昇腾AI应用开发

1.本书是立足于实践的鲲鹏生态职业认证系列丛书：目前市场上融合讲解“鲲鹏&昇腾”生态体系的书籍较少，本书以国家发展规划及市场为驱动，丰富学习内容。
2.作者专业：本书作者是此领域的研究及培训专业人员，本书也是多位专业人员多年的研究成果与经验的结晶，从而保证了本书的专业性和可读性。
3.本书案例丰富：基于人工智能发展现状，从人工智能发展简史到基于AI框架的应用开发、调优，借助多项目案例，深入浅出地讲解相关知识，帮助读者轻松快速地掌握AI应用开发相关内容。

本书首先介绍了人工智能的发展史及应用现状，内容涵盖当前主流的AI应用技术以及人工智能基础学科内容，通过各种编程案例将难以理解的机器学习知识通俗地讲述给读者；通过业界主流开发框架TensorFlow以及华为MindSpore人工智能学习框架帮助读者更深层次地理解神经网络算法；同时，介绍了基于昇腾开发的Atlas人工智能计算平台，其中包括昇腾芯片的硬件和软件架构；通过华为ModelArts一站式开发平台带领读者了解工业级AI开发以及人工智能开发流程，将华为在人工智能领域布局的产业及生态展现给读者，帮助读者了解、认识、熟知华为人工智能产业。
本书适合从事工程科技类工作的读者阅读，也适合对人工智能感兴趣的读者、开发人员以及高校教师与学生。

北京博海迪信息科技有限公司聚焦于云计算、大数据、人工智能、5G、区块链、软件开发、物联网、网络安全、数据通信等领域的创新产业人才培养，通过产教融合云平台与专业教育服务融合的方式，累计服务800余所高校和5000多家企业，为社会输送了超过25万名ICT产业高端人才。

第 1章 人工智能概述 1
1.1  鲲鹏&昇腾生态概述  2
1.1.1  鲲鹏生态概述  2
1.1.2  芯片产业概述  3
1.1.3  昇腾系列芯片概述  4
1.2  人工智能概述  7
1.2.1  人工智能技术的发展  7
1.2.2  人工智能技术的主要领域  9
1.2.3  人工智能技术的价值  11
1.2.4  人工智能平台Atlas  13
1.3  百花齐放的AI时代  14
1.4  本章小结  16
第  2章 机器学习  17
2.1  机器学习概述  18
2.1.1  机器学习介绍  18
2.1.2  机器学习主要流派  18
2.1.3  机器学习、数据挖掘、人工智能的区别  21
2.2  机器学习分类  24
2.2.1  监督学习  24
2.2.2  非监督学习  24
2.2.3  半监督学习  25
2.2.4  强化学习  25
2.3  机器学习流程及重要方法  26
2.3.1  机器学习流程  26
2.3.2  常见的统计方法介绍  28
2.3.3  数据降维  31
2.3.4  特征工程  34
2.3.5  机器学习效果评测  35
2.3.6  可视化分析  38
2.4  机器学习常见算法  42
2.4.1  线性回归  42
2.4.2  多项式回归  50
2.4.3  逻辑回归  51
2.4.4  梯度下降算法  54
2.4.5  决策树  60
2.4.6  支持向量机  63
2.4.7  KNN  65
2.4.8  朴素贝叶斯  68
2.4.9  集成学习  72
2.4.10  聚类算法  77
2.5  本章小结  83
第3章  深度学习  85
3.1  深度学习概述  86
3.2  神经网络  87
3.2.1  前馈神经网络  87
3.2.2  反馈神经网络  89
3.2.3  神经网络相关概念  91
3.3  卷积神经网络  96
3.4  循环神经网络  100
3.5  LSTM  103
3.5.1  RNN中包含单个层重复模块  104
3.5.2  LSTM重复模块包含4个交互层  104
3.5.3  LSTM背后的核心理念  105
3.5.4  LSTM分步执行  105
3.6  神经网络优化  107
3.7  强化学习  113
3.7.1  奖励驱动行为思想  113
3.7.2  强化学习的基本框架  114
3.7.3  强化学习算法  114
3.8  本章小结  116
第4章  TensorFlow机器学习框架  117
4.1  TensorFlow 2.x安装  118
4.2  TensorFlow 1.x 与TensorFlow 2.x的差别  120
4.3  TensorFlow基础语法  121
4.3.1  TensorFlow基础概念  121
4.3.2  第 一个TensorFlow实例  139
4.3.3  TensorFlow2.0 Eager Execution模式  147
4.3.4  TensorFlow常用模块介绍  148
4.3.5  TensorFlow模型应用  155
4.4  TensorFlow实操案例  159
4.4.1  TensorFlow实现线性回归案例  159
4.4.2  TensorFlow实现k-means算法案例  161
4.4.3  TensorFlow mnist 数据集手写体识别案例  164
4.4.4  TensorFlow 实现简单神经网络  165
4.4.5  TensorFlow实现猫狗识别案例  166
4.4.6  TensorFlow实现RNN空气污染案例  169
4.5  本章小结  173
第5章  MindSpore开发框架  175
5.1  MindSpore概述  176
5.2  MindSpore基础应用  176
5.2.1  加载数据集  176
5.2.2  定义网络  179
5.2.3  保存模型  181
5.3  MindSpore案例  184
5.3.1  使用MindSpore实现深度神经网络  184
5.3.2  使用MindSpore实现LSTM的文本预测  188
5.4  本章小结  197
第6章  Atlas人工智能计算平台  199
6.1  AI芯片概述  200
6.2  昇腾芯片硬件架构  200
6.2.1  昇腾AI处理器总览  200
6.2.2  达芬奇架构  202
6.3  昇腾芯片软件架构  203
6.4  Atlas人工智能计算平台  206
6.4.1  基本介绍  206
6.4.2  Atlas产品代表  207
6.5  Atlas的行业应用  208
6.5.1  华为Atlas构建输电设备物联网  208
6.5.2  人工智能落地应用按下“加速键”  210
6.5.3  助力开发者  211
6.5.4  促进医疗行业  211
6.5.5  优化城市交通  211
6.5.6  推动AI行业发展  212
6.6  本章小结  212
第7章  ModelArts应用维护  213
7.1  ModelArts人工智能应用开发平台概述  214
7.2  数据准备  214
7.2.1  数据采集  215
7.2.2  数据接入  215
7.2.3  数据处理  216
7.2.4  数据标注  224
7.2.5  数据分析和优化  230
7.3  算法选择与开发  233
7.3.1  基础层算法选择  233
7.3.2  应用层算法选择  238
7.3.3  ModelArts预置算法选择  243
7.3.4  算法开发  244
7.3.5  ModelArts云上云下协同开发  250
7.4  模型训练  251
7.4.1  模型训练的基本过程  251
7.4.2  基于ModelArts的模型训练  256
7.4.3  端到端训练加速  261
7.4.4  自动搜索  274
7.5  模型评估与调优  279
7.5.1  模型评估  280
7.5.2  精度诊断优化  292
7.6  应用生成与发布  298
7.6.1  应用管理  298
7.6.2  应用部署和发布  306
7.7  应用维护  313
7.7.1  数据采集和筛选  315
7.7.2  应用迭代  318
7.7.3  基于ModelArts的应用维护  319
7.8  案例：智慧工地安全帽识别  324
7.9  本章小结  327
第8章  人工智能应用开发流程  333
8.1  人工智能应用开发流程解析  334
8.1.1  数据准备子流程  336
8.1.2  算法选择和开发子流程  337
8.1.3  模型训练子流程  338
8.1.4  模型评估和调优子流程  339
8.1.5  应用生成、评估和发布子流程  340
8.1.6  应用维护子流程  340
8.2  人工智能应用开发流程的权衡  341
8.2.1  复杂和简单的取舍  341
8.2.2  人与机器的平衡  342
8.2.3  开发和运行的融合  342
8.3  人工智能应用开发全流程的成本分析  343
8.3.1  设计和开发成本  343
8.3.2  部署和维护成本  344
8.3.3  边际成本  344
8.4  本章小结  345
第9章  人工智能应用开发场景实战  347
9.1  基于ModelArts JupyterLab在线调优钢筋检测  348
9.1.1  环境准备  348
9.1.2  下载代码和数据集  352
9.1.3  加载需要的Python模块  353
9.1.4  查看训练数据样例  354
9.1.5  显示原图和标注框  354
9.1.6  定义训练超参、模型、日志保存路径  357
9.1.7  构建模型，定义优化器及损失函数  358
9.1.8  定义自适应学习率函数  358
9.1.9  定义训练函数  358
9.1.10  开始训练模型  360
9.1.11  定义目标检测类  360
9.1.12  定义推理网络，并加载前面训练的loss最低的模型  361
9.1.13  测试图片，输出每条钢筋的位置和图片中钢筋总条数  362
9.2  电影推荐系统构建  364
9.3  基于RFM模型的航空公司客户价值分析案例  367
9.3.1  背景与挖掘目标  367
9.3.2  分析方法与过程  367
9.4  本章小结  383