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

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 3.3.6.3 只保存/加载模型的权重 . . . . . . . . . . . . . . . . . . . . . . . . 29 3.3.6.4 处理已保存模型中的自定义层（或其他自定义对象） . . . . . . . 30 3.3.7 为什么训练误差比测试误差高很多？ . . . . . . . . . . . . . . . . . . . . . . 31 3.3.8 如何获取中间层的输出？ 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？ . . . . . . . .

（Series派生的子 类）对象表示。 该对象与datetime具有高度的兼容性，可以直接通过 to_datetime()函数将datetime转换为TimeStamp对象。 pd.to_datetime('20180828') 9 创建时间序列 如果传入的是多个datetime组成的列表，则Pandas会 将其强制转换为DatetimeIndex类对象。 date_index = 时间戳为索引的Series对象。 date_ser = pd.Series([11, 22, 33], index=date_index) 2018-08-20 11 2018-08-28 22 2018-09-08 33 11 创建时间序列 还可以将包含多个datetime对象的列表传给 index参数，同样能创建具有时间戳索引的 Series对象。 date_list datetime(2018, 1, 15] time_se = pd.Series(np.arange(6), index=date_list) 12 创建时间序列 如果希望DataFrame对象具有时间戳索引， 也可以采用上述方式进行创建。 data_demo = [[11, 22, 33], [44, 55, 66]] date_list = [datetime(2018, 1, 23)

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46 2.1.6 转换为其他Python对象 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47 2.2 数据预处理 . . . . . . . . . 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 . . . . . . .

AWS解决方案架构师 March 17, 2017 Amazon 的人工智能&深度学习 围绕数据的“飞轮” 机器学习 深度学习 人工智能 更多的用户 更好的产品 更多的数据 更好的分析 对象存储 数据库 数据仓库 数据流分析 商业智能 Map/Reduce 内存数据库 数据检索 点击流 用户活动 内容生成 购买 点击 喜好 传感器数据 机器学习& 人工智能 大数据 更多的用户 工程中廉价的GPUs、较小的内存以及网络的限制 • 速度 • 线性的扩展能力 • 简单 • 混合了声明式（declarative）和命令式()代码的特点 为什么选择 MXNet ？ MXNet: 可扩展的深度学习框架 MXNet 框架的特点 命令式 NDArray API 声明式 Symbolic Executor MXNet： 博采众家之长 3D Image Construction customized board Drone Realtime detection and tracking on TX1 ~10 frame/sec with 640x480 resolution 处处可部署 Beyond BlindTool by Joseph Paul Cohen, demo on Nexus 4 Fit the core library with all dependencies

L形状一样，其权重一般为1（也可 小于1） 使 用 t e n s o r.grad查 看 叶 子 节 点 的 梯 度 如 果 需 要 保 存 非 叶 子 节 点 梯 度 ， 需 使 对 应 张 量 调 用 retain_graph （） 使 用 t e n s o r.grad.zero_() 清 除 张 量 梯 度 如 果 要 保 留 计 算 图 ， 可 通 过 设 置 b a a c kw a r d（ ） 中 参 数 retain_graph=True 释 放 计 算 图 具体实例可参考书中2.7小节内容 2. Autograd自动求导 18 18  PyTorch 1.x的Tensor不参与求导的几种方式 张量操作 新建/共享内存 留在计算图中 使用场景 tensor.clone() 新建 是 (即tensor与tensor.clone() 我们已经知道PyTorch使用动态计算图(DAG)记录计算的全过程,DAG的节 点是Function对象，边表示数据依赖，从输出指向输入。因此Function类 在PyTorch自动求导中位居核心地位，但是用户通常不会直接去使用。 每当对Tensor施加一个运算的时候，就会产生一个Function对象，它产生 运算的结果，记录运算的发生，并且记录运算的输入。Tensor使用 .grad_fn属

指王要从一个位子移至另一个位子需要走的步 数。由于王可以往斜前或斜后方向移动一格， 因此可以较有效率的到达目的的格子。上图是 棋盘上所有位置距f6位置的切比雪夫距离。 7 距离度量 闵可夫斯基距离(Minkowski distance) ? ?, ? = ෍ ? | ?? − ??|? 1 ? ?取1或2时的闵氏距离是最为常用的 ? = 2即为欧氏距离， ? = 1时则为曼哈顿距离。 值选择。 • 距离度量。 • 决策规则。 13 2.KNN算法 算法流程如下： 1.计算测试对象到训练集中每个对象的距离 2.按照距离的远近排序 3.选取与当前测试对象最近的k的训练对象， 作为该测试对象的邻居 4.统计这k个邻居的类别频次 5.k个邻居里频次最高的类别，即为测试对象 的类别 K=3 K=5 14 01 距离度量 02 KNN算法 03

滑动窗口目标检测算法也有很 明显的缺点，就是计算成本， 因为你在图片中剪切出太多小 方块，卷积网络要一个个地处 理。如果你选用的步幅很大， 显然会减少输入卷积网络的窗 口个数，但是粗糙间隔尺寸可 能会影响性能。反之，如果采 用小粒度或小步幅，传递给卷 积网络的小窗口会特别多，这 意味着超高的计算成本。 23 2.目标检测算法 滑动窗口的卷积实现 24 2.目标检测算法 滑动窗口的卷积实现 汽车 检测，我们就去掉?1、?2和?3，然后假设这条线对于19×19的每一 个输出，对于361个格子的每个输出，你会得到这样的输出预测， 就是格子中有对象的概率（??），然后是边界框参数（??、??、?ℎ 和??）。如果你只检测一种对象，那么就没有?1、?2和?3这些预测 分量。 29 2.目标检测算法 mAP（Mean Average Precision） 多个类别的目标检测中，每一个类别都 两个anchor box，那么对于9个 格子中任何一个都会有两个预测的边界框，其中一个的概率??很低。但9个格子中，每 个都有两个预测的边界框，比如说我们得到的边界框是是这样的，注意有一些边界框可 以超出所在格子的高度和宽度（编号1所示）。接下来你抛弃概率很低的预测，去掉这 些连神经网络都说，这里很可能什么都没有，所以你需要抛弃这些（编号2所示）。 36 4.Faster RCNN算法

)−?(?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