方案设计篇：如何设计可落地的AI解决方案 扫码试看/订阅 《 TensorFlow 2项目进阶实战》视频课程 • 行业背景：AI新零售是什么? • 用户需求：线下门店业绩如何提升？ • 长期⽬目标：货架数字化与业务智能化 • 短期目标：自动化陈列审核和促销管理 • 方案设计：基于深度学习的检测/分类的AI流水线 • 方案交付：支持在线识别和API调用的 AI SaaS 目录 行业背景：AI新零售是什么

3.1 学习语言模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303 8.3.2 马尔可夫模型与n元语法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305 8.3.3 自然语言统计 . . . . 双向循环神经网络 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352 9.4.1 隐马尔可夫模型中的动态规划 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352 9.4.2 双向模型 . . . . . . . 的事。这些工具已经对工业和社会产生了越来越广泛的影响，改变了电影的制作方式、疾病的诊断方式，并 在基础科学中扮演着越来越重要的角色——从天体物理学到生物学。 关于本书 这本书代表了我们的尝试——让深度学习可平易近人，教会人们概念、背景和代码。 1 一种结合了代码、数学和HTML的媒介 任何一种计算技术要想发挥其全部影响力，都必须得到充分的理解、充分的文档记录，并得到成熟的、维护 良好的工具的支持

我们建议您在部署 Qwen 时尝试使用 vLLM 。它易于使用，且具有最先进的服务吞吐量、高效的注意力键值 内存管理（通过 PagedAttention 实现）、连续批处理输入请求、优化的 CUDA 内核等功能。要了解更多关于 vLLM 的信息，请参阅 论文 和 文档 。 1.10.1 安装 默认情况下，你可以通过 pip 来安装 vLLM ：pip install vLLM>=0.3.0 ，但如果你正在使用 以上提供了该数据集中的每个样本的两个示例。每个样本都是一个 JSON 对象，包含以下字段：type 、 messages 和 source 。其中，messages 是必填字段，而其他字段则是供您标记数据格式和数据来源的可 选字段。messages 字段是一个 JSON 对象列表，每个对象都包含两个字段：role 和 content 。其中，role 可以是 system 、user 或 assistant ，表示消息的角色；content

• Kubernetes版本发布快，新特性更新频繁，对异构调度的支持不断加强；但配套设施落后（e.g. Spark on K8s, GitlabCI) • 容器系统调用栈深，需要仔细验证操作系统，内核及异构设备驱动的兼容性 • Kubernetes对NUMA、异构计算、存储设备的调度能力待加强 1.6 nvidia/gpu custom scheduler 1.8 local-volume

)−?(?0) ?? = lim ?→?0 + ?(?)−?(?0) ?−?0 3.函数的可导性与连续性之间的关系 Th1: 函数?(?)在?0处可微⇔ ?(?)在?0处可导。 Th2:若函数在点?0处可导，则? = ?(?)在点?0处连续，反之则不成立.即函数连续不一定可 导。 Th3:?′(?0)存在⇔ ?′−(?0) = ?′+(?0) 4.平面曲线的切线和法线 法线方程：? − ?0 = − 1 ?′(?0) (? − ?0), ?′(?0) ≠ 0 5.四则运算法则 机器学习的数学基础 2 设函数? = ?(?)，? = ?(?)在点?可导，则： (1) (? ± ?)′ = ?′ ± ?′ (2) (??)′ = ??′ + ??′ ?(??) = ??? + ??? 反函数的运算法则: 设? = ?(?)在点?的某邻域内单调连续，在点?处可导且?′(?) ≠ 0，则其反函数在点?所对应的?处可导，并且有 ?? ?? = 1 ?? ?? (2) 复合函数的运算法则:若? = ?(?)在点?可导,而? = ?(?)在对应点?(? = ?(?))可导,则 复合函数? = ?(?(?))在点?可导,且?′ = ?′(?) ⋅ ?′(?) (3) 隐函数导数

0) ?? = lim ?→?0 + ?(?)−?(?0) ?−?0 4 高等数学 3.函数的可导性与连续性之间的关系 Th1: 函数?(?)在?0处可微⇔ ?(?)在?0处可导。 Th2:若函数在点?0处可导，则? = ?(?)在点?0处连续，反之则不成立。即函数连续不一定可 导。 Th3:?′(?0)存在⇔ ?′−(?0) = ?′+(?0) 5 高等数学 4.平面曲线的切线和法线 − ?0) 法线方程：? − ?0 = − 1 ?′(?0) (? − ?0), ?′(?0) ≠ 0 6 高等数学 5.四则运算法则 设函数? = ?(?)，? = ?(?)在点?可导，则： (1) ? ± ? ′ = ?′ ± ?′ (2) (??)′ = ??′ + ??′ ?(??) = ??? + ??? (3) ( ? ?)′ = ??′−??′ ?2 (? 反函数的运算法则: 设? = ?(?)在点?的某邻域内单调连续，在点?处可导且?′(?) ≠ 0，则 其反函数在点?所对应的?处可导，并且有 ?? ?? = 1 ?? ?? (2) 复合函数的运算法则:若? = ?(?)在点?可导,而? = ?(?)在对应点?(? = ?(?))可导,则复合函 数? = ?(?(?))在点?可导,且?′ = ?′(?) ⋅ ?′(?) 11 高等数学 (3)

业中的重要地位。 本书基于清华大学出版社出版的《TensorFlow 深度学习—深入理解人工智能算法》一书 进行二次撰写，代码部分完全基于 PyTorch 进行实现。考虑到本人能力有限、行文仓促，可 以预见地，本书会存在部分语句表达不准确、部分素材尚未创作完成、部分参考引用未能及 时补充、甚至一些错误出现，因此本书以开源、免费地方式发布，希望一方面能够帮助初学 者快速上手深度学习算法，另一方面也 14.4 值函数方法 14.5 Actor-Critic 方法 14.6 小结 14.7 参考文献 第 15 章 自定义数据集 15.1 精灵宝可梦数据集 15.2 自定义数据集加载流程 15.3 宝可梦数据集实战 15.4 迁移学习 15.5 Saved_model 15.6 模型部署 15.7 参考文献 预览版202112 发布，并在图片识别竞赛中取得了巨大的性能提升，此后几十层、数百层、甚至 上千层的神经网络模型相继提出，展现出深层神经网络强大的学习能力。业界一般将利用 深层神经网络实现的算法称作深度学习，本质上神经网络和深度学习可认为是相同的。 现在简单来比较一下深度学习算法与其它算法的特点。如图 1.3 所示。基于规则的系 统一般会编写显式的检测逻辑，这些逻辑通常是针对特定的任务设计的，并不适合其他任 务。传统的机器学

https://github.com/wanzhenchn/keras-docs-zh。 感谢 keras-team 所做的中文翻译工作，本文档制作基于此处。 严正声明：本文档可免费用于学习和科学研究，可自由传播，但切勿擅自用于商业用途，由 此引发一切后果贡献者概不负责。 The main reason of organizing PDF version based the Chinese Keras 19 Keras 配置文件保存在哪里？ . . . . . . . . . . . . . . . . . . . . . . . . . . 36 3.3.20 如何在 Keras 开发过程中获取可复现的结果？ . . . . . . . . . . . . . . . . 36 3.3.21 如何在 Keras 中安装 HDF5 或 h5py 来保存我的模型？ . . . . . . . . 的开发重点是支持快速的实验。能够以最小的时延把你的想法转 换为实验结果，是做好研究的关键。 如果你在以下情况下需要深度学习库，请使用 Keras： • 允许简单而快速的原型设计（由于用户友好，高度模块化，可扩展性）。 • 同时支持卷积神经网络和循环神经网络，以及两者的组合。 • 在 CPU 和 GPU 上无缝运行。 查看文档，请访问 Keras.io。 Keras 兼容的 Python 版本: Python

−log? ? ? 机器学习的概念-损失函数 23 根据上述损失函数模型，我们可知，损失函数值越小，模型性能越好。给定一个数据集，我们将 训练数据集的平均损失称为经验风险。基于经验风险最小化原则，可构建全局损失函数求解最优 化问题： min ? 1 ? ෍ ?=1 ? L ??, ? ?? 机器学习的概念-损失函数 24 当样本数量足够大时，根据大数定理，经验风险会近似于模型的期望风险。此时，经验风险最 约塔 Κ κ kappa kappa 卡帕 ∧ λ lambda lambda 兰姆达 Μ μ mu miu 缪 Ν ν nu niu 纽 Ξ ξ xi ksi 可塞 Ο ο omicron omikron 奥密可戎 ∏ π pi pai 派 Ρ ρ rho rou 柔 ∑ σ sigma sigma 西格马 Τ τ tau tau 套 Υ υ upsilon jupsilon + ?d? (3) ( ? ?)′ = ??′−??′ ?2 (? ≠ 0) d( ? ?) = ?d?−?d? ?2 四则运算法则 设函数? = ?(?)，? = ?(?)在点?可导，则： 高等数学-四则运算法则 36 设函数?(?)在点?0处的某邻域内具有? + 1阶导数，则对该邻域内异于?0的 任意点?，在?0与?之间至少存在一个?，使得： ?(?) = ?(?0)

是一个随机变量，表示十次投掷硬币中的正面数，那么 ， ， ， ， 。 性质： 2.3 概率密度函数 对于一些连续随机变量，累积分布函数 处可微。在这些情况下，我们将概率密度函数(PDF)定义 为累积分布函数的导数，即： 请注意，连续随机变量的概率密度函数可能并不总是存在的(即，如果它不是处处可微)。 根据微分的性质，对于很小的 ， CDF和PDF(当它们存在时！)都可用于计算不同事件的概率。但是应该强调的是，任意给定点的概率密 度函数(PDF)的值不是该事件的概率，即 。例如， 可以取大于1的值(但是 在 的任何子集上的积分最多为1)。 性质： 2.4 期望 假设 是一个离散随机变量，其PMF为 ， 是一个任意函数。在这种情况下， 可 以被视为随机变量，我们将 的期望值定义为： 如果 是一个连续的随机变量，其PDF 为 ，那么 的期望值被定义为： 直觉上， 的期望值可以被认为是 对于不同的 值可以取的值的“加权平均值”，其中权重由 的边际概率质量函数。在统计学中，将一个变量相 加形成另一个变量的边缘分布的过程通常称为“边缘化”。 3.3 联合概率和边缘概率密度函数 假设 和 是两个连续的随机变量，具有联合分布函数 。在 在 和 中处处可微的情况 下，我们可以定义联合概率密度函数： 如同在一维情况下， ，而是： 请注意，概率密度函数 的值总是非负的，但它们可能大于1。尽管如此，可以肯定的是 与离散情况相似，我们定义: 作为