参考读物 – 图书教辅

扩展信息

语种 : 简体中文

页数 : 208

开本 : 16

原书名 : Deep Learning in the Browser

原出版社: Backstop Media, LLC

属性分类: 店面

包含CD : 无CD

绝版 : 未绝版

图书简介

本书是Web开发和深度学习的跨界，主要介绍基于浏览器的深度学习技术，具体内容包括神经网络架构、主流的JavaScript深度学习框架、深度学习的JavaScript基础、基于WebGL的GPU加速、浏览器上的数据抽取和操作，以及tensorflow.js实践应用。每章都配有完整的代码示例以及可视化效果，轻松易学。也详细介绍了tensorflow.js重要的模块tfjs-core、tfjs-layers、tfjs-node、tfjs-converter等。

图书特色

无

图书前言

“一次编写，处处运行”是开发者们曾经的梦想。如果在所有环境，无论是什么样的机器、操作系统、屏幕分辨率或者计算能力，你都可以执行相同的软件，这个世界该是多么美好啊！这个美好的愿望首先导致了虚拟机的出现：模拟一个标准的计算机以供软件运行，在物理计算机和代码之间增加一个抽象层。因为在不同的架构中虚拟机是相同的，你只需编写和编译一次源代码。Java 虚拟机在 1994 年正式发布，是第一个真正意义上的跨平台虚拟机。
与此同时，万维网还在襁褓中。每个连接的用户能够使用相同的文件格式在网上读取和发布文档。HTML 语言迅速成为网上丰富的文本内容的标准。但它只是描述性的，不能满足网络用户的新需求。在 20 世纪 90 年代末，网络不再是一个共享的存储库：用户希望动态地与内容和其他用户进行交互。基于这个目的，浏览器上的 JavaScript 语言出现了，成为一个图灵机。通过使用 Java applet，Java 虚拟机也可以在浏览器上运行，并且大量使用，因为 JavaScript 功能弱且运行慢，不适合大型应用。
随着时间推移，JavaScript 变得越来越强大。JavaScript 第一次标准化是在 1997 年。在不使用 WebAssembly 或者 ASM.js 的情况下，它的速度增长到了比原生语言慢不到一个数量级的程度。Web 浏览器实现新的 API 提供访问以前预留给编译应用的接口：基于 WebGL 的 GPU、基于 WebRTC 的相机和 P2P 流、基于游戏手柄 API 的游戏机、基于 WebAudio 的音频卡以及基于 WebXR 的 VR 和 AR 设备。JavaScript 甚至发起新的挑战：基于 Node.js 的服务器端应用、基于 Electron 的桌面应用、基于渐进式网页程序（Progressive Web Application）的移动应用，甚至基于 Lisk 的分布式区块链应用。像 Re-act.js 或者 Angular 这样的大型框架和像 Node 包管理器这样的包管理器使得开发大型软件成为可能。JavaScript 势不可当，而它的竞争者 (比如 VBScript、Flash 或者 Silverlight，甚至 Java 虚拟机) 不断从 Web 浏览器中出局。角色发生了逆转：JavaScript 经常通过Webview 组件嵌入 Java 应用。在第一个虚拟机发布大约 25 年之后，“一次编写，处处运行”又怎么样了呢？
当 Web 浏览器使用新的 JavaScript 特征而越来越丰富时，由于作为计算支持的GPU 使用和像 Cuda 或者 OpenCL 这样的 GPU 并行计算库的出现，人工智能神经网络的能力得以释放。它们增加了新的功能，并在许多领域快速发展：自然语言处理、翻译、面部识别、给对象加标签、图片分割和聊天机器人。大型开源深度学习框架，比如Torch、Theano、TensorFlow 和云 GPU 计算的提供，让这种技术走出了实验室。
然而，深度学习的使用大部分仍然在服务器端，而不在客户端。造成这种情况的原因有三个：首先，为了高效地进行深度学习，你需要使用 GPU，而现在即使移动设备的平均 GPU 能力也足够好；其次，神经网络模型一般比较大，只有新移动网络技术 (比如5G) 能够足够快地传输这些数据；第三，你需要用 JavaScript 编写的、易构建的开源框架（比如 TensorFlow.js）运行神经网络模型。技术趋势也从完全的云计算转向边缘计算概念主导的更务实的方法：当用户有免费的强大计算终端时，为什么还要经过网络在昂贵的服务器端处理所有的计算？技术已经到位，所以你将看到许多在浏览器上的深度学习应用，这只是时间问题。
在客户端实现深度学习应用有很大的优势。你可以处理浏览器输入，这些在服务器端不可行，或者具有一些实时的限制 (比如来自麦克风的音频或者来自网络摄像头的视频)。客户端的深度学习使得应用扩展性更好，连接更健壮。软件可以享受 JavaScript 的所有便利：它能用 Node.js 在服务器端测试，使用渐进式网页程序封装的手机应用或者安装为桌面应用。用户可以在不安装任何东西的情况下安全地测试它。
本书是 Web 开发和深度学习的跨界。当这两种技术结合时，它们的“蜜月”将产生让人想象不到的新应用。你准备好开始冒险了吗？本书就是为你而写的：你可以学习到如何使用 JavaScript 的深度学习框架、抓取输入的 Web 编程以及 WebGL 的实现。
在不远的未来，计算机会与我们更密切。在 20 世纪 70 年代，它们远离主流，但是在20 世纪 80 年代桌面计算机出现时，它们开始贴近我们。它们逐渐进入笔记本电脑，最终进入智能手机。增强现实是下一步，为其准备了 Web 标准：WebXR。它使互联网更贴近我们，而且智能应用让我们更好地理解真实的世界。基于浏览器的深度学习当前还处于萌芽阶段，这是在其强大之前关注它的最佳时机。
开心地学习，开心地进行深度学习。
本书示例
本书所有源代码放在 https://github.com/backstopmedia/deep-learning-browser。你可以在 https://reiinakano.github.io/tfjs-rock-paper-scissors/访问石头剪刀布游戏示例，也可以在 https://reiinakano.github.io/tfjs-lstm-text-generation/访问文本生成模型的示例。
关于作者
2 Xavier Bourry 是创业公司 Jeeliz 的联合创始人和 CTO，专注于深度学习。
2 Kai Sasaki 是 Arm 公司的高级软件工程师，还是 Apache Hivemall Committer。
2 Christoph K.orner 在都柏林的微软公司处理 TSP 数据和 AI。
2 Reiichiro Nakano 是 Infostellar 公司的软件开发工程师，专注于机器学习。

上架指导

计算机\人工智能

封底文字

本书是Web开发和深度学习相结合的技术实践指南。在本书中，你将学到如何在浏览器中使用主要的JavaScript深度学习框架、抓取输入的Web编程以及WebGL的实现。基于浏览器的深度学习目前正处于萌芽阶段，这是在其强大之前关注它的极好时机，本书将帮你加入这一行动。准备好开始冒险了吗？

本书主要内容：
? 深度学习的概念及架构
? JavaScript深度学习框架
? JavaScript基础
? 基于WebGL的GPU加速
? 从浏览器中提取数据
? 在浏览器中操作数据的方法
? 基于TensorFlow.js构建应用

作者简介

[法] 泽维尔·布里（Xavier Bourry）, [美] 佐佐木凯（Kai Sasaki）, [奥地利] 克里斯托夫·科纳（Christoph K?rner）, [日] 中野礼一郎（Reiichiro Nakano）著：泽维尔·布里（Xavier Bourry）是创业公司Jeeliz的联合创始人和CTO，专注于深度学习。他使用WebGL API开发了基于GPU的深度学习引擎，其性能比TFJS高，能够用于实时视频处理。

佐佐木凯（Kai Sasaki）是Arm公司的高级软件工程师, 还是Apache Hivemall Committer。他擅长Web和数据处理平台，在使用APNS和GCM开发和维护通知平台、开发Hadoop和Storm等数据处理平台、开发/维护Presto集群等方面有丰富的经验。

克里斯托夫·科纳（Christoph K?rner）是微软公司大数据和人工智能专家，之前是T-Mobile Austria的大数据技术主管、Kaggle Vienna机器学习社区的会议组织者。除本书外，他还著有《Learning Responsive Data Visualization》《Data Visualization with D3 and AngularJS》等。

中野礼一郎（Reiichiro Nakano）是Infostellar公司的软件开发工程师, 专注于机器学习。

译者序

TensorFlow 已经成为工业界主流的深度学习框架，再加上 Keras 易用性的加持，越来越多的从业者或者公司开始使用 TensorFlow 实现其深度学习的应用。一直以来缺乏客户端的深度学习框架，而且基于浏览器的 TensorFlow.js 则弥补了这一空白。基于浏览器的TensorFlow.js 可以跨平台、实时地进行推断，深受 JavaScript 开发者的喜爱，在 Github上的 Star 数也增长迅速。
本书是一本介绍 TensorFlow.js 的书，内容主要包括神经网络架构、主流的 JavaScript深度学习框架、深度学习的 JavaScript 基础、基于 WebGL 的 GPU 加速、浏览器上的数据抽取和操作，以及 TensorFlow.js 实践应用。每章都配有完整的代码示例以及可视化效果，轻松易学。书中还详细介绍了 TensorFlow.js 中的重要模块 tfjs-core、tfjs-layers、tfjs-node和 tfjs-converter 等。
本书虽然不难，但是对于新手或者渴望获得知识的读者来说，他们会从这本书学到有用的知识点。
本书大部分是在周末或乘坐高铁时翻译的。虽然译书可以学到知识，却要消耗更多的时间。但只要在某个时间点某个人读到其中一段文字，然后拍着桌子说“看了好多种表述，这次终于搞懂了”，我就知足了。
在此，也要感谢家人和朋友的帮助和支持。没有他们的支持完成本书的时间会更长。
其中部分纯前端的内容，由邀请的前端朋友易乐天翻译，在这里表示感谢。由于水平有限，以及本书涉及知识点众多，难免会出现错误。为了方便读者反馈问题，给出本人公众号：神机喵算。欢迎大家对本书的翻译纠错，对于发现的问题我一定会虚心接受批评并立即改正，并在公众号更新读者的问题，避免其他读者再入“坑”。

侠天

图书目录

译者序
前言
第 1 章深度学习. . . . . . . . . . . . . . . . . . . . . . .1
1.1 深度神经网络的数学基础 . . . . 1
1.1.1 感知机||门控线性回归 . . . . 2
1.1.2 多层感知机. . . . . . . . . . . . . . . . .5
1.1.3 卷积和池化. . . . . . . . . . . . . . . . .5
1.1.4 激活函数 . . . . . . . . . . . . . . . . . . . 7
1.2 深度神经网络的训练. . . . . . . .11
1.2.1 损失函数的重要性 . . . . . . . . . 12
1.2.2 正则化 . . . . . . . . . . . . . . . . . . . .12
1.2.3 反向传播算法 . . . . . . . . . . . . . 13
1.2.4 优化方法. . . . . . . . . . . . . . . . . .13
1.3 本章小结. . . . . . . . . . . . . . . . . . . .14
第 2 章神经网络架构. . . . . . . . . . . . . . . . .15
2.1 卷积神经网络 . . . . . . . . . . . . . . . 15
2.1.1 AlexNet . . . . . . . . . . . . . . . . . . 16
2.1.2 GoogLeNet. . . . . . . . . . . . . . . .17
2.1.3 ResNet . . . . . . . . . . . . . . . . . . . 18
2.1.4 SqueezeNet . . . . . . . . . . . . . . . 19
2.2 循环神经网络 . . . . . . . . . . . . . . . 22
2.2.1 LSTM . . . . . . . . . . . . . . . . . . . 23
2.2.2 GRU . . . . . . . . . . . . . . . . . . . . .24
2.3 深度强化学习 . . . . . . . . . . . . . . . 25
2.4 本章小结. . . . . . . . . . . . . . . . . . . .28
第 3 章 JavaScript 深度学习框架 . . . . 29
3.1 TensorFlow.js . . . . . . . . . . . . . . .29
3.1.1 TensorFlow.js 介绍 . . . . . . . . 30
3.1.2 XOR 问题 . . . . . . . . . . . . . . . . 30
3.1.3 解决 XOR 问题 . . . . . . . . . . . 32
3.1.4 网络架构. . . . . . . . . . . . . . . . . .37
3.1.5 张量 . . . . . . . . . . . . . . . . . . . . . . 39
3.1.6 张量操作. . . . . . . . . . . . . . . . . .40
3.1.7 模型训练. . . . . . . . . . . . . . . . . .43
3.1.8 TensorFlow.js 的生态 . . . . . . 46
3.2 WebDNN . . . . . . . . . . . . . . . . . . . 48
3.3 Keras.js . . . . . . . . . . . . . . . . . . . . 51
3.4 本章小结. . . . . . . . . . . . . . . . . . . .52
第 4 章深度学习的 JavaScript 基础 . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.1 JavaScript 中的TypedArray . . . . . . . . . . . . . . . . 53
4.1.1 ArrayBu.er . . . . . . . . . . . . . . 55
4.1.2 DataView . . . . . . . . . . . . . . . . 56
4.2 JavaScript 中的并发 . . . . . . . . 58
4.2.1 JavaScript 的事件循环 . . . . . 58
4.2.2 用 Promise 创建一个异步函数 . . . . . . . . . . . . . . . . . .59
4.2.3 使用新的async/await语法 . . . . . . . . . . . . . . . . . . . . . . 61
4.2.4 多线程使用 WebWorker . . . 64
4.2.5 深度学习应用程序的处理循环 . . . . . . . . . . . . . . . . . .66
4.3 在 CPU/GPU 上加载资源 . . . . . . . . . . . . . . . . . . . . . . . . 66
4.3.1 Fetch API . . . . . . . . . . . . . . . . 67
4.3.2 标签编码. . . . . . . . . . . . . . . . . .69
4.3.3 one-hot 编码 . . . . . . . . . . . . . . 69
4.4 本章小结. . . . . . . . . . . . . . . . . . . .70
第 5 章基于 WebGL 的 GPU加速 . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.1 WebGL 基础 . . . . . . . . . . . . . . . . 74
5.1.1 WebGL 工作流程 . . . . . . . . . . 76
5.1.2 片段着色器渲染 . . . . . . . . . . . 78
5.2 WebGL 实现常规计算 . . . . . . 85
5.2.1 调试 WebGL . . . . . . . . . . . . . 86
5.2.2 渲染纹理. . . . . . . . . . . . . . . . . .87
5.2.3 精度重要性. . . . . . . . . . . . . . . .92
5.2.4 优化器 . . . . . . . . . . . . . . . . . . . .94
5.2.5 GLSL 开发. . . . . . . . . . . . . . . .95
5.2.6 浮点型的特殊性 . . . . . . . . . . . 95
5.2.7 从 CPU 流向 GPU，反之亦然 . . . . . . . . . . . . . . . . . .99
5.3 使用纹理和着色器的矩阵计算 . . . . . . . . . . . . . . . . . . 101
5.3.1 标准的矩阵加法 . . . . . . . . . . 101
5.3.2 标准的矩阵乘法 . . . . . . . . . . 102
5.3.3 激活函数应用 . . . . . . . . . . . . 103
5.3.4 运用WGLMatrix库 . . . . . . . . . 104
5.4 手写数字识别应用 . . . . . . . . . 105
5.4.1 数据编码 . . . . . . . . . . . . . . . . 105
5.4.2 内存优化 . . . . . . . . . . . . . . . . 105
5.4.3 前向传播 . . . . . . . . . . . . . . . . 107
5.4.4 第一次尝试 . . . . . . . . . . . . . . 107
5.4.5 优化性能 . . . . . . . . . . . . . . . . 108
5.5 本章小结 . . . . . . . . . . . . . . . . . . 109
第 6 章从浏览器中提取数据 . . . . . . . . 111
6.1 加载图像数据. . . . . . . . . . . . . .112
6.1.1 从图像中提取像素 . . . . . . . . 112
6.1.2 加载远程资源 . . . . . . . . . . . . 114
6.1.3 获取二进制块 . . . . . . . . . . . . 116
6.2 将像素数据渲染到屏幕上 . . 117
6.2.1 显示图片 . . . . . . . . . . . . . . . . 118
6.2.2 将像素数据渲染到画布 . . . . 119
6.2.3 插值图像数据 . . . . . . . . . . . . 122
6.2.4 在画布上绘制形状 . . . . . . . . 124
6.3 访问相机、麦克风和扬声器. . . . . . . . . . . . . . . . . . . . .126
6.3.1 从网络摄像头捕获图像 . . . . 126
6.3.2 用麦克风录音 . . . . . . . . . . . . 128
6.3.3 加载、解码和播放声音 . . . . 130
6.4 深度学习框架中的实用工具. . . . . . . . . . . . . . . . . . .131
6.4.1 TensorFlow.js . . . . . . . . . . . 131
6.4.2 Keras.js . . . . . . . . . . . . . . . . . 133
6.4.3 WebDNN . . . . . . . . . . . . . . . 133
6.5 本章小结 . . . . . . . . . . . . . . . . . . 135
第 7 章高级数据操作的方法 . . . . . . . . 137
7.1 反序列化 Protobuf . . . . . . . . 138
7.1.1 解析 Caffe 模型参数 . . . . . . 139
7.1.2 解析 TensorFlow 图. . . . . . .141
7.1.3 浮点精度的注意事项 . . . . . . 142
7.2 用 Chart.js 绘制图表. . . . . . .143
7.2.1 探索不同的图表类型 . . . . . . 144
7.2.2 配置数据集 . . . . . . . . . . . . . . 146
7.2.3 更新值. . . . . . . . . . . . . . . . . . .147
7.2.4 选项和配置概述 . . . . . . . . . . 150
7.3 用画布画草图. . . . . . . . . . . . . .153
7.3.1 在画布上绘图 . . . . . . . . . . . . 154
7.3.2 提取笔画 . . . . . . . . . . . . . . . . 158
7.4 从麦克风计算频谱图. . . . . . .159
7.5 人脸检测与跟踪 . . . . . . . . . . . 162
7.5.1 用 Jeeliz FaceFilter跟踪人脸. . . . . . . . . . . . . . . . .162
7.5.2 使用 tracking.js 跟踪人脸 . . . . . . . . . . . . . . . . . . . . . 163
7.5.3 Chrome 中人脸检测的原生支持. . . . . . . . . . . . . . . . .165
7.6 本章小结 . . . . . . . . . . . . . . . . . . 167
第 8 章基于 TensorFlow.js构建应用 . . . . . . . . . . . . . . . . . . . . 169
8.1 TensorFlow.js 实现手势识别. . . . . . . . . . . . . . . . . . .169
8.1.1 算法解说 . . . . . . . . . . . . . . . . 170
8.1.2 TensorFlow.js 项目准备 . . . 171
8.1.3 实例化 KNN 图像分类器 . . . . . . . . . . . . . . . . . . . . . 172
8.1.4 TensorFlow.js 迭代训练 . . . 173
8.1.5 小结. . . . . . . . . . . . . . . . . . . . .176
8.2 TensorFlow.js 实现文本生成 . . . . . . . . . . . . . . . . . . . . . . . 176
8.2.1 算法解说 . . . . . . . . . . . . . . . . 176
8.2.2 Keras 模型 . . . . . . . . . . . . . . .177
8.2.3 将 Keras 模型转换为TensorFlow.js 模型 . . . . . . . 178
8.2.4 项目准备 . . . . . . . . . . . . . . . . 178
8.2.5 在 TensorFlow.js 中导入Keras 模型 . . . . . . . . . . . . . . 179
8.2.6 TensorFlow.js 迭代训练 . . . 179
8.2.7 构造模型输入 . . . . . . . . . . . . 181
8.2.8 模型预测 . . . . . . . . . . . . . . . . 183
8.2.9 模型输出抽样 . . . . . . . . . . . . 184
8.2.10 小结. . . . . . . . . . . . . . . . . . . .186
8.3 TensorFlow.js 实现图像降噪. . . . . . . . . . . . . . . . . . .186
8.3.1 算法解说 . . . . . . . . . . . . . . . . 187
8.3.2 将 Keras 模型转换为TensorFlow.js 模型 . . . . . . . 188
8.3.3 项目准备 . . . . . . . . . . . . . . . . 189
8.3.4 初始化. . . . . . . . . . . . . . . . . . .190
8.3.5 应用流程 . . . . . . . . . . . . . . . . 190
8.3.6 加载测试数字图片 . . . . . . . . 191
8.3.7 更新噪声 . . . . . . . . . . . . . . . . 193
8.3.8 生成变形图片 . . . . . . . . . . . . 194
8.3.9 图片降噪 . . . . . . . . . . . . . . . . 195
8.3.10 初始化函数 . . . . . . . . . . . . . 196
8.3.11 小结. . . . . . . . . . . . . . . . . . . .197
8.4 本章小结 . . . . . . . . . . . . . . . . . . 197
8.5 最后结论 . . . . . . . . . . . . . . . . . . 198