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，也可作为高等院校相关专业师生的参考图书。

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Atlas13
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
2．4．7KNN65
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
3．5LSTM103
3．5．1RNN中包含单个层重复模块104
3．5．2LSTM重复模块包含4个交互层104
3．5．3LSTM背后的核心理念105
3．5．4LSTM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
4．1TensorFlow2．x安装118
4．2TensorFlow1．x与TensorFlow2．x的差别120
4．3TensorFlow基础语法121
4．3．1TensorFlow基础概念121
4．3．2第一个TensorFlow实例139
4．3．3TensorFlow2．0EagerExecution模式147
4．3．4TensorFlow常用模块介绍148
4．3．5TensorFlow模型应用155
4．4TensorFlow实操案例159
4．4．1TensorFlow实现线性回归案例159
4．4．2TensorFlow实现k-means算法案例161
4．4．3TensorFlowmnist数据集手写体识别案例164
4．4．4TensorFlow实现简单神经网络165
4．4．5TensorFlow实现猫狗识别案例166
4．4．6TensorFlow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
5．1MindSpore概述176
5．2MindSpore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
5．3MindSpore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
6．1AI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
6．4Atlas人工智能计算平台206
6．4．1基本介绍206
6．4．2Atlas产品代表207
6．5Atlas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
7．1ModelArts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
7．3．3ModelArts预置算法选择243
7．3．4算法开发244
7．3．5ModelArts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ModelArtsJupyterLab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大力度优惠的模型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