型**。 我们还看到了 Cloud Vision API 如何使我们整合预训练的模型。 为了理解使用它们的重要性，有必要对术语“预训练的模型”进行更深入的研究。 @@ -453,7 +453,7 @@ Cloud Translation API 可帮助开发人员轻松地将语言翻译功能集成 ![](img/eb0bdcce-a7ea-47a3-bd8f-4f49cb6251a6.png) -您随时可以在 [https://cloud.google.com/translate/](https://cloud.google.com/translate/) 上尝试此操作。 但是有时，给定文本的语言本身可能是未知的。 Cloud Translation API 提供了称为**标签检测**的服务来处理此类情况。 +您随时可以在[这个页面](https://cloud.google.com/translate/)上尝试此操作。 但是有时，给定文本的语言本身可能是未知的。 Cloud Translation API 提供了称为**标签检测**的服务来处理此类情况。 Cloud Translation API 的 AutoML 变体使我们可以根据需要针对语言对（源语言和目标语言）构建自定义模型。 diff --git a/new/handson-py-dl-web/07.md b/new/handson-py-dl-web/07.md index 36aadf66..1bc90782 100644 --- a/new/handson-py-dl-web/07.md +++ b/new/handson-py-dl-web/07.md @@ -376,7 +376,7 @@ https://alexa.amazon.co.jp/api/skill/link/XXXXXXXXXXXXXX 对于家庭自动化技能，您将需要启用“使用亚马逊登录”服务。 为此，请执行以下步骤： -1. 转到 [https://developer.amazon.com/lwa/sp/overview.html](https://developer.amazon.com/lwa/sp/overview.html) 。 您将看到以下屏幕快照中显示的页面： +1. 转到[这里](https://developer.amazon.com/lwa/sp/overview.html)。 您将看到以下屏幕快照中显示的页面： ![](img/4afa1398-744c-4718-bb55-0a9209e8ed04.png) -- GitLab