**机器学习**(**ML**)通过实现**人工智能**(**AI**)彻底改变了技术领域。 在客户支持,欺诈检测和商业智能领域,ML 一直成为企业的最爱。 ML 的重要性也影响着云计算领域。 因此,包括谷歌在内的每个云提供商都在革新其平台上的 AI 服务方面发挥着重要作用。 从新服务的开发到大型重组(在战略上将 AI 定位于其组织结构及其发展中)的重大重组中,他们在过去几年进行了大量投资。
到目前为止,我们已经向深度学习的美好世界轻轻地介绍了自己,并且对于使当今的 Web 应用变得更加智能化,我们对深度学习所能提供的东西有相当的了解。 在“第 1 章”,“揭秘人工智能和机器学习基础”中,我们详细介绍了 AI 突破前后的 Web 应用。 在“第 3 章”,“创建您的第一个深度学习 Web 应用”中,我们使用简单的神经网络构建了自己的基于图像分类器的简单 Web 应用。
我们将在本章结束我们的云 API 探索之旅。 到目前为止,我们已经将自己轻轻地介绍给了 API 的美好世界,特别是让我们轻松进行深度学习的 API。 我们已经看到了如何使用 REST API 并以编程方式使用它们。 与 **Google Cloud Platform**(**GCP**)和 **Amazon Web Services**(**AWS**)一样,Microsoft 也提供了自己的云服务平台,该平台称为 Azure。 与前几章一样,我们将只专注于 Azure 必须提供的基于深度学习的解决方案。 我们将稍作调整,还将介绍 Microsoft 的**认知工具包**(**CNTK**),它是像 Keras 这样的深度学习框架。
通常重要的是要知道其他人正在使用任何技术做什么,以了解其适用性的规模以及它可以承诺的投资回报。 本章介绍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。 本章还讨论了可以使用深度学习增强的 Web 开发中的一些关键研究领域。 本章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。
随着深度学习方法增强了传统技术(例如图像阈值,过滤和边缘检测)的应用,计算机视觉在许多不同的应用中正在迅速扩展。 TensorFlow 是 Google 创建的一种广泛使用的,功能强大的机器学习工具。 它具有用户可配置的 API,可用于在本地 PC 或云中训练和构建复杂的神经网络模型,并在边缘设备中进行大规模优化和部署。
**局部二进制模式**(**LBP**)于 1994 年由 Timo Ojala,Matti Pietikäinen 和 David Harwood 在国际模式识别会议上,在论文[《Performance evaluation of texture measures with classification based on Kullback discrimination of distributions》](https://ieeexplore.ieee.org/document/576366)中首次提出。
该项目将深入讨论如何构建自定义的 TensorFlow Lite 模型,该模型能够从图像中识别植物物种。 该模型将在移动设备上运行,并将主要用于识别不同的植物物种。 该模型使用在 TensorFlow 的 Keras API 上开发的深层**卷积神经网络**(**CNN**)进行图像处理。 本章还向您介绍了如何使用基于云的 API 来执行图像处理。 以 **Google Cloud Platform**(**GCP**)提供的 Cloud Vision API 为例。