第 1章 人工智能概述 1

1.1　鯤鵬&?N騰生態(tài)概述　2

1.1.1　鯤鵬生態(tài)概述　2

1.1.2　芯片產(chǎn)業(yè)概述　3

1.1.3　?N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(shù)的發(fā)展　7

1.2.2　人工智能技術(shù)的主要領(lǐng)域　9

1.2.3　人工智能技術(shù)的價(jià)值　11

1.2.4　人工智能平臺(tái)Atlas　13

1.3　百花齊放的AI時(shí)代　14

1.4　本章小結(jié)　16

第　2章 機(jī)器學(xué)習(xí)　17

2.1　機(jī)器學(xué)習(xí)概述　18

2.1.1　機(jī)器學(xué)習(xí)介紹　18

2.1.2　機(jī)器學(xué)習(xí)主要流派　18

2.1.3　機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘、人工智能的區(qū)別　21

2.2　機(jī)器學(xué)習(xí)分類　24

2.2.1　監(jiān)督學(xué)習(xí)　24

2.2.2　非監(jiān)督學(xué)習(xí)　24

2.2.3　半監(jiān)督學(xué)習(xí)　25

2.2.4　強(qiáng)化學(xué)習(xí)　25

2.3　機(jī)器學(xué)習(xí)流程及重要方法　26

2.3.1　機(jī)器學(xué)習(xí)流程　26

2.3.2　常見(jiàn)的統(tǒng)計(jì)方法介紹　28

2.3.3　數(shù)據(jù)降維　31

2.3.4　特征工程　34

2.3.5　機(jī)器學(xué)習(xí)效果評(píng)測(cè)　35

2.3.6　可視化分析　38

2.4　機(jī)器學(xué)習(xí)常見(jiàn)算法　42

2.4.1　線性回歸　42

2.4.2　多項(xiàng)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(shù)　60

2.4.6　支持向量機(jī)　63

2.4.7　KNN　65

2.4.8　樸素貝葉斯　68

2.4.9　集成學(xué)習(xí)　72

2.4.10　聚類算法　77

2.5　本章小結(jié)　83

第3章　深度學(xué)習(xí)　85

3.1　深度學(xué)習(xí)概述　86

3.2　神經(jīng)網(wǎng)絡(luò)　87

3.2.1　前饋神經(jīng)網(wǎng)絡(luò)　87

3.2.2　反饋神經(jīng)網(wǎng)絡(luò)　89

3.2.3　神經(jīng)網(wǎng)絡(luò)相關(guān)概念　91

3.3　卷積神經(jīng)網(wǎng)絡(luò)　96

3.4　循環(huán)神經(jīng)網(wǎng)絡(luò)　100

3.5　LSTM　103

3.5.1　RNN中包含單個(gè)層重復(fù)模塊　104

3.5.2　LSTM重復(fù)模塊包含4個(gè)交互層　104

3.5.3　LSTM背后的核心理念　105

3.5.4　LSTM分步執(zhí)行　105

3.6　神經(jīng)網(wǎng)絡(luò)優(yōu)化　107

3.7　強(qiáng)化學(xué)習(xí)　113

3.7.1　獎(jiǎng)勵(lì)驅(qū)動(dòng)行為思想　113

3.7.2　強(qiáng)化學(xué)習(xí)的基本框架　114

3.7.3　強(qiáng)化學(xué)習(xí)算法　114

3.8　本章小結(jié)　116

第4章　TensorFlow機(jī)器學(xué)習(xí)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(chǔ)語(yǔ)法　121

4.3.1　TensorFlow基礎(chǔ)概念　121

4.3.2　第 一個(gè)TensorFlow實(shí)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(yīng)用　155

4.4　TensorFlow實(shí)操案例　159

4.4.1　TensorFlow實(shí)現(xiàn)線性回歸案例　159

4.4.2　TensorFlow實(shí)現(xiàn)k-means算法案例　161

4.4.3　TensorFlow mnist 數(shù)據(jù)集手寫(xiě)體識(shí)別案例　164

4.4.4　TensorFlow 實(shí)現(xiàn)簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)　165

4.4.5　TensorFlow實(shí)現(xiàn)貓狗識(shí)別案例　166

4.4.6　TensorFlow實(shí)現(xiàn)RNN空氣污染案例　169

4.5　本章小結(jié)　173

第5章　MindSpore開(kāi)發(fā)框架　175

5.1　MindSpore概述　176

5.2　MindSpore基礎(chǔ)應(yīng)用　176

5.2.1　加載數(shù)據(jù)集　176

5.2.2　定義網(wǎng)絡(luò)　179

5.2.3　保存模型　181

5.3　MindSpore案例　184

5.3.1　使用MindSpore實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)　184

5.3.2　使用MindSpore實(shí)現(xiàn)LSTM的文本預(yù)測(cè)　188

5.4　本章小結(jié)　197

第6章　Atlas人工智能計(jì)算平臺(tái)　199

6.1　AI芯片概述　200

6.2　?N騰芯片硬件架構(gòu)　200

6.2.1　?N騰AI處理器總覽　200

6.2.2　達(dá)芬奇架構(gòu)　202

6.3　?N騰芯片軟件架構(gòu)　203

6.4　Atlas人工智能計(jì)算平臺(tái)　206

6.4.1　基本介紹　206

6.4.2　Atlas產(chǎn)品代表　207

6.5　Atlas的行業(yè)應(yīng)用　208

6.5.1　華為Atlas構(gòu)建輸電設(shè)備物聯(lián)網(wǎng)　208

6.5.2　人工智能落地應(yīng)用按下加速鍵　210

6.5.3　助力開(kāi)發(fā)者　211

6.5.4　促進(jìn)醫(yī)療行業(yè)　211

6.5.5　優(yōu)化城市交通　211

6.5.6　推動(dòng)AI行業(yè)發(fā)展　212

6.6　本章小結(jié)　212

第7章　ModelArts應(yīng)用維護(hù)　213

7.1　ModelArts人工智能應(yīng)用開(kāi)發(fā)平臺(tái)概述　214

7.2　數(shù)據(jù)準(zhǔn)備　214

7.2.1　數(shù)據(jù)采集　215

7.2.2　數(shù)據(jù)接入　215

7.2.3　數(shù)據(jù)處理　216

7.2.4　數(shù)據(jù)標(biāo)注　224

7.2.5　數(shù)據(jù)分析和優(yōu)化　230

7.3　算法選擇與開(kāi)發(fā)　233

7.3.1　基礎(chǔ)層算法選擇　233

7.3.2　應(yīng)用層算法選擇　238

7.3.3　ModelArts預(yù)置算法選擇　243

7.3.4　算法開(kāi)發(fā)　244

7.3.5　ModelArts云上云下協(xié)同開(kāi)發(fā)　250

7.4　模型訓(xùn)練　251

7.4.1　模型訓(xùn)練的基本過(guò)程　251

7.4.2　基于ModelArts的模型訓(xùn)練　256

7.4.3　端到端訓(xùn)練加速　261

7.4.4　自動(dòng)搜索　274

7.5　模型評(píng)估與調(diào)優(yōu)　279

7.5.1　模型評(píng)估　280

7.5.2　精度診斷優(yōu)化　292

7.6　應(yīng)用生成與發(fā)布　298

7.6.1　應(yīng)用管理　298

7.6.2　應(yīng)用部署和發(fā)布　306

7.7　應(yīng)用維護(hù)　313

7.7.1　數(shù)據(jù)采集和篩選　315

7.7.2　應(yīng)用迭代　318

7.7.3　基于ModelArts的應(yīng)用維護(hù)　319

7.8　案例：智慧工地安全帽識(shí)別　324

7.9　本章小結(jié)　327

第8章　人工智能應(yīng)用開(kāi)發(fā)流程　333

8.1　人工智能應(yīng)用開(kāi)發(fā)流程解析　334

8.1.1　數(shù)據(jù)準(zhǔn)備子流程　336

8.1.2　算法選擇和開(kāi)發(fā)子流程　337

8.1.3　模型訓(xùn)練子流程　338

8.1.4　模型評(píng)估和調(diào)優(yōu)子流程　339

8.1.5　應(yīng)用生成、評(píng)估和發(fā)布子流程　340

8.1.6　應(yīng)用維護(hù)子流程　340

8.2　人工智能應(yīng)用開(kāi)發(fā)流程的權(quán)衡　341

8.2.1　復(fù)雜和簡(jiǎn)單的取舍　341

8.2.2　人與機(jī)器的平衡　342

8.2.3　開(kāi)發(fā)和運(yùn)行的融合　342

8.3　人工智能應(yīng)用開(kāi)發(fā)全流程的成本分析　343

8.3.1　設(shè)計(jì)和開(kāi)發(fā)成本　343

8.3.2　部署和維護(hù)成本　344

8.3.3　邊際成本　344

8.4　本章小結(jié)　345

第9章　人工智能應(yīng)用開(kāi)發(fā)場(chǎng)景實(shí)戰(zhàn)　347

9.1　基于ModelArts JupyterLab在線調(diào)優(yōu)鋼筋檢測(cè)　348

9.1.1　環(huán)境準(zhǔn)備　348

9.1.2　下載代碼和數(shù)據(jù)集　352

9.1.3　加載需要的Python模塊　353

9.1.4　查看訓(xùn)練數(shù)據(jù)樣例　354

9.1.5　顯示原圖和標(biāo)注框　354

9.1.6　定義訓(xùn)練超參、模型、日志保存路徑　357

9.1.7　構(gòu)建模型，定義優(yōu)化器及損失函數(shù)　358

9.1.8　定義自適應(yīng)學(xué)習(xí)率函數(shù)　358

9.1.9　定義訓(xùn)練函數(shù)　358

9.1.10　開(kāi)始訓(xùn)練模型　360

9.1.11　定義目標(biāo)檢測(cè)類　360

9.1.12　定義推理網(wǎng)絡(luò)，并加載前面訓(xùn)練的loss的模型　361

9.1.13　測(cè)試圖片，輸出每條鋼筋的位置和圖片中鋼筋總條數(shù)　362

9.2　電影推薦系統(tǒng)構(gòu)建　364

9.3　基于RFM模型的航空公司客戶價(jià)值分析案例　367

9.3.1　背景與挖掘目標(biāo)　367

9.3.2　分析方法與過(guò)程　367

9.4　本章小結(jié)　383