2021-01-10 20:52:27

new/handson-ai-gcp/00.md

-# 前言
+# 零、前言
 
 在计算过程中，我们正处于一个有趣的关头。 大多数企业工作负载（数据库，计算和分析）都移到了云上。 云计算使任何人都可以便捷地使用高端计算能力。 结果，我们看到各种规模的个人和组织使用计算资源的方式发生了根本性的变化。 云计算基础架构的提供商还启用了**软件即服务**（**SaaS**）范例。 这样，与存储，计算，机器学习和可视化相关的各种服务就可用，而无需执行任何服务器管理或管理。 根据我们的经验，我们看到的根本转变是朝着无服务器架构迈进。
 

new/handson-ai-gcp/01.md

-# AI 和 GCP 概述
+# 一、AI 和 GCP 概述
 
 在计算技术发展的紧要关头，我们不断从越来越多的设备和平台生成数据。 现在很清楚，如果使用不当，数据是可以提供竞争优势或劣势的关键因素。 在过去的几年中，我们已经看到，使用云上可用的基础架构可以存储和处理大量数据。
 

new/handson-ai-gcp/02.md

-# 使用 GCP 组件的计算和处理
+# 二、使用 GCP 组件的计算和处理
 
 在云中构建和运行**人工智能**（**AI**）应用之前，了解可用的不同选项非常重要。 这将帮助我们为应用选择正确的选项，以确保我们以经济高效的方式获得最佳性能。
 

new/handson-ai-gcp/03.md

-# XGBoost 的机器学习应用
+# 三、XGBoost 的机器学习应用
 
 在许多领域，基于机器学习的数据驱动方法变得非常重要。 一个很好的例子是基于机器学习的智能电子邮件垃圾邮件分类器，它通过学习大量垃圾邮件数据和用户反馈来保护我们的电子邮件。 另一个这样的示例可以是针对性广告系统，其基于某些上下文向用户展示广告，或者是防止恶意攻击者攻击的银行欺诈检测系统。 为了使机器学习应用在上述领域取得成功，必须牢记一些重要因素。
 

new/handson-ai-gcp/04.md

-# 使用 Cloud AutoML
+# 四、使用 Cloud AutoML
 
 在上一章中，我们了解了机器学习中最流行，最方便的算法之一。 在本章中，我们将了解 **Google 云平台**（**GCP**）如何使通过 AutoML 服务轻松使用各种机器学习模型成为可能。 AutoML 使开发人员和分析人员在数据工程和机器学习编程方面经验有限的情况下，可以轻松构建机器学习模型。 我们将对 AutoML 采取一种实际的方法，并学习如何利用它来构建和部署一些实际用例的模型，例如文档和图像分类，语音到文本转换以及情感分析。
 

new/handson-ai-gcp/05.md

-# 构建大数据云机器学习引擎
+# 五、构建大数据云机器学习引擎
 
 **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。
 

new/handson-ai-gcp/06.md

-# 使用 DialogFlow 的智能对话应用
+# 六、使用 DialogFlow 的智能对话应用
 
 **人工智能**（**AI**）不断改变着我们搜索和处理事物的方式，而聊天机器人是人们渴望摆脱自己不想做的事情的真实例证。 通过他们自己。 人工智能驱动的聊天机器人可以在不涉及人类的情况下完成出色的工作。 聊天机器人是一个智能聊天程序。 它应该能够令人信服地模拟一个人。 与 AI 技术结合使用时，它称为智能聊天机器人。
 

new/handson-ai-gcp/07.md

-# 了解云 TPU
+# 七、了解云 TPU
 
 任何平台都只能发挥其优势。 利用 **Google Cloud Platform**（**GCP**）之类的平台，最重要的方面是将其投入运营，来处理业务的日常工作量。 在本章中，我们将看到在 GCP 上运行**人工智能**（**AI**）的一些最佳实践和实用技巧。 我们将了解**张量处理单元**（**TPU**）以及 TPU 如何在内部运行以促进大规模并行计算需求，以便构建利用**机器学习**（**ML**）模型的各种服务。
 

new/handson-ai-gcp/08.md

-# 使用 Cloud ML Engine 实现 TensorFlow 模型
+# 八、使用 Cloud ML Engine 实现 TensorFlow 模型
 
 **Google Cloud Platform**（**GCP**）上的 Cloud ML Engine 是一种无服务器方式，可用于构建机器学习管道。 该引擎利用基础平台组件，消除了对基础架构的配置和维护的需求。 数据科学家可以专注于数据，模型和预测。 这是在生产环境中启动并运行模型的理想且快速的方法。 该平台固有地提供了存储和计算弹性，并且几乎无限制地扩展了模型的训练和使用已部署的模型进行实时预测的能力。
 

new/handson-ai-gcp/09.md

-# 构建预测应用
+# 九、构建预测应用
 
 云中的预测是关于开发预测机器学习模型，部署机器学习模型的最终版本，以及使用该部署模型使用云原生服务或基础架构从新到达的数据中预测目标值。 简而言之，云管理着基础架构和机器学习框架的高层抽象，可以轻松地用于训练或使用您的机器学习模型。
 

new/handson-ai-gcp/10.md

-# 构建一个 AI 应用
+# 十、构建一个 AI 应用
 
 在本书的最后九章中，我们在 **Google Cloud Platform**（**GCP**）的背景下研究了人工智能的基本构成要素。
 

new/handson-dl-arch-py/0.md

-# 前言
+# 零、前言
 
 深度学习架构由代表高级抽象的多级非线性操作组成。 这使您可以从数据中学习有用的要素表示。 《使用 Python 的动手深度学习架构》为您简要介绍了用于深度和浅层架构的基本学习算法。 本书包含构建高效人工智能系统的实际实现和思想，将帮助您学习神经网络在构建深度架构中如何发挥重要作用。
 

new/handson-dl-arch-py/1.md

-# 深度学习入门
+# 一、深度学习入门
 
 人工智能可能会起作用，如果能起作用，它将是技术上最大的发展。
 

new/handson-dl-arch-py/2.md

-# 深度前馈网络
+# 二、深度前馈网络
 
 在本章中，您将构建我们的第一个深度学习网络-**深度前馈网络**（**DFN**）。 我们将首先讨论深度前馈网络的演进历史，然后讨论 DFN 的架构。 在任何分类任务中，DFN 都扮演着不可或缺的角色。 除了支持分类任务外，DFN 独立版还可以用于回归和分类。 任何深度学习网络都具有很多要素，例如损失函数，梯度，优化器等，它们一起来训练网络。 在本章中，我们将详细讨论这些基本要素。 这些要素对于我们将在本书中看到的各种深度学习网络都是通用的。 我们还将演示如何提出和预处理数据以训练深度学习网络。 刚开始您可能会觉得有些难以理解，但是最终您会明白的。 所以，只要坚持下去！ 完成本章后，您将了解以下内容：
 

new/handson-dl-arch-py/3.md

-# 受限玻尔兹曼机和自编码器
+# 三、受限玻尔兹曼机和自编码器
 
 当您在线购物或浏览电影时，您可能会想知道“您可能也喜欢的电影”产品如何工作。 在本章中，我们将说明幕后算法，称为**受限玻尔兹曼机**（**RBM**）。 我们将首先回顾 RBM 及其发展路径。 然后，我们将更深入地研究其背后的逻辑，并在 TensorFlow 中实现 RBM。 我们还将应用它们来构建电影推荐器。 除了浅层架构，我们还将继续使用称为**深度信念网络**（**DBN**）的 RBM 堆叠版本，并使用它对图像进行分类，当然，我们在 TensorFlow 中实现。
 

new/handson-dl-arch-py/4.md

-# CNN 架构
+# 四、CNN 架构
 
 在本章中，我们将讨论一类重要的图像深度学习网络，称为**卷积神经网络**（**CNN**）。 针对图像相关任务（例如图像识别，分类，对象检测等）而构建的大多数深度学习模型都将 CNN 作为其主要网络。 CNN 允许我们以三维体积而不是单维向量处理传入的数据。 尽管 CNN 是一类神经网络（由权重，层和损失函数组成），但深层前馈网络在结构上有很多差异，我们将在本章中进行解释。 为了让您了解 CNN 的功能强大，ResNet CNN 架构在世界著名的图像分类挑战 ILSVRC 上实现了 3.57% 的最高错误率。 这种性能优于 ImageNet 强大数据集上的人类视觉感知。 我们将在本章后面讨论 ImageNet 和 ILSVRC。 以下是本章将要学习的主题：
 

new/handson-dl-arch-py/5.md

-# 移动神经网络和 CNN
+# 五、移动神经网络和 CNN
 
 深度学习网络所需的计算成本一直是扩展的关注点。 进行推理需要数百万个乘法运算。 这限制了已开发的**卷积神经网络**（**CNN**）模型的实际使用。 移动神经网络为这一问题提供了突破。 它们是超小型且计算量较小的深度学习网络，并具有与原始同类产品相当的性能。 移动神经网络只是经过修改以具有更少参数的 CNN，这意味着它们消耗的内存更少。 这样，它们就可以在内存和处理能力有限的移动设备上工作。 因此，移动神经网络在使 CNN 用于实时应用中起着至关重要的作用。 在本章中，我们将介绍 Google 引入的两种基准移动 CNN 架构-MobileNet 和 MobileNetV2。 完成本章后，您将了解以下主题：
 

new/handson-dl-arch-py/6.md

-# 循环神经网络
+# 六、循环神经网络
 
 在本章中，我们将解释最重要的深度学习模型之一，即**循环神经网络**（**RNNs**）。 我们将首先回顾什么是 RNN，以及为什么它们非常适合处理顺序数据。 在简要介绍了 RNN 模型的发展路径之后，我们将说明根据不同形式的输入和输出数据以及工业示例进行分类的各种 RNN 架构。 我们将找出问题的答案，例如“我们如何仅生成一个输出？”，“输出可以是序列吗？”，和“仅对一个输入单元有效吗？”。
 

new/handson-dl-arch-py/7.md

-# 生成对抗网络
+# 七、生成对抗网络
 
 在本章中，我们将解释最有趣的深度学习模型之一，即**生成对抗网络**（**GAN**）。 我们将首先回顾 GAN 是什么以及它们的用途。 在简要介绍了 GAN 模型的演化路径之后，我们将说明各种 GAN 架构以及图像生成示例。
 

new/handson-dl-arch-py/8.md

-# 深度学习的新趋势
+# 八、深度学习的新趋势
 
 在本书的前七章中，具有各种架构的深度神经网络展示了它们从图像，文本和事务数据中学习的能力。 尽管近年来深度学习发展迅速，但它的发展似乎并不会很快减速。 我们看到几乎每个月都会提出新的深度学习架构，并且新的解决方案时不时地成为最新技术。 因此，在最后一章中，我们想谈一谈深度学习中的一些想法，这些想法今年对我们很有影响，并且在将来会更加突出。
 

new/handson-dl-arch-py/sec3.md

-# 第三节：序列建模
+# 第 3 节：序列建模
 
 在本节中，我们将学习两个重要的 DL 模型以及这些模型的演化路径。 我们将通过一些示例探索它们的架构和各种工程最佳实践。
 

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

-# 前言
+# 零、前言
 
 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。
 

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

-# 揭秘人工智能和机器学习基础
+# 一、揭秘人工智能和机器学习基础
 
 “就像电力在 100 年前改变了几乎所有事物一样，今天我实际上很难想到一个行业，我认为 AI 在未来几年内不会改变。”
 

new/handson-py-dl-web/02.md

-# 使用 Python 入门深度学习
+# 二、使用 Python 入门深度学习
 
 在第一章中，我们非常仔细地研究了深度学习及其与机器学习和人工智能的关系。 在本章中，我们将深入探讨该主题。 我们将从了解深度学习核心的内容开始，即神经网络及其基本组件，例如神经元，激活单元，反向传播等。
 

new/handson-py-dl-web/03.md

-# 创建您的第一个深度学习 Web 应用
+# 三、创建您的第一个深度学习 Web 应用
 
 在对神经网络及其在实际项目中使用的设置有了了解之后，自然而然的下一步就是开发基于 Web 的深度学习应用。 本章致力于创建一个完整的 Web 应用，尽管它是一个非常简单的应用，但它以一种非常简单的方式演示了如何完成应用中深度学习的集成。
 

new/handson-py-dl-web/04.md

-# TensorFlow.js 入门
+# 四、TensorFlow.js 入门
 
 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。
 

new/handson-py-dl-web/05.md

-# 通过 API 进行深度学习
+# 五、通过 API 进行深度学习
 
 到目前为止，我们已经熟悉了深度学习项目中遵循的基本流程。 在上一章中，我们已经使用 Keras 和 TensorFlow.js 库完成了两个基本的端到端项目。 我们已经熟悉 NumPy，pandas 和 Keras 等 Python 库，并且还了解了如何使用 JavaScript 开发深度学习模型。 我们还使用了 Flask 框架从深度学习模型中创建 API。 在“第 4 章”，“TensorFlow.js 入门”中，我们使用了第三方**应用编程接口**（**API**）创建了一个网站应用。
 

new/handson-py-dl-web/06.md

-# Google Cloud Platform 上的 Python 深度学习
+# 六、Google Cloud Platform 上的 Python 深度学习
 
 在上一章中，我们看到了各种组织提供的各种深度学习 API。 我们还看到它们的适用性大致分为两类：第一类是计算机视觉和图像处理，第二类是自然语言处理。 我们还将在本章中继续探索深度学习 API。 本章向您介绍 **Google Cloud Platform**（**GCP**）以及它在深度学习领域提供的三个 API。
 

new/handson-py-dl-web/07.md

-# AWS 上的 Python DL：对象检测和家庭自动化
+# 七、AWS 上的 Python DL：对象检测和家庭自动化
 
 我们熟悉了 Google Cloud Platform 的一些基于深度学习的产品，并在“第 6 章”，“在 Google Cloud Platform 上使用 Python 进行深度学习”中学习了如何使用它们。 现在，我们对云计算有了一个很好的概述，在本章中，我们将介绍另一个云计算平台 **Amazon Web Services**（**AWS**），该平台还提供了一些高性能的，以及高度可靠的基于深度学习的解决方案，使生活更加轻松。 在本章中，我们将以 API 的形式介绍它们中的两个，并学习如何从 Python 程序中使用它们。
 

new/handson-py-dl-web/08.md

-# Microsoft Azure 上的 Python 深度学习
+# 八、Microsoft Azure 上的 Python 深度学习
 
 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。
 

new/handson-py-dl-web/09.md

-# 启用深度学习的网站的通用生产框架
+# 九、启用深度学习的网站的通用生产框架
 
 在前面的章节中，我们已经在使用行业级云**深度学习**（**DL**）API 的方面打下了基础，并且已通过实际示例了解了它们的使用。 在本章中，我们将介绍开发支持 DL 的网站的一般概述。 这将要求我们将到目前为止所学到的所有知识汇总在一起，以便我们可以将其用于实际的用例中。 在本章中，我们将学习如何通过首先准备数据集来构建用于生产的 DL Web 应用。 然后，我们将使用 Python 训练 DL 模型，然后使用 Flask 将 DL 模型包装在 API 中。
 

new/handson-py-dl-web/10.md

-# 通过深度学习保护 Web 应用安全
+# 十、通过深度学习保护 Web 应用安全
 
 一般而言，安全性对于任何网站以及所有软件而言都是至关重要的。 如今，安全威胁随着可用计算能力的提高和技术领域的发展而不断发展。 因此，重要的是网站必须采取最佳的安全措施以确保其数据和用户信息的安全。 从事在线商业活动的网站始终处于高风险之中，它们面对从未见过的安全攻击非常普遍。 对于基于规则的安全系统而言，新的攻击尤其难以识别和阻止。 因此，您可以查看由深度学习驱动的安全系统提供的选项，这些选项可以有效替代基于规则的系统，并且还能够正确识别和阻止新威胁。
 

new/handson-py-dl-web/11.md

-# DIY - Web DL 生产环境
+# 十一、DIY - Web DL 生产环境
 
 在先前的章节中，我们了解了如何使用一些著名的**深度学习**（**DL**）平台，例如 **Amazon Web Services**（**AWS**） ， **Google Cloud Platform**（**GCP**）和 Microsoft Azure，以在我们的 Web 应用中启用 DL。 然后，我们看到了如何使用 DL 使网站安全。 但是，在生产中，挑战通常不仅是建立预测模型，当您要更新已经向用户发送响应的模型时，就会出现真正的问题。 在替换模型文件的 30 秒或 1 分钟内，您可能损失多少时间和业务？ 如果有为每个用户定制的模型怎么办？ 这甚至可能意味着数十亿美元的模型用于 Facebook 之类的平台。
 

new/handson-py-dl-web/12.md

-# 使用 DL API 和客户支持聊天机器人创建 E2E Web 应用
+# 十二、使用 DL API 和客户支持聊天机器人创建 E2E Web 应用
 
 在本章中，我们将汇总在本书前几章中已学会使用的几种工具和方法，并介绍一些出色的新工具和技术。 本章涵盖企业的一个非常重要的方面-客户支持。 对于一家新兴企业，客户支持会不断精疲力竭，难以跟上。 通常，通过参考文档或公司在其网站上提供的一组常见问题解答，可以轻松回答客户提出的问题，但是客户通常不会仔细阅读它们。 因此，最好有一个自动化层，其中最常见的查询将由一个聊天机器人来回答，该聊天机器人在一天中始终可用并且响应迅速。
 

new/handson-py-dl-web/13.md

-# 附录：Web 深度学习的成功案例和新兴领域
+# 十三、附录：Web 深度学习的成功案例和新兴领域
 
 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。
 

new/handson-py-dl-web/sec1.md

-# Web 人工智能
+# 第 1 节：Web 人工智能
 
 本节介绍**人工智能**（**AI**）的定义，并说明 AI 在很大程度上如何影响网络。 它还简要讨论了机器学习的基础。
 

new/handson-py-dl-web/sec2.md

-# 使用深度学习的 Web 开发
+# 第 2 节：使用深度学习的 Web 开发
 
 本节介绍了与深度学习相关的基本概念和术语，并介绍了如何使用深度学习通过 Python 中的不同深度学习库来构建简单的 Web 应用。
 

new/handson-py-dl-web/sec3.md

-# 用于 Web 开发的不同深度学习 API 入门
+# 第 3 节：用于 Web 开发的不同深度学习 API 入门
 
 本节将说明 API 在软件开发中的一般用法，并说明如何使用不同的最新深度学习 API 来构建智能 Web 应用。 我们将涵盖**自然语言处理**（**NLP**）和计算机视觉等领域。
 

new/handson-py-dl-web/sec4.md

-# 生产中的深度学习（智能 Web 应用）
+# 第 4 节：生产中的深度学习（智能 Web 应用）
 
 本节提供了不同的案例研究，显示了如何开发和部署深度学习 Web 应用（使用深度学习 API），并展示了使用深度学习保护 Web 应用安全的措施。
 

new/master-cv-tf-2x/0.md

-# 前言
+# 零、前言
 
 计算机视觉是一种技术，机器可以通过这种技术获得人类级别的能力来可视化，处理和分析图像或视频。 本书将重点介绍如何使用 TensorFlow 开发和训练深度神经网络，以解决高级计算机视觉问题并将解决方案部署在移动和边缘设备上。
 

new/master-cv-tf-2x/1.md

-# 计算机视觉和 TensorFlow 基础知识
+# 一、计算机视觉和 TensorFlow 基础知识
 
 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。
 

new/master-cv-tf-2x/10.md

-# R-CNN，SSD 和 R-FCN 对象检测
+# 十、R-CNN，SSD 和 R-FCN 对象检测
 
 在“第 7 章”，“使用 YOLO 进行对象检测”中，我们了解了 YOLO 对象检测，然后在前两章中，我们了解了动作识别和图像修补。 本章通过为数据摄取和训练流水线以及模型开发奠定坚实的基础，标志着**端到端**（**E2E**）对象检测框架的开始。 在这里，我们将深入了解各种对象检测模型，例如 R-CNN，**单发检测器**（**SSD**），**基于区域的全卷积网络**（**R-FCN**）和 Mask R-CNN，并使用 Google Cloud 和 Google Colab 笔记本执行动手练习。 我们还将针对如何训练自己的自定义图像以使用 TensorFlow 对象检测 API 开发对象检测模型进行详细的练习。 我们将在本章结束时对各种对象跟踪方法进行深入概述，并使用 Google Colab 笔记本进行动手练习。
 

new/master-cv-tf-2x/11.md

-# 带有 CPU/GPU 优化的边缘设备上的深度学习
+# 十一、带有 CPU/GPU 优化的边缘设备上的深度学习
 
 到目前为止，我们已经学习了如何通过预处理数据，训练模型以及使用 Python PC 环境生成推论来开发深度学习模型。
 

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

-# 用于计算机视觉的云计算平台
+# 十二、用于计算机视觉的云计算平台
 
 云计算使用互联网从远程硬件普遍访问数据。 此类数据存储是使用云平台完成的。 对于计算机视觉，数据主要是图像，注释文件和结果模型。 云平台不仅存储数据，而且还执行训练，部署和分析。 云计算与边缘计算的不同之处在于，我们无需在基础设施上进行投资，就可拥有几乎瞬时的分析速度。
 

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

-# 使用局部二进制模式的内容识别
+# 二、使用局部二进制模式的内容识别
 
 **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。
 

new/master-cv-tf-2x/3.md

-# 使用 OpenCV 和 CNN 的人脸检测
+# 三、使用 OpenCV 和 CNN 的人脸检测
 
 面部检测是计算机视觉的重要组成部分，并且是近年来发展迅速的领域。 在本章中，您将从 Viola-Jones 面部和关键特征检测的简单概念开始，然后继续介绍基于神经网络的面部关键点和面部表情检测的高级概念。 本章将以 3D 人脸检测的高级概念作为结尾。
 

new/master-cv-tf-2x/4.md

-# 用于图像的深度学习
+# 四、用于图像的深度学习
 
 边缘检测的概念在“第 1 章”，“计算机视觉和 TensorFlow 基础知识”中进行了介绍。 在本章中，您将学习如何使用边缘检测在体积上创建卷积运算，以及不同的卷积参数（例如过滤器大小，尺寸和操作类型（卷积与池化））如何影响卷积体积（宽度与深度）。 本章将为您提供有关神经网络如何查看图像以及图像如何使用可视化对图像进行分类的非常详细的概述。 您将从建立第一个神经网络开始，然后在图像通过其不同层时对其进行可视化。 然后，您将网络模型的准确率和可视化与诸如 VGG 16 或 Inception 之类的高级网络进行比较。
 

new/master-cv-tf-2x/5.md

-# 神经网络架构和模型
+# 五、神经网络架构和模型
 
 **卷积神经网络**（**CNN**）是计算机视觉中用于分类和检测对象的最广泛使用的工具。 CNN 通过堆叠许多不同的线性和非线性函数层，将输入图像映射到输出类别或边界框。 线性函数包括卷积，池化，全连接和 softmax 层，而非线性层是激活函数。 神经网络具有许多不同的参数和权重因子，需要针对给定的问题集进行优化。 随机梯度下降和反向传播是训练神经网络的两种方法。
 

new/master-cv-tf-2x/6.md

-# 使用迁移学习的视觉搜索
+# 六、使用迁移学习的视觉搜索
 
 视觉搜索是一种显示与用户上传到零售网站的图像相似的图像的方法。 通过使用 CNN 将图像转换为特征向量，可以找到相似的图像。 视觉搜索在网上购物中具有许多应用，因为它补充了文本搜索，从而更好地表达了用户对产品的选择，并且更加精致。 购物者喜欢视觉发现，并发现它是传统购物体验所没有的独特东西。
 

new/master-cv-tf-2x/7.md

-# YOLO 对象检测
+# 七、YOLO 对象检测
 
 在上一章中，我们详细讨论了各种神经网络图像分类和对象检测架构，这些架构利用多个步骤进行对象检测，分类和边界框优化。 在本章中，我们将介绍两种单阶段的快速对象检测方法-**仅查看一次**（**YOLO**）和 RetinaNet。 我们将讨论每个模型的架构，然后使用 YOLO v3 在真实的图像和视频中进行推理。 我们将向您展示如何使用 YOLO v3 优化配置参数和训练自己的自定义映像。
 

new/master-cv-tf-2x/8.md

-# 语义分割与神经样式迁移
+# 八、语义分割与神经样式迁移
 
 深度神经网络的应用不仅限于在图像中找到对象（我们在前面的章节中已经学习过），还可以用于将图像分割成空间区域，从而生成人造图像并从一个图像中转移样式。 形象给另一个。
 

new/master-cv-tf-2x/9.md

-# 使用多任务深度学习的动作识别
+# 九、使用多任务深度学习的动作识别
 
 动作识别是计算机视觉的关键部分，涉及识别人的手，腿，头和身体的位置，以检测特定的运动并将其分类为众所周知的类别。 困难在于视觉输入（例如，身体凌乱或衣服被覆盖）的变化，类似的动作，不同的类别（如饮用水或使用手持手机的通话）以及获得代表性的训练数据。
 

new/mobi-dl-tflite/00.md

-# 前言
+# 零、前言
 
 深度学习正迅速成为业界最受欢迎的话题。 本书以工业和应用为重点的方法介绍了流行的深度学习概念及其用例。 您将涵盖一系列项目，包括移动视觉，面部识别，智能 AI 助手和增强现实等任务。
 

new/mobi-dl-tflite/01.md

-# 移动深度学习简介
+# 一、移动深度学习简介
 
 在本章中，我们将探索移动设备上深度学习的新兴途径。 我们将简要讨论机器学习和深度学习的基本概念，并将介绍可用于将深度学习与 Android 和 iOS 集成的各种选项。 本章还介绍了使用本机和基于云的学习方法进行深度学习项目的实现。
 

new/mobi-dl-tflite/02.md

-# 移动视觉 - 使用设备上的模型的人脸检测
+# 二、移动视觉 - 使用设备上的模型的人脸检测
 
 在本章中，我们将构建一个 Flutter 应用，该应用能够使用 ML Kit 的 Firebase Vision 人脸检测 API 从从设备图库上传的媒体中或直接从相机中检测人脸。 该 API 利用了 Firebase 上托管的预训练模型的功能，并为应用提供了识别面部关键特征，检测表情并获取检测到的面部轮廓的功能。 由于人脸检测是通过 API 实时执行的，因此它还可用于跟踪视频序列，视频聊天或响应用户表情的游戏中的人脸。 用 Dart 编码的应用将在 Android 和 iOS 设备上有效运行。
 

new/mobi-dl-tflite/03.md

-# 使用 Google Action 的聊天机器人
+# 三、使用 Google Action 的聊天机器人
 
 在这个项目中，我们将介绍使用 Dialogflow API 实现对话聊天机器人的方法，以及如何借助 Google 的操作使对话聊天机器人在 Google Assistant 上执行不同的操作。 该项目将使您对如何构建使用引人入胜的基于语音和文本的对话界面的产品有很好的了解。
 

new/mobi-dl-tflite/04.md

-# 认识植物种类
+# 四、认识植物种类
 
 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。
 

new/mobi-dl-tflite/05.md

-# 从摄像机源生成实时字幕
+# 五、从摄像机源生成实时字幕
 
 作为人类，我们每天在不同的场景中看到一百万个物体。 对于人类来说，描述场景通常是一件微不足道的任务：我们所做的事情甚至都不需要花费大量的时间去思考。 但是，机器要理解图像或视频等视觉媒体中呈现给它的元素和场景是一项艰巨的任务。 但是，对于**人工智能**（**AI**）的几种应用，具有在计算机系统中理解此类图像的功能很有用。 例如，如果我们能够设计出可以将周围环境实时转换为音频的机器，则对视障人士将大有帮助。 此外，研究人员一直在努力实时生成图像和视频的字幕，以提高网站和应用上呈现的内容的可访问性。
 

new/mobi-dl-tflite/06.md

-# 构建人工智能认证系统
+# 六、构建人工智能认证系统
 
 认证是任何应用中最突出的功能之一，无论它是本机移动软件还是网站，并且自从保护数据的需求以及与机密有关的隐私需求开始以来，认证一直是一个活跃的领域。 在互联网上共享的数据。 在本章中，我们将从基于 Firebase 的简单登录到应用开始，然后逐步改进以包括基于人工智能（AI）的认证置信度指标和 Google 的 ReCaptcha。 所有这些认证方法均以深度学习为核心，并提供了一种在移动应用中实现安全性的最新方法。
 

new/mobi-dl-tflite/07.md

-# 语音/多媒体处理 - 使用 AI 生成音乐
+# 七、语音/多媒体处理 - 使用 AI 生成音乐
 
 鉴于**人工智能**（**AI**）的应用越来越多，将 AI 与音乐结合使用的想法已经存在了很长时间，并且受到了广泛的研究。 由于音乐是一系列音符，因此它是时间序列数据集的经典示例。 最近证明时间序列数据集在许多预测领域中非常有用–股市，天气模式，销售模式以及其他基于时间的数据集。 **循环神经网络**（**RNN**）是处理时间序列数据集的最多模型之一。 对 RNN 进行的流行增强称为**长短期记忆**（**LSTM**）神经元。 在本章中，我们将使用 LSTM 处理音符。
 

new/mobi-dl-tflite/08.md

-# 基于强化神经网络的国际象棋引擎
+# 八、基于强化神经网络的国际象棋引擎
 
 在几个在线应用商店以及几乎每个软件商店中，游戏都提供了自己的完整版块。 游戏的重要性和热情不容忽视，这就是为什么全世界的开发人员都在不断尝试开发出更好，更吸引人的游戏的原因。
 

new/mobi-dl-tflite/09.md

-# 构建图像超分辨率应用
+# 九、构建图像超分辨率应用
 
 还记得上次和亲人一起旅行并拍了一些漂亮的照片作为记忆，但是当您回到家并刷过它们时，您发现它们非常模糊且质量低下吗？ 现在，您剩下的所有美好时光就是您自己的心理记忆和那些模糊的照片。 如果可以使您的照片清晰透明并且可以看到其中的每个细节，那不是很好吗？
 

new/mobi-dl-tflite/10.md

-# 前方的路
+# 十、前方的路
 
 旅程中最重要的部分是知道结束后要去哪里。 到目前为止，在本系列项目中，我们已经介绍了一些与 Flutter 应用相关的独特且功能强大的**深度学习**（**DL**）应用，但重要的是，您必须知道在哪里可以找到更多这样的项目，灵感和知识来构建自己的出色项目。 在本章中，我们将简要介绍当今在移动应用上使用 DL 的最流行的应用，当前趋势以及将来在该领域中将会出现的情况。
 

new/mobi-dl-tflite/11.md

-# 附录
+# 十一、附录
 
 计算机科学领域令人兴奋的是，它允许多个软件组件组合在一起并致力于构建新的东西。 在这个简短的附录中，我们介绍了在移动设备上进行深度学习之前需要设置的工具，软件和在线服务。