「本書全面介紹深度電腦視覺的最先進作法,在Keras中建構端到端生產系統,提供經過實戰檢驗的最佳實務解決方案。」
—Fran?ois Chollet
深度學習研究者和Keras創造者
這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題,包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習:資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。
Google工程師Valliappa Lakshmanan、Martin G?rner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型,並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。
您將學習如何:
.為電腦視覺任務設計機器學習架構
.選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet)
.建立端到端ML生產線來訓練、評估、部署和解釋您的模型
.前置處理影像以進行資料擴增進行並支援可學習性
.納入可解釋性和負責任的AI的最佳實務
.將影像模型部署為Web服務或在邊緣設備上
.監控和管理機器學習模型
—Fran?ois Chollet
深度學習研究者和Keras創造者
這本實用指南向您展示了如何使用機器學習模型從影像中淬取資訊。ML工程師和資料科學家將會學習經過驗證的ML技術來解決各種影像問題,包括分類、物件偵測、自編碼器、影像產生、計數和圖說產生。本書卓越的介紹了端到端深度學習:資料集建立、資料前置處理、模型設計、模型訓練、評估、部署和可解釋性。
Google工程師Valliappa Lakshmanan、Martin G?rner和Ryan Gillard向您展示了如何開發準確且可解釋的電腦視覺ML模型,並使用強大的ML架構以靈活且可維護的方式將它們投入大規模生產。您將學習如何使用以TensorFlow和Keras編寫的模型進行設計、訓練、評估和預測。
您將學習如何:
.為電腦視覺任務設計機器學習架構
.選擇適合您的任務的模型(例如ResNet、SqueezeNet或EfficientNet)
.建立端到端ML生產線來訓練、評估、部署和解釋您的模型
.前置處理影像以進行資料擴增進行並支援可學習性
.納入可解釋性和負責任的AI的最佳實務
.將影像模型部署為Web服務或在邊緣設備上
.監控和管理機器學習模型
