中圖網小程序
一鍵登錄
更方便
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
華為MINDSPORE深度學習框架應用開發實戰 版權信息
- ISBN：9787115629852
- 條形碼：9787115629852 ; 978-7-115-62985-2
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
華為MINDSPORE深度學習框架應用開發實戰 本書特色
1.本書作者是多年從事軟件開發工作的工程師，具有豐富的開發經驗。
2.本書是入門級圖書，通過直觀的圖表和言簡意賅的語言講解深度學習的基礎理論，可讀性強。
3.本書采用多個經典實例，實戰型高，內容直觀。
4.本書配套資源豐富，便于讀者自學。
華為MINDSPORE深度學習框架應用開發實戰 內容簡介
全書從邏輯上共分3部分。**部分由第1章和第2章組成，介紹深度學習的基礎理論、MindSpore總體架構和編程基礎。第二部分由第3～8章組成，介紹MindSpore框架各子系統的具體情況，包括數據處理、算子、神經網絡模型開發、數據可視化組件MindInsight、推理、以及移動端AI框架MindSpore Lite。第三部分由第9章和第10章組成，介紹使用MindSpore框架開發和訓練的經典深度學習模型實例。 本書既可以作為深度學習相關方向學生的專業用書，又可以作為相關科研人員和開發人員的參考用書。
華為MINDSPORE深度學習框架應用開發實戰 目錄
第 1章 深度學習基礎 1
1.1 深度學習的基礎理論 1
1.1.1 人工智能的發展歷程 1
1.1.2 深度學習是當前熱度*高的AI技術 3
1.1.3 深度學習技術的常用概念 5
1.1.4 深度學習的基本工作流程 8
1.2 深度學習框架 10
1.2.1 常用的深度學習框架 10
1.2.2 深度學習框架的對比與選擇 12
1.3 深度學習框架的執行模式 15
1.3.1 Eager模式和Graph模式的對比 15
1.3.2 計算圖的概念 17
1.4 華為云AI平臺ModelArts 20
1.4.1 功能概述 20
1.4.2 ModelArts平臺對?N騰生態的支持 22
1.4.3 ModelArts開發工具 22
1.4.4 使用ModelArts平臺的基本方法 23
第 2章 MindSpore概述 30
2.1 總體架構 30
2.1.1 華為全棧全場景AI解決方案 30
2.1.2 MindSpore框架的總體架構 31
2.2 MindSpore庫和子系統 32
2.2.1 ModelZoo模型庫 33
2.2.2 Extend擴展庫 33
2.2.3 MindScience子系統 33
2.2.4 MindExpression子系統 34
2.2.5 MindCompiler子系統 34
2.2.6 MindRT子系統 36
2.2.7 MindData子系統 36
2.2.8 MindInsight子系統 37
2.2.9 MindAmour子系統 37
2.3 搭建MindSpore環境 38
2.3.1 準備基礎運行環境 38
2.3.2 安裝MindSpore框架 40
2.3.3 MindSpore社區 41
2.4 Python模塊編程 42
2.4.1 Python模塊編程基礎 42
2.4.2 常用的Python數據科學開發包 44
2.4.3 MindSpore Python API的常用模塊 45
2.5 MindSpore編程基礎 46
2.5.1 MindSpore的開發流程 46
2.5.2 配置MindSpore的運行信息 46
2.5.3 數據類型（DataType） 47
2.5.4 張量（Tensor） 48
2.5.5 數據集（Dataset） 51
2.5.6 算子（Operation） 51
2.5.7 神經網絡基本單元（Cell） 51
2.5.8 模型（Model） 51
第3章 數據處理 52
3.1 背景知識 52
3.1.1 深度學習中的數據處理 52
3.1.2 MindSpore的數據處理流程 53
3.2 數據集加載 54
3.2.1 加載常用圖像數據集 54
3.2.2 加載常用文本數據集 56
3.2.3 數據采樣 58
3.2.4 生成和使用自定義數據集 59
3.3 通用數據處理 60
3.3.1 數據混洗 60
3.3.2 實現數據映射操作 61
3.3.3 對數據集進行分批 62
3.3.4 對數據集進行重復處理 63
3.3.5 對數據集進行拼接處理 64
3.3.6 Tensor對象的轉置處理 66
3.4 文本數據處理 68
3.4.1 文本數據增強技術概述 68
3.4.2 構造和使用詞匯表 68
3.4.3 文本分詞技術 69
3.5 圖像處理與增強 71
3.5.1 使用Matplotlib顯示圖像 72
3.5.2 圖像裁剪 73
3.5.3 圖像翻轉 75
3.5.4 圖像縮放 76
3.5.5 圖像反相 76
3.5.6 圖像格式的轉換 78
3.5.7 圖像數據類型的轉換 78
3.6 自定義數據集MindRecord 78
3.6.1 將數據存儲為MindRecord數據集 79
3.6.2 加載MindRecord數據集 81
3.7 優化數據處理 81
.3.7.1 數據加載性能優化 82
3.7.2 數據增強性能優化 82
3.8 ModelArts數據處理 84
3.8.1 創建數據集 85
3.8.2 數據增強 85
第4章 MindSpore算子 88
4.1 深度學習的常用算法 88
4.1.1 激活函數 88
4.1.2 損失函數 91
4.1.3 優化器（optimizer） 94
4.1.4 歸一化（normalization） 99
4.2 常用的激活函數算子 102
4.2.1 ReLU函數相關算子 102
4.2.2 Sigmoid函數相關算子 103
4.2.3 Tanh函數相關算子 104
4.2.4 Leaky ReLU函數相關算子 105
4.2.5 ELU函數相關算子 105
4.3 常用的損失函數算子 106
4.3.1 MSE損失函數相關算子 106
4.3.2 L1損失函數相關算子 108
4.3.3 SmoothL1損失函數相關算子 108
4.3.4 交叉熵損失函數相關算子 109
4.3.5 KLDiv損失函數相關算子 111
4.3.6 NLL損失函數相關算子 111
4.3.7 SoftMargin損失函數相關算子 112
4.4 常用的優化器和學習率相關算子 113
4.4.1 常用的優化器算子 113
4.4.2 學習率相關算子 113
4.5 常用的歸一化算子 115
4.5.1 BN算法相關算子 115
4.5.2 LN算法相關算子 116
4.5.3 IN算法相關算子 117
4.5.4 GN算法相關算子 117
4.5.5 LRN算法相關算子 118
第5章 神經網絡模型開發 120
5.1 神經網絡模型基礎 120
5.1.1 搭建神經網絡的流程 120
5.1.2 CNN的工作原理 122
5.1.3 CNN的經典模型 130
5.2 MindSpore搭建神經網絡 135
5.2.1 在MindSpore框架中搭建神經網絡的流程 135
5.2.2 定義神經網絡類 136
5.2.3 在神經網絡中定義隱層 137
5.2.4 自動微分 140
5.2.5 設置超參初始值 144
5.2.6 設置損失函數和優化器 145
5.3 模型訓練 145
5.3.1 創建模型對象 145
5.3.2 訓練模型 145
5.3.3 保存模型 146
5.4 基于LeNet-5模型的手寫數字識別實例 147
5.4.1 搭建環境 147
5.4.2 訓練模型 149
5.4.3 LeNet-5模型的源代碼解析 150
5.5 通過ModelArts云平臺在線訓練模型 154
5.5.1 本節案例的流程 154
5.5.2 準備訓練數據 154
5.5.3 訂閱算法 156
5.5.4 使用訂閱算法創建訓練作業 158
第6章 數據可視化組件MindInsight 160
6.1 MindInsight概述 160
6.1.1 MindInsight的工作原理 160
6.1.2 安裝MindInsight 160
6.2 收集和解析Summary日志文件 162
6.2.1 收集Summary日志文件 162
6.2.2 解析Summary日志文件 165
6.3 訓練看板 166
6.3.1 訓練標量可視化 167
6.3.2 參數分布圖 167
6.3.3 張量可視化 168
6.3.4 計算圖可視化 169
6.3.5 數據圖可視化 172
6.3.6 數據抽樣 172
6.3.7 損失函數多維分析 172
6.4 溯源與對比看板 181
6.4.1 溯源與對比的數據采集實例 181
6.4.2 溯源 182
6.4.3 對比看板 183
第7章 推理 185
7.1 概述 185
7.1.1 推理的基本概念 185
7.1.2 訓練和推理的區別與聯系 186
7.2 MindSpore推理概述 186
7.2.1 MindSpore推理的流程 186
7.2.2 MindSpore模型文件格式 187
7.2.3 加載模型 188
7.3 MindSpore在線推理 188
7.3.1 使用MindSpore Hub從華為云加載模型 188
7.3.2 驗證模型 192
7.3.3 測試模型 193
7.4 MindSpore離線推理 195
7.4.1 ONNX Runtime概述 196
7.4.2 MindSpore導出ONNX模型 196
7.4.3 在Python環境中安裝ONNX Runtime 197
7.4.4 Python使用ONNX Runtime進行推理的流程 197
7.4.5 加載模型 197
7.4.6 獲取輸入輸出節點名 198
7.4.7 準備數據 198
7.4.8 執行推理 199
7.5 通過ModelArts云平臺實現在線推理 200
7.5.1 模型轉換 201
7.5.2 創建AI應用 202
7.5.3 部署為在線服務 204
7.5.4 調用在線服務的API接口 206
7.5.5 清除資源 210
第8章 移動端AI框架MindSpore Lite 211
8.1 MindSpore Lite的總體架構 211
8.1.1 離線模塊 211
8.1.2 在線模塊 212
8.2 在Ubuntu環境下安裝MindSpore Lite 212
8.2.1 安裝依賴的軟件 212
8.2.2 編譯MindSpore Lite 214
8.2.3 下載MindSpore Lite壓縮包 215
8.3 MindSpore Lite C 編程 217
8.3.1 完整的遷移學習過程編程 217
8.3.2 端側模型訓練可以使用的回調函數 219
8.3.3 單純的端側推理場景編程 221
8.4 端側訓練、評估和推理實例 223
8.4.1 實例的目錄結構 223
8.4.2 解析實例的主腳本prepare_and_run.sh 223
8.4.3 為運行實例做準備 233
8.4.4 運行實例 236
8.4.5 實例中端側模型訓練代碼解析 238
8.4.6 實例中端側模型評估代碼解析 244
8.4.7 實例中端側模型推理代碼解析 245
8.5 開發圖像分類的Android APP實例 249
8.5.1 本實例的運行效果 249
8.5.2 本實例的開發流程 250
8.5.3 本實例使用的圖像分類模型 251
8.5.4 下載本實例的源代碼 253
8.5.5 搭建本實例的開發環境 254
8.5.6 構建和運行本實例APP項目 257
8.5.7 本實例執行端側推理的流程 257
8.5.8 端側推理的C 程序 258
第9章 基于DCGAN的動漫頭像生成實例 269
9.1 GAN和DCGAN理論基礎 269
9.1.1 生成模型和判別模型 269
9.1.2 什么是GAN 270
9.1.3 DCGAN的原理 271
9.2 為在線運行實例準備環境 273
9.2.1 下載實例代碼 273
9.2.2 在ModelArts創建Notebook實例并上傳代碼 274
9.3 實例的在線運行與代碼解析 275
9.3.1 下載并解壓數據集 276
9.3.2 設置MindSpore運行屬性及訓練參數 276
9.3.3 圖像數據處理與增強 277
9.3.4 可視化部分訓練數據 279
9.3.5 初始化權重參數 280
9.3.6 定義生成器模型 281
9.3.7 定義判別器模型 283
9.3.8 連接生成器和損失函數 284
9.3.9 連接判別器和損失函數 285
9.3.10 定義損失函數和優化器 286
9.3.11 定義DCGAN網絡 287
9.3.12 完成生成器和判別器的實例化工作 288
9.3.13 訓練模型 288
9.3.14 繪制訓練過程中生成器和判別器損失值變化趨勢圖 290
9.3.15 展示生成的卡通頭像 291
第 10章 基于RNN實現文本情感分類的實例 294
10.1 文本的數值化表示 294
10.1.1 獨熱（One-hot）編碼 294
10.1.2 將每個單詞編碼為一個唯一數字 294
10.1.3 詞嵌入向量 295
10.1.4 GloVe（Global Vectors，全局詞向量）模型 296
10.2 RNN工作原理 298
10.2.1 RNN的網絡結構 298
10.2.2 RNN的作用 299
10.2.3 LSTM模型 299
10.3 實例的運行和代碼解析 301
10.3.1 下載實例代碼并上傳至ModelArts云平臺 301
10.3.2 本實例的代碼塊 301
10.3.3 下載并解壓數據集 301
10.3.4 下載GloVe包 302
10.3.5 創建保存數據集預處理輸出的目錄 303
10.3.6 配置運行信息和網絡參數 303
10.3.7 安裝gensim依賴包 304
10.3.8 執行數據集預處理 305
10.3.9 顯示數據集預處理的結果 310
10.3.10 創建訓練集對象 311
10.3.11 定義網絡 312
10.3.12 訓練并保存模型 324
10.3.13 模型驗證 325
10.3.14 本實例的MindSpore版本不兼容問題 326
附錄 327
第8章APP實例的部分代碼解析 327
一．主界面處理程序簡介 327
二．結果頁面處理程序簡介 330
三．端側推理的Java程序 332
1.1 深度學習的基礎理論 1
1.1.1 人工智能的發展歷程 1
1.1.2 深度學習是當前熱度*高的AI技術 3
1.1.3 深度學習技術的常用概念 5
1.1.4 深度學習的基本工作流程 8
1.2 深度學習框架 10
1.2.1 常用的深度學習框架 10
1.2.2 深度學習框架的對比與選擇 12
1.3 深度學習框架的執行模式 15
1.3.1 Eager模式和Graph模式的對比 15
1.3.2 計算圖的概念 17
1.4 華為云AI平臺ModelArts 20
1.4.1 功能概述 20
1.4.2 ModelArts平臺對?N騰生態的支持 22
1.4.3 ModelArts開發工具 22
1.4.4 使用ModelArts平臺的基本方法 23
第 2章 MindSpore概述 30
2.1 總體架構 30
2.1.1 華為全棧全場景AI解決方案 30
2.1.2 MindSpore框架的總體架構 31
2.2 MindSpore庫和子系統 32
2.2.1 ModelZoo模型庫 33
2.2.2 Extend擴展庫 33
2.2.3 MindScience子系統 33
2.2.4 MindExpression子系統 34
2.2.5 MindCompiler子系統 34
2.2.6 MindRT子系統 36
2.2.7 MindData子系統 36
2.2.8 MindInsight子系統 37
2.2.9 MindAmour子系統 37
2.3 搭建MindSpore環境 38
2.3.1 準備基礎運行環境 38
2.3.2 安裝MindSpore框架 40
2.3.3 MindSpore社區 41
2.4 Python模塊編程 42
2.4.1 Python模塊編程基礎 42
2.4.2 常用的Python數據科學開發包 44
2.4.3 MindSpore Python API的常用模塊 45
2.5 MindSpore編程基礎 46
2.5.1 MindSpore的開發流程 46
2.5.2 配置MindSpore的運行信息 46
2.5.3 數據類型（DataType） 47
2.5.4 張量（Tensor） 48
2.5.5 數據集（Dataset） 51
2.5.6 算子（Operation） 51
2.5.7 神經網絡基本單元（Cell） 51
2.5.8 模型（Model） 51
第3章 數據處理 52
3.1 背景知識 52
3.1.1 深度學習中的數據處理 52
3.1.2 MindSpore的數據處理流程 53
3.2 數據集加載 54
3.2.1 加載常用圖像數據集 54
3.2.2 加載常用文本數據集 56
3.2.3 數據采樣 58
3.2.4 生成和使用自定義數據集 59
3.3 通用數據處理 60
3.3.1 數據混洗 60
3.3.2 實現數據映射操作 61
3.3.3 對數據集進行分批 62
3.3.4 對數據集進行重復處理 63
3.3.5 對數據集進行拼接處理 64
3.3.6 Tensor對象的轉置處理 66
3.4 文本數據處理 68
3.4.1 文本數據增強技術概述 68
3.4.2 構造和使用詞匯表 68
3.4.3 文本分詞技術 69
3.5 圖像處理與增強 71
3.5.1 使用Matplotlib顯示圖像 72
3.5.2 圖像裁剪 73
3.5.3 圖像翻轉 75
3.5.4 圖像縮放 76
3.5.5 圖像反相 76
3.5.6 圖像格式的轉換 78
3.5.7 圖像數據類型的轉換 78
3.6 自定義數據集MindRecord 78
3.6.1 將數據存儲為MindRecord數據集 79
3.6.2 加載MindRecord數據集 81
3.7 優化數據處理 81
.3.7.1 數據加載性能優化 82
3.7.2 數據增強性能優化 82
3.8 ModelArts數據處理 84
3.8.1 創建數據集 85
3.8.2 數據增強 85
第4章 MindSpore算子 88
4.1 深度學習的常用算法 88
4.1.1 激活函數 88
4.1.2 損失函數 91
4.1.3 優化器（optimizer） 94
4.1.4 歸一化（normalization） 99
4.2 常用的激活函數算子 102
4.2.1 ReLU函數相關算子 102
4.2.2 Sigmoid函數相關算子 103
4.2.3 Tanh函數相關算子 104
4.2.4 Leaky ReLU函數相關算子 105
4.2.5 ELU函數相關算子 105
4.3 常用的損失函數算子 106
4.3.1 MSE損失函數相關算子 106
4.3.2 L1損失函數相關算子 108
4.3.3 SmoothL1損失函數相關算子 108
4.3.4 交叉熵損失函數相關算子 109
4.3.5 KLDiv損失函數相關算子 111
4.3.6 NLL損失函數相關算子 111
4.3.7 SoftMargin損失函數相關算子 112
4.4 常用的優化器和學習率相關算子 113
4.4.1 常用的優化器算子 113
4.4.2 學習率相關算子 113
4.5 常用的歸一化算子 115
4.5.1 BN算法相關算子 115
4.5.2 LN算法相關算子 116
4.5.3 IN算法相關算子 117
4.5.4 GN算法相關算子 117
4.5.5 LRN算法相關算子 118
第5章 神經網絡模型開發 120
5.1 神經網絡模型基礎 120
5.1.1 搭建神經網絡的流程 120
5.1.2 CNN的工作原理 122
5.1.3 CNN的經典模型 130
5.2 MindSpore搭建神經網絡 135
5.2.1 在MindSpore框架中搭建神經網絡的流程 135
5.2.2 定義神經網絡類 136
5.2.3 在神經網絡中定義隱層 137
5.2.4 自動微分 140
5.2.5 設置超參初始值 144
5.2.6 設置損失函數和優化器 145
5.3 模型訓練 145
5.3.1 創建模型對象 145
5.3.2 訓練模型 145
5.3.3 保存模型 146
5.4 基于LeNet-5模型的手寫數字識別實例 147
5.4.1 搭建環境 147
5.4.2 訓練模型 149
5.4.3 LeNet-5模型的源代碼解析 150
5.5 通過ModelArts云平臺在線訓練模型 154
5.5.1 本節案例的流程 154
5.5.2 準備訓練數據 154
5.5.3 訂閱算法 156
5.5.4 使用訂閱算法創建訓練作業 158
第6章 數據可視化組件MindInsight 160
6.1 MindInsight概述 160
6.1.1 MindInsight的工作原理 160
6.1.2 安裝MindInsight 160
6.2 收集和解析Summary日志文件 162
6.2.1 收集Summary日志文件 162
6.2.2 解析Summary日志文件 165
6.3 訓練看板 166
6.3.1 訓練標量可視化 167
6.3.2 參數分布圖 167
6.3.3 張量可視化 168
6.3.4 計算圖可視化 169
6.3.5 數據圖可視化 172
6.3.6 數據抽樣 172
6.3.7 損失函數多維分析 172
6.4 溯源與對比看板 181
6.4.1 溯源與對比的數據采集實例 181
6.4.2 溯源 182
6.4.3 對比看板 183
第7章 推理 185
7.1 概述 185
7.1.1 推理的基本概念 185
7.1.2 訓練和推理的區別與聯系 186
7.2 MindSpore推理概述 186
7.2.1 MindSpore推理的流程 186
7.2.2 MindSpore模型文件格式 187
7.2.3 加載模型 188
7.3 MindSpore在線推理 188
7.3.1 使用MindSpore Hub從華為云加載模型 188
7.3.2 驗證模型 192
7.3.3 測試模型 193
7.4 MindSpore離線推理 195
7.4.1 ONNX Runtime概述 196
7.4.2 MindSpore導出ONNX模型 196
7.4.3 在Python環境中安裝ONNX Runtime 197
7.4.4 Python使用ONNX Runtime進行推理的流程 197
7.4.5 加載模型 197
7.4.6 獲取輸入輸出節點名 198
7.4.7 準備數據 198
7.4.8 執行推理 199
7.5 通過ModelArts云平臺實現在線推理 200
7.5.1 模型轉換 201
7.5.2 創建AI應用 202
7.5.3 部署為在線服務 204
7.5.4 調用在線服務的API接口 206
7.5.5 清除資源 210
第8章 移動端AI框架MindSpore Lite 211
8.1 MindSpore Lite的總體架構 211
8.1.1 離線模塊 211
8.1.2 在線模塊 212
8.2 在Ubuntu環境下安裝MindSpore Lite 212
8.2.1 安裝依賴的軟件 212
8.2.2 編譯MindSpore Lite 214
8.2.3 下載MindSpore Lite壓縮包 215
8.3 MindSpore Lite C 編程 217
8.3.1 完整的遷移學習過程編程 217
8.3.2 端側模型訓練可以使用的回調函數 219
8.3.3 單純的端側推理場景編程 221
8.4 端側訓練、評估和推理實例 223
8.4.1 實例的目錄結構 223
8.4.2 解析實例的主腳本prepare_and_run.sh 223
8.4.3 為運行實例做準備 233
8.4.4 運行實例 236
8.4.5 實例中端側模型訓練代碼解析 238
8.4.6 實例中端側模型評估代碼解析 244
8.4.7 實例中端側模型推理代碼解析 245
8.5 開發圖像分類的Android APP實例 249
8.5.1 本實例的運行效果 249
8.5.2 本實例的開發流程 250
8.5.3 本實例使用的圖像分類模型 251
8.5.4 下載本實例的源代碼 253
8.5.5 搭建本實例的開發環境 254
8.5.6 構建和運行本實例APP項目 257
8.5.7 本實例執行端側推理的流程 257
8.5.8 端側推理的C 程序 258
第9章 基于DCGAN的動漫頭像生成實例 269
9.1 GAN和DCGAN理論基礎 269
9.1.1 生成模型和判別模型 269
9.1.2 什么是GAN 270
9.1.3 DCGAN的原理 271
9.2 為在線運行實例準備環境 273
9.2.1 下載實例代碼 273
9.2.2 在ModelArts創建Notebook實例并上傳代碼 274
9.3 實例的在線運行與代碼解析 275
9.3.1 下載并解壓數據集 276
9.3.2 設置MindSpore運行屬性及訓練參數 276
9.3.3 圖像數據處理與增強 277
9.3.4 可視化部分訓練數據 279
9.3.5 初始化權重參數 280
9.3.6 定義生成器模型 281
9.3.7 定義判別器模型 283
9.3.8 連接生成器和損失函數 284
9.3.9 連接判別器和損失函數 285
9.3.10 定義損失函數和優化器 286
9.3.11 定義DCGAN網絡 287
9.3.12 完成生成器和判別器的實例化工作 288
9.3.13 訓練模型 288
9.3.14 繪制訓練過程中生成器和判別器損失值變化趨勢圖 290
9.3.15 展示生成的卡通頭像 291
第 10章 基于RNN實現文本情感分類的實例 294
10.1 文本的數值化表示 294
10.1.1 獨熱（One-hot）編碼 294
10.1.2 將每個單詞編碼為一個唯一數字 294
10.1.3 詞嵌入向量 295
10.1.4 GloVe（Global Vectors，全局詞向量）模型 296
10.2 RNN工作原理 298
10.2.1 RNN的網絡結構 298
10.2.2 RNN的作用 299
10.2.3 LSTM模型 299
10.3 實例的運行和代碼解析 301
10.3.1 下載實例代碼并上傳至ModelArts云平臺 301
10.3.2 本實例的代碼塊 301
10.3.3 下載并解壓數據集 301
10.3.4 下載GloVe包 302
10.3.5 創建保存數據集預處理輸出的目錄 303
10.3.6 配置運行信息和網絡參數 303
10.3.7 安裝gensim依賴包 304
10.3.8 執行數據集預處理 305
10.3.9 顯示數據集預處理的結果 310
10.3.10 創建訓練集對象 311
10.3.11 定義網絡 312
10.3.12 訓練并保存模型 324
10.3.13 模型驗證 325
10.3.14 本實例的MindSpore版本不兼容問題 326
附錄 327
第8章APP實例的部分代碼解析 327
一．主界面處理程序簡介 327
二．結果頁面處理程序簡介 330
三．端側推理的Java程序 332
展開全部
華為MINDSPORE深度學習框架應用開發實戰 作者簡介
李曉黎，1998年畢業于吉林大學計算機系，碩士，具有中國投資銀行、國家開發銀行、中信實業銀行等多家銀行從業經歷，多年參與銀行信息化建設和網銀平臺開發工作，積累了深厚的全棧技術和豐富的實戰開發經驗，自2006年以來10多年間帶領所組建的開發團隊，從事網絡管理軟件、企業ERP系統和電商平臺的開發與建設，對開發模式、開發團隊組織管理和系統架構設計有著深入的理解和豐富的實戰經驗。在帶領技術團隊的過程中積累了豐富的專業技術與培訓經驗。
書友推薦
- >
有舍有得是人生
- >
唐代進士錄
- >
羅庸西南聯大授課錄
- >
姑媽的寶刀
- >
月亮與六便士
- >
二體千字文
- >
推拿
- >
名家帶你讀魯迅:朝花夕拾
本類暢銷
