Python Web深度學習

第1篇 Web和人工智能 1
第1章 人工智能簡介和機器學習基礎 3
1.1 人工智能及其類型簡介 4
1.1.1 影響人工智能推進的因素 4
1.1.2 數(shù)據(jù) 5
1.1.3 算法的進步 6
1.1.4 硬件的進步 7
1.1.5 高性能計算的大眾化 7
1.2 機器學習—流行的人工智能形式 7
1.3 關于深度學習 8
1.4 人工智能、機器學習和深度學習之間的關系 10
1.5 機器學習基礎知識 11
1.5.1 機器學習的類型 11
1.5.2 監(jiān)督學習 12
1.5.3 無監(jiān)督學習 13
1.5.4 強化學習 13
1.5.5 半監(jiān)督學習 14
1.6 必要的術語 14
1.6.1 訓練集、測試集和驗證集 14
1.6.2 偏差和方差 15
1.6.3 過擬合和欠擬合 15
1.6.4 訓練誤差和泛化誤差 17
1.7 機器學習的標準工作流程 18
1.7.1 數(shù)據(jù)檢索 18
1.7.2 數(shù)據(jù)準備 19
1.7.3 建立模型 20
1.7.4 模型對比與選擇 23
1.7.5 部署和監(jiān)控 23
1.8 融合AI之前和之后的Web應用 25
1.8.1 聊天機器人 25
1.8.2 Web分析 26
1.8.3 垃圾郵件過濾 27
1.8.4 搜索引擎 28
1.9 知名Web-AI企業(yè)以及它們正在做的工作 29
1.9.1 Google 30
1.9.2 Facebook 33
1.9.3 Amazon 34
1.10 小結 35
第2篇 使用深度學習進行Web開發(fā)
第2章 使用Python進行深度學習 39
2.1 揭開神經(jīng)網(wǎng)絡的神秘面紗 39
2.1.1 人工神經(jīng)元 40
2.1.2 線性神經(jīng)元詳解 41
2.1.3 非線性神經(jīng)元詳解 43
2.1.4 神經(jīng)網(wǎng)絡的輸入和輸出層 45
2.1.5 梯度下降和反向傳播 49
2.2 不同類型的神經(jīng)網(wǎng)絡 52
2.2.1 卷積神經(jīng)網(wǎng)絡 52
2.2.2 循環(huán)神經(jīng)網(wǎng)絡 58
2.3 Jupyter Notebook初探 64
2.3.1 安裝Jupyter Notebook 64
2.3.2 驗證安裝 65
2.3.3 使用Jupyter Notebook 66
2.4 設置基于深度學習的云環(huán)境 67
2.4.1 設置AWS EC2 GPU深度學習環(huán)境 68
2.4.2 Crestle上的深度學習 72
2.4.3 其他深度學習環(huán)境 72
2.5 NumPy和Pandas初探 73
2.5.1 關于NumPy庫 73
2.5.2 NumPy數(shù)組 73
2.5.3 基本的NumPy數(shù)組操作 75
2.5.4 NumPy數(shù)組與Python列表 76
2.5.5 關于Pandas 77
2.6 小結 78
第3章 創(chuàng)建個深度學習Web應用程序 79
3.1 技術要求 79
3.2 構建深度學習Web應用程序 80
3.2.1 深度學習Web應用程序規(guī)劃 80
3.2.2 通用深度學習網(wǎng)絡應用程序的結構圖 80
3.3 理解數(shù)據(jù)集 81
3.3.1 手寫數(shù)字的MNIST數(shù)據(jù)集 81
3.3.2 探索數(shù)據(jù)集 82
3.3.3 創(chuàng)建函數(shù)來讀取圖像文件 83
3.3.4 創(chuàng)建函數(shù)來讀取標簽文件 85
3.3.5 數(shù)據(jù)集匯總信息 85
3.4 使用Python實現(xiàn)一個簡單的神經(jīng)網(wǎng)絡 86
3.4.1 導入必要的模塊 87
3.4.2 重用函數(shù)以加載圖像和標簽文件 87
3.4.3 重塑數(shù)組以使用Keras進行處理 89
3.4.4 使用Keras創(chuàng)建神經(jīng)網(wǎng)絡 89
3.4.5 編譯和訓練Keras神經(jīng)網(wǎng)絡 90
3.4.6 評估和存儲模型 91
3.5 創(chuàng)建Flask API以使用服務器端Python 92
3.5.1 設置環(huán)境 92
3.5.2 上傳模型結構和權重 92
3.5.3 創(chuàng)建個Flask服務器 92
3.5.4 導入必要的模塊 93
3.5.5 將數(shù)據(jù)加載到腳本運行時并設置模型 93
3.5.6 設置應用程序和index()函數(shù) 94
3.5.7 轉換圖像函數(shù) 94
3.5.8 預測API 95
3.6 通過cURL使用API并使用Flask創(chuàng)建Web客戶端 96
3.6.1 通過cURL使用API 96
3.6.2 為API創(chuàng)建一個簡單的Web客戶端 97
3.7 改進深度學習后端 100
3.8 小結 100
第4章 TensorFlow.js入門 101
4.1 技術要求 101
4.2 TF.js的基礎知識 102
4.2.1 關于TensorFlow 102
4.2.2 關于TF.js 102
4.2.3 TF.js出現(xiàn)的意義 102
4.3 TF.js的基本概念 103
4.3.1 張量 103
4.3.2 變量 104
4.3.3 操作符 104
4.3.4 模型和層 105
4.4 使用TF.js的案例研究 106
4.4.1 TF.js迷你項目的問題陳述 106
4.4.2 鳶尾花數(shù)據(jù)集 106
4.5 開發(fā)一個使用TF.js的深度學習Web應用程序 107
4.5.1 準備數(shù)據(jù)集 107
4.5.2 項目架構 107
4.5.3 啟動項目 108
4.5.4 創(chuàng)建TF.js模型 110
4.5.5 訓練TF.js模型 112
4.5.6 使用TF.js模型進行預測 113
4.5.7 創(chuàng)建一個簡單的客戶端 115
4.5.8 運行TF.js Web應用程序 117
4.6 TF.js的優(yōu)點和局限性 119
4.7 小結 119
第3篇 使用不同的深度學習API進行Web開發(fā)
第5章 通過API進行深度學習 123
5.1 關于API 123
5.2 使用API的重要性 124
5.3 API與庫的異同 125
5.4 一些廣為人知的深度學習API 126
5.5 一些鮮為人知的深度學習API 127
5.6 選擇深度學習API提供商 128
5.7 小結 129
第6章 使用Python在Google云平臺上進行深度學習 131
6.1 技術要求 131
6.2 設置Google云平臺賬戶 131
6.3 在GCP上創(chuàng)建個項目 133
6.4 在Python中使用Dialogflow API 135
6.4.1 創(chuàng)建Dialogflow賬戶 136
6.4.2 創(chuàng)建新代理 136
6.4.3 創(chuàng)建新Intent 138
6.4.4 測試代理 139
6.4.5 安裝Dialogflow Python SDK 140
6.4.6 創(chuàng)建GCP服務賬號 141
6.4.7 使用Python API調用Dialogflow代理 143
6.5 在Python中使用Cloud Vision API 146
6.5.1 使用預訓練模型的重要性 147
6.5.2 設置Vision Client庫 148
6.5.3 使用Python調用Cloud Vision API 149
6.6 在Python中使用Cloud Translation API 150
6.6.1 為Python設置Cloud Translate API 151
6.6.2 使用Google Cloud Translation Python庫 152
6.7 小結 152
第7章 使用Python在AWS上進行深度學習 155
7.1 技術要求 155
7.2 AWS入門 156
7.3 AWS產品簡介 158
7.4 boto3入門 160
7.5 配置環(huán)境變量并安裝boto3 162
7.5.1 在Python中加載環(huán)境變量 162
7.5.2 創(chuàng)建S3存儲桶 162
7.5.3 使用boto3從Python代碼中訪問S3 164
7.6 在Python中使用Rekognition API 165
7.6.1 Rekognition API功能介紹 165
7.6.2 使用Rekognition API的名人識別功能 166
7.6.3 通過Python代碼調用Rekognition API 167
7.7 在Python中使用Alexa API 171
7.7.1 先決條件和項目框圖 171
7.7.2 為Alexa技能創(chuàng)建配置 173
7.7.3 設置Login with Amazon服務 173
7.7.4 創(chuàng)建技能 175
7.7.5 配置AWS Lambda函數(shù) 176
7.7.6 創(chuàng)建Lambda函數(shù) 178
7.7.7 配置Alexa技能 180
7.7.8 為技能設置Amazon DynamoDB 181
7.7.9 為AWS Lambda函數(shù)部署代碼 182
7.7.10 測試Lambda函數(shù) 189
7.7.11 測試AWS Home Automation技能 191
7.8 小結 192
第8章 使用Python在Microsoft Azure上進行深度學習 195
8.1 技術要求 195
8.2 設置Azure賬戶 196
8.3 Azure提供的深度學習服務 198
8.4 使用Face API和Python進行對象檢測 200
8.4.1 初始設置 200
8.4.2 在Python代碼中使用Face API 203
8.4.3 可視化識別結果 205
8.5 使用Text Analytics API和Python提取文本信息 207
8.5.1 快速試用Text Analytics API 207
8.5.2 在Python代碼中使用Text Analytics API 208
8.6 關于CNTK 210
8.6.1 CNTK入門 210
8.6.2 在本地機器上安裝CNTK 210
8.6.3 在Google Colaboratory上安裝CNTK 211
8.6.4 創(chuàng)建CNTK神經(jīng)網(wǎng)絡模型 212
8.6.5 訓練CNTK模型 215
8.6.6 測試和保存CNTK模型 216
8.7 Django Web開發(fā)簡介 216
8.7.1 Django入門 217
8.7.2 創(chuàng)建一個新的Django項目 218
8.7.3 設置主頁模板 218
8.8 使用來自Django項目的CNTK進行預測 223
8.8.1 設置預測路由和視圖 223
8.8.2 進行必要的模塊導入 224
8.8.3 使用CNTK模型加載和預測 225
8.8.4 測試Web應用程序 226
8.9 小結 227
第4篇 生產環(huán)境中的深度學習——智能Web應用程序開發(fā)
第9章 支持深度學習的網(wǎng)站的通用生產框架 231
9.1 技術要求 231
9.2 定義問題陳述 232
9.3 建立項目的心智模型 232
9.4 避免獲得錯誤數(shù)據(jù) 235
9.5 關于構建AI后端的問題 237
9.5.1 期望網(wǎng)站的AI部分是實時的 237
9.5.2 假設來自網(wǎng)站的傳入數(shù)據(jù)是理想的 237
9.6 端到端AI集成Web應用程序示例 238
9.6.1 數(shù)據(jù)收集和清洗 238
9.6.2 構建AI模型 239
9.6.3 導入必要的模塊 239
9.6.4 讀取數(shù)據(jù)集并準備清洗函數(shù) 240
9.6.5 提取需要的數(shù)據(jù) 240
9.6.6 應用文本清洗函數(shù) 241
9.6.7 將數(shù)據(jù)集拆分為訓練集和測試集 241
9.6.8 聚合有關產品和用戶的文本 241
9.6.9 創(chuàng)建用戶和產品的TF-IDF向量化器 242
9.6.10 根據(jù)提供的評級創(chuàng)建用戶和產品索引 242
9.6.11 創(chuàng)建矩陣分解函數(shù) 243
9.6.12 將模型保存為pickle文件 243
9.6.13 構建用戶界面 244
9.6.14 創(chuàng)建API來響應搜索查詢 244
9.6.15 創(chuàng)建用戶界面以使用API 247
9.7 小結 248
第10章 使用深度學習系統(tǒng)保護Web應用程序 249
10.1 技術要求 249
10.2 reCAPTCHA的由來 250
10.3 惡意用戶檢測 251
10.4 基于LSTM的用戶認證模型 252
10.4.1 為用戶身份認證有效性檢查構建模型 252
10.4.2 訓練模型 256
10.4.3 托管自定義身份驗證模型 257
10.5 基于Django構建使用API的應用程序 259
10.5.1 Django項目設置 259
10.5.2 在項目中創(chuàng)建應用程序 259
10.5.3 將應用程序鏈接到項目中 260
10.5.4 為網(wǎng)站添加路由 260
10.5.5 在BBS應用程序中創(chuàng)建路由處理文件 261
10.5.6 添加認證路由和配置 261
10.5.7 創(chuàng)建登錄頁面 261
10.5.8 創(chuàng)建注銷視圖 263
10.5.9 創(chuàng)建登錄頁面模板 263
10.5.10 BBS頁面模板 265
10.5.11 添加到BBS頁面模板 265
10.5.12 BBS模型 266
10.5.13 創(chuàng)建BBS視圖 267
10.5.14 創(chuàng)建添加貼文的視圖 268
10.5.15 創(chuàng)建管理員用戶并對其進行測試 268
10.5.16 通過Python在Web應用程序中使用reCAPTCHA 269
10.6 使用Cloudflare保護網(wǎng)站安全 272
10.7 小結 273
第11章 自定義Web深度學習生產環(huán)境 275
11.1 技術要求 275
11.2 生產環(huán)境中的深度學習概述 276
11.2.1 Web API服務 278
11.2.2 在線學習 278
11.2.3 批量預測 278
11.2.4 自動機器學習 278
11.3 在生產環(huán)境中部署機器學習的流行工具 279
11.3.1 creme 279
11.3.2 Airflow 282
11.3.3 AutoML 284
11.4 深度學習Web生產環(huán)境示例 285
11.4.1 項目基礎步驟 285
11.4.2 探索數(shù)據(jù)集 285
11.4.3 構建預測模型 286
11.4.4 實現(xiàn)前端 290
11.4.5 實現(xiàn)后端 291
11.4.6 將項目部署到Heroku上 294
11.5 安全措施、監(jiān)控技術和性能優(yōu)化 297
11.6 小結 298
第12章 使用深度學習API和客服聊天機器人創(chuàng)建端到端Web應用程序 299
12.1 技術要求 299
12.2 自然語言處理簡介 300
12.2.1 語料庫 300
12.2.2 詞性 300
12.2.3 分詞 301
12.2.4 詞干提取和詞形還原 301
12.2.5 詞袋 302
12.2.6 相似性 302
12.3 聊天機器人簡介 303
12.4 創(chuàng)建擁有客服代表個性的Dialogflow機器人 304
12.4.1 關于Dialogflow 304
12.4.2 步驟1—打開Dialogflow控制臺 305
12.4.3 步驟2—創(chuàng)建新代理 306
12.4.4 步驟3—了解儀表板 306
12.4.5 步驟4—創(chuàng)建Intent 308
12.4.6 步驟5—創(chuàng)建一個webhook 313
12.4.7 步驟6—創(chuàng)建Firebase Cloud Functions 313
12.4.8 步驟7—為機器人添加個性 315
12.5 通過ngrok在本地主機上使用HTTPS API 316
12.6 使用Django創(chuàng)建測試用戶界面來管理訂單 318
12.6.1 步驟1—創(chuàng)建Django項目 318
12.6.2 步驟2—創(chuàng)建一個使用訂單管理系統(tǒng)API的應用程序 319
12.6.3 步驟3—設置settings.py 319
12.6.4 步驟4—向apiui中添加路由 320
12.6.5 步驟5—在apiui應用程序中添加路由 321
12.6.6 步驟6—創(chuàng)建所需的視圖 321
12.6.7 步驟7—創(chuàng)建模板 322
12.7 使用Web Speech API在網(wǎng)頁上進行語音識別和語音合成 322
12.7.1 步驟1—創(chuàng)建按鈕元素 323
12.7.2 步驟2—初始化Web Speech API并執(zhí)行配置 324
12.7.3 步驟3—調用Dialogflow代理 325
12.7.4 步驟4—在Dialogflow Gateway上創(chuàng)建Dialogflow API代理 326
12.7.5 步驟5—為按鈕添加click處理程序 328
12.8 小結 329
附錄A Web 深度學習的成功案例和新興領域 331
A.1 成功案例 331
A.1.1 Quora 331
A.1.2 多鄰國 332
A.1.3 Spotify 333
A.1.4 Google相冊 333
A.2 重點新興領域 334
A.2.1 音頻搜索 334
A.2.2 閱讀理解 336
A.2.3 檢測社交媒體上的假新聞 337
A.3 結語 338