掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
昇騰AI應用開發 版權信息
- ISBN：9787115576750
- 條形碼：9787115576750 ; 978-7-115-57675-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
昇騰AI應用開發 本書特色
1.本書是立足于實踐的鯤鵬生態職業認證系列叢書：目前市場上融合講解“鯤鵬&昇騰”生態體系的書籍較少，本書以國家發展規劃及市場為驅動，豐富學習內容。 2.作者專業：本書作者是此領域的研究及培訓專業人員，本書也是多位專業人員多年的研究成果與經驗的結晶，從而保證了本書的專業性和可讀性。 3.本書案例豐富：基于人工智能發展現狀，從人工智能發展簡史到基于AI框架的應用開發、調優，借助多項目案例，深入淺出地講解相關知識，幫助讀者輕松快速地掌握AI應用開發相關內容。
昇騰AI應用開發 內容簡介
本書首先介紹了人工智能的發展史及應用現狀，內容涵蓋當前主流的AI應用技術以及人工智能基礎學科內容，通過各種編程案例將難以理解的機器學習知識通俗地講述給讀者；通過業界主流開發框架TensorFlow以及華為MindSpore人工智能學習框架幫助讀者更深層次地理解神經網絡算法；同時，介紹了基于昇騰開發的Atlas人工智能計算平臺，其中包括昇騰芯片的硬件和軟件架構；通過華為ModelArts一站式開發平臺帶領讀者了解工業級AI開發以及人工智能開發流程，將華為在人工智能領域布局的產業及生態展現給讀者，幫助讀者了解、認識、熟知華為人工智能產業。 本書適合從事工程科技類工作的讀者閱讀，也適合對人工智能感興趣的讀者、開發人員以及高校教師與學生。
昇騰AI應用開發 目錄
第 1章 人工智能概述 1
1．1 鯤鵬&昇騰生態概述 2
1．1．1 鯤鵬生態概述 2
1．1．2 芯片產業概述 3
1．1．3 昇騰系列芯片概述 4
1．2 人工智能概述 7
1．2．1 人工智能技術的發展 7
1．2．2 人工智能技術的主要領域 9
1．2．3 人工智能技術的價值 11
1．2．4 人工智能平臺Atlas 13
1．3 百花齊放的AI時代 14
1．4 本章小結 16
第 2章 機器學習 17
2．1 機器學習概述 18
2．1．1 機器學習介紹 18
2．1．2 機器學習主要流派 18
2．1．3 機器學習、數據挖掘、人工智能的區別 21
2．2 機器學習分類 24
2．2．1 監督學習 24
2．2．2 非監督學習 24
2．2．3 半監督學習 25
2．2．4 強化學習 25
2．3 機器學習流程及重要方法 26
2．3．1 機器學習流程 26
2．3．2 常見的統計方法介紹 28
2．3．3 數據降維 31
2．3．4 特征工程 34
2．3．5 機器學習效果評測 35
2．3．6 可視化分析 38
2．4 機器學習常見算法 42
2．4．1 線性回歸 42
2．4．2 多項式回歸 50
2．4．3 邏輯回歸 51
2．4．4 梯度下降算法 54
2．4．5 決策樹 60
2．4．6 支持向量機 63
2．4．7 KNN 65
2．4．8 樸素貝葉斯 68
2．4．9 集成學習 72
2．4．10 聚類算法 77
2．5 本章小結 83
第3章 深度學習 85
3．1 深度學習概述 86
3．2 神經網絡 87
3．2．1 前饋神經網絡 87
3．2．2 反饋神經網絡 89
3．2．3 神經網絡相關概念 91
3．3 卷積神經網絡 96
3．4 循環神經網絡 100
3．5 LSTM 103
3．5．1 RNN中包含單個層重復模塊 104
3．5．2 LSTM重復模塊包含4個交互層 104
3．5．3 LSTM背后的核心理念 105
3．5．4 LSTM分步執行 105
3．6 神經網絡優化 107
3．7 強化學習 113
3．7．1 獎勵驅動行為思想 113
3．7．2 強化學習的基本框架 114
3．7．3 強化學習算法 114
3．8 本章小結 116
第4章 TensorFlow機器學習框架 117
4．1 TensorFlow 2．x安裝 118
4．2 TensorFlow 1．x 與TensorFlow 2．x的差別 120
4．3 TensorFlow基礎語法 121
4．3．1 TensorFlow基礎概念 121
4．3．2 第 一個TensorFlow實例 139
4．3．3 TensorFlow2．0 Eager Execution模式 147
4．3．4 TensorFlow常用模塊介紹 148
4．3．5 TensorFlow模型應用 155
4．4 TensorFlow實操案例 159
4．4．1 TensorFlow實現線性回歸案例 159
4．4．2 TensorFlow實現k-means算法案例 161
4．4．3 TensorFlow mnist 數據集手寫體識別案例 164
4．4．4 TensorFlow 實現簡單神經網絡 165
4．4．5 TensorFlow實現貓狗識別案例 166
4．4．6 TensorFlow實現RNN空氣污染案例 169
4．5 本章小結 173
第5章 MindSpore開發框架 175
5．1 MindSpore概述 176
5．2 MindSpore基礎應用 176
5．2．1 加載數據集 176
5．2．2 定義網絡 179
5．2．3 保存模型 181
5．3 MindSpore案例 184
5．3．1 使用MindSpore實現深度神經網絡 184
5．3．2 使用MindSpore實現LSTM的文本預測 188
5．4 本章小結 197
第6章 Atlas人工智能計算平臺 199
6．1 AI芯片概述 200
6．2 昇騰芯片硬件架構 200
6．2．1 昇騰AI處理器總覽 200
6．2．2 達芬奇架構 202
6．3 昇騰芯片軟件架構 203
6．4 Atlas人工智能計算平臺 206
6．4．1 基本介紹 206
6．4．2 Atlas產品代表 207
6．5 Atlas的行業應用 208
6．5．1 華為Atlas構建輸電設備物聯網 208
6．5．2 人工智能落地應用按下“加速鍵” 210
6．5．3 助力開發者 211
6．5．4 促進醫療行業 211
6．5．5 優化城市交通 211
6．5．6 推動AI行業發展 212
6．6 本章小結 212
第7章 ModelArts應用維護 213
7．1 ModelArts人工智能應用開發平臺概述 214
7．2 數據準備 214
7．2．1 數據采集 215
7．2．2 數據接入 215
7．2．3 數據處理 216
7．2．4 數據標注 224
7．2．5 數據分析和優化 230
7．3 算法選擇與開發 233
7．3．1 基礎層算法選擇 233
7．3．2 應用層算法選擇 238
7．3．3 ModelArts預置算法選擇 243
7．3．4 算法開發 244
7．3．5 ModelArts云上云下協同開發 250
7．4 模型訓練 251
7．4．1 模型訓練的基本過程 251
7．4．2 基于ModelArts的模型訓練 256
7．4．3 端到端訓練加速 261
7．4．4 自動搜索 274
7．5 模型評估與調優 279
7．5．1 模型評估 280
7．5．2 精度診斷優化 292
7．6 應用生成與發布 298
7．6．1 應用管理 298
7．6．2 應用部署和發布 306
7．7 應用維護 313
7．7．1 數據采集和篩選 315
7．7．2 應用迭代 318
7．7．3 基于ModelArts的應用維護 319
7．8 案例：智慧工地安全帽識別 324
7．9 本章小結 327
第8章 人工智能應用開發流程 333
8．1 人工智能應用開發流程解析 334
8．1．1 數據準備子流程 336
8．1．2 算法選擇和開發子流程 337
8．1．3 模型訓練子流程 338
8．1．4 模型評估和調優子流程 339
8．1．5 應用生成、評估和發布子流程 340
8．1．6 應用維護子流程 340
8．2 人工智能應用開發流程的權衡 341
8．2．1 復雜和簡單的取舍 341
8．2．2 人與機器的平衡 342
8．2．3 開發和運行的融合 342
8．3 人工智能應用開發全流程的成本分析 343
8．3．1 設計和開發成本 343
8．3．2 部署和維護成本 344
8．3．3 邊際成本 344
8．4 本章小結 345
第9章 人工智能應用開發場景實戰 347
9．1 基于ModelArts JupyterLab在線調優鋼筋檢測 348
9．1．1 環境準備 348
9．1．2 下載代碼和數據集 352
9．1．3 加載需要的Python模塊 353
9．1．4 查看訓練數據樣例 354
9．1．5 顯示原圖和標注框 354
9．1．6 定義訓練超參、模型、日志保存路徑 357
9．1．7 構建模型，定義優化器及損失函數 358
9．1．8 定義自適應學習率函數 358
9．1．9 定義訓練函數 358
9．1．10 開始訓練模型 360
9．1．11 定義目標檢測類 360
9．1．12 定義推理網絡，并加載前面訓練的loss*低的模型 361
9．1．13 測試圖片，輸出每條鋼筋的位置和圖片中鋼筋總條數 362
9．2 電影推薦系統構建 364
9．3 基于RFM模型的航空公司客戶價值分析案例 367
9．3．1 背景與挖掘目標 367
9．3．2 分析方法與過程 367
9．4 本章小結 383
1．1 鯤鵬&昇騰生態概述 2
1．1．1 鯤鵬生態概述 2
1．1．2 芯片產業概述 3
1．1．3 昇騰系列芯片概述 4
1．2 人工智能概述 7
1．2．1 人工智能技術的發展 7
1．2．2 人工智能技術的主要領域 9
1．2．3 人工智能技術的價值 11
1．2．4 人工智能平臺Atlas 13
1．3 百花齊放的AI時代 14
1．4 本章小結 16
第 2章 機器學習 17
2．1 機器學習概述 18
2．1．1 機器學習介紹 18
2．1．2 機器學習主要流派 18
2．1．3 機器學習、數據挖掘、人工智能的區別 21
2．2 機器學習分類 24
2．2．1 監督學習 24
2．2．2 非監督學習 24
2．2．3 半監督學習 25
2．2．4 強化學習 25
2．3 機器學習流程及重要方法 26
2．3．1 機器學習流程 26
2．3．2 常見的統計方法介紹 28
2．3．3 數據降維 31
2．3．4 特征工程 34
2．3．5 機器學習效果評測 35
2．3．6 可視化分析 38
2．4 機器學習常見算法 42
2．4．1 線性回歸 42
2．4．2 多項式回歸 50
2．4．3 邏輯回歸 51
2．4．4 梯度下降算法 54
2．4．5 決策樹 60
2．4．6 支持向量機 63
2．4．7 KNN 65
2．4．8 樸素貝葉斯 68
2．4．9 集成學習 72
2．4．10 聚類算法 77
2．5 本章小結 83
第3章 深度學習 85
3．1 深度學習概述 86
3．2 神經網絡 87
3．2．1 前饋神經網絡 87
3．2．2 反饋神經網絡 89
3．2．3 神經網絡相關概念 91
3．3 卷積神經網絡 96
3．4 循環神經網絡 100
3．5 LSTM 103
3．5．1 RNN中包含單個層重復模塊 104
3．5．2 LSTM重復模塊包含4個交互層 104
3．5．3 LSTM背后的核心理念 105
3．5．4 LSTM分步執行 105
3．6 神經網絡優化 107
3．7 強化學習 113
3．7．1 獎勵驅動行為思想 113
3．7．2 強化學習的基本框架 114
3．7．3 強化學習算法 114
3．8 本章小結 116
第4章 TensorFlow機器學習框架 117
4．1 TensorFlow 2．x安裝 118
4．2 TensorFlow 1．x 與TensorFlow 2．x的差別 120
4．3 TensorFlow基礎語法 121
4．3．1 TensorFlow基礎概念 121
4．3．2 第 一個TensorFlow實例 139
4．3．3 TensorFlow2．0 Eager Execution模式 147
4．3．4 TensorFlow常用模塊介紹 148
4．3．5 TensorFlow模型應用 155
4．4 TensorFlow實操案例 159
4．4．1 TensorFlow實現線性回歸案例 159
4．4．2 TensorFlow實現k-means算法案例 161
4．4．3 TensorFlow mnist 數據集手寫體識別案例 164
4．4．4 TensorFlow 實現簡單神經網絡 165
4．4．5 TensorFlow實現貓狗識別案例 166
4．4．6 TensorFlow實現RNN空氣污染案例 169
4．5 本章小結 173
第5章 MindSpore開發框架 175
5．1 MindSpore概述 176
5．2 MindSpore基礎應用 176
5．2．1 加載數據集 176
5．2．2 定義網絡 179
5．2．3 保存模型 181
5．3 MindSpore案例 184
5．3．1 使用MindSpore實現深度神經網絡 184
5．3．2 使用MindSpore實現LSTM的文本預測 188
5．4 本章小結 197
第6章 Atlas人工智能計算平臺 199
6．1 AI芯片概述 200
6．2 昇騰芯片硬件架構 200
6．2．1 昇騰AI處理器總覽 200
6．2．2 達芬奇架構 202
6．3 昇騰芯片軟件架構 203
6．4 Atlas人工智能計算平臺 206
6．4．1 基本介紹 206
6．4．2 Atlas產品代表 207
6．5 Atlas的行業應用 208
6．5．1 華為Atlas構建輸電設備物聯網 208
6．5．2 人工智能落地應用按下“加速鍵” 210
6．5．3 助力開發者 211
6．5．4 促進醫療行業 211
6．5．5 優化城市交通 211
6．5．6 推動AI行業發展 212
6．6 本章小結 212
第7章 ModelArts應用維護 213
7．1 ModelArts人工智能應用開發平臺概述 214
7．2 數據準備 214
7．2．1 數據采集 215
7．2．2 數據接入 215
7．2．3 數據處理 216
7．2．4 數據標注 224
7．2．5 數據分析和優化 230
7．3 算法選擇與開發 233
7．3．1 基礎層算法選擇 233
7．3．2 應用層算法選擇 238
7．3．3 ModelArts預置算法選擇 243
7．3．4 算法開發 244
7．3．5 ModelArts云上云下協同開發 250
7．4 模型訓練 251
7．4．1 模型訓練的基本過程 251
7．4．2 基于ModelArts的模型訓練 256
7．4．3 端到端訓練加速 261
7．4．4 自動搜索 274
7．5 模型評估與調優 279
7．5．1 模型評估 280
7．5．2 精度診斷優化 292
7．6 應用生成與發布 298
7．6．1 應用管理 298
7．6．2 應用部署和發布 306
7．7 應用維護 313
7．7．1 數據采集和篩選 315
7．7．2 應用迭代 318
7．7．3 基于ModelArts的應用維護 319
7．8 案例：智慧工地安全帽識別 324
7．9 本章小結 327
第8章 人工智能應用開發流程 333
8．1 人工智能應用開發流程解析 334
8．1．1 數據準備子流程 336
8．1．2 算法選擇和開發子流程 337
8．1．3 模型訓練子流程 338
8．1．4 模型評估和調優子流程 339
8．1．5 應用生成、評估和發布子流程 340
8．1．6 應用維護子流程 340
8．2 人工智能應用開發流程的權衡 341
8．2．1 復雜和簡單的取舍 341
8．2．2 人與機器的平衡 342
8．2．3 開發和運行的融合 342
8．3 人工智能應用開發全流程的成本分析 343
8．3．1 設計和開發成本 343
8．3．2 部署和維護成本 344
8．3．3 邊際成本 344
8．4 本章小結 345
第9章 人工智能應用開發場景實戰 347
9．1 基于ModelArts JupyterLab在線調優鋼筋檢測 348
9．1．1 環境準備 348
9．1．2 下載代碼和數據集 352
9．1．3 加載需要的Python模塊 353
9．1．4 查看訓練數據樣例 354
9．1．5 顯示原圖和標注框 354
9．1．6 定義訓練超參、模型、日志保存路徑 357
9．1．7 構建模型，定義優化器及損失函數 358
9．1．8 定義自適應學習率函數 358
9．1．9 定義訓練函數 358
9．1．10 開始訓練模型 360
9．1．11 定義目標檢測類 360
9．1．12 定義推理網絡，并加載前面訓練的loss*低的模型 361
9．1．13 測試圖片，輸出每條鋼筋的位置和圖片中鋼筋總條數 362
9．2 電影推薦系統構建 364
9．3 基于RFM模型的航空公司客戶價值分析案例 367
9．3．1 背景與挖掘目標 367
9．3．2 分析方法與過程 367
9．4 本章小結 383
展開全部
昇騰AI應用開發 作者簡介
北京博海迪信息科技有限公司聚焦于云計算、大數據、人工智能、5G、區塊鏈、軟件開發、物聯網、網絡安全、數據通信等領域的創新產業人才培養，通過產教融合云平臺與專業教育服務融合的方式，累計服務800余所高校和5000多家企業，為社會輸送了超過25萬名ICT產業高端人才。
書友推薦
- >
李白與唐代文化
- >
姑媽的寶刀
- >
隨園食單
- >
推拿
- >
名家帶你讀魯迅:故事新編
- >
我與地壇
- >
中國歷史的瞬間
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
