《物聯網深度學習 》詳細闡述了與物聯網深度學習相關的基本解決方案，主要包括物聯網生態系統、物聯網深度學習技術和框架、物聯網中的圖像識別、物聯網中的音頻/語音/聲音識別、物聯網中的室內定位、物聯網中的生理和心理狀態檢測、物聯網安全、物聯網的預測性維護、醫療物聯網中的深度學習等內容。此外，本書還提供了相應的示例、代碼，以幫助讀者進一步理解相關方案的實現過程。
本書適合作為高等院校計算機及相關專業的教材和教學參考書，也可作為相關開發人員的自學教材和參考手冊。

在物聯網（Internet of Things，IoT）時代，大量的傳感設備會隨著時間的推移而收集并生成各種傳感數據，以用于各種應用。這些數據主要由基于應用的大型、快速和實時流組成。與此類大數據或數據流相關分析的使用對于學習新信息、預測未來見解，以及做出明智的決定至關重要，這使得物聯網成為一種有價值的商業模式和提高生活質量的技術。
本書將詳細介紹被稱為深度學習（Deep Learning，DL）的高級機器學習技術，它可以促進各種物聯網應用中的數據分析和學習。本書的實際用例涉及數據收集、分析、建模和模型的性能評估，以及各種物聯網應用和部署的設置，基本上涵蓋了每個實現的全部過程。
通過這些實際用例，讀者將了解到如何訓練卷積神經網絡（CNN），以開發基于圖像的道路故障檢測和智能固體垃圾分離的應用程序，以及實現由語音啟動的智能燈光控制和由循環神經網絡（RNN）驅動的家庭門禁系統。讀者將了解到如何使用自動編碼器和長短期記憶（LSTM）網絡掌握室內定位、預測性維護技術和用于大型醫院的設備定位的物聯網應用等。此外，讀者還將學習到具有增強的物聯網安全性的醫療保健物聯網應用程序的開發技術。
總之，在閱讀完本書之后，相信讀者會對為具有物聯網功能的設備開發復雜的深度學習應用有較為深入的理解，站在新技術騰飛的起點上。
最后我們想說的是，本書以模塊化形式編寫，因此讀者完全可以直接翻到自己感興趣的內容或想要完成的實際用例進行閱讀，當然也可以通讀全書以激發自己的靈感。謝謝！祝你閱讀愉快！
本書讀者
本書適用于希望借助TensorFlow、Keras和Chainer的強大功能，使用深度學習技術來分析和理解物聯網生成的大數據和實時數據流的讀者。如果你想構建自己廣泛的物聯網應用，使它們可以有效運行，并且可以對未來明智決策進行預測，那么本書就是你需要的！因此，本書主要面向的是物聯網應用開發人員、數據分析人員，以及在復雜的數值計算方面沒有太多的知識背景，但是卻很想知道深度學習的真正含義的深度學習愛好者。

內容介紹
本書采用了模塊化編寫形式，全書共分為3篇10章。
? 第1篇為“物聯網生態系統、深度學習技術和框架”，包括第1章和第2章。
? 第1章“物聯網生態系統”，將討論物聯網的端到端生命周期及其相關概念和組成部分，以及需要在物聯網中使用深度學習的物聯網數據的關鍵特征和問題。此外，本章還將討論物聯網中分析的重要性以及在數據分析中使用深度學習的動機。
? 第2章“物聯網深度學習技術和框架”，將詳細闡釋深度學習框架和平臺的基本概念，它們在后面的所有章節中都是有用的。本章首先將簡要介紹機器學習（ML）；然后，將轉到深度學習，它是機器學習的一個分支，并基于一組試圖對數據中的高級抽象建模的算法；接著本章將簡要討論一些廣泛使用的神經網絡框架；最后，我們將探討深度學習框架和庫的各種功能，這些功能將用于在支持物聯網的設備上開發深度學習應用程序。
? 第2篇為“物聯網深度學習應用開發”，包括第3～7章。
? 第3章“物聯網中的圖像識別”，將介紹物聯網中圖像數據處理應用程序的開發。在本章的第一部分中，將簡要描述不同的物聯網應用及其基于圖像檢測的決策。此外，本章還將簡要討論兩種物聯網應用程序及其在實際場景中基于圖像檢測的實現。在本章的第二部分中，將詳細介紹使用深度學習算法的圖像檢測應用的實現。
? 第4章“物聯網中的音頻/語音/聲音識別”，在本章的第一部分中，將介紹不同的物聯網應用及其基于音頻/語音識別的決策。此外，本章還將簡要討論兩個物聯網應用以及它們在實際場景中的基于語音/語音識別的實現。在本章的第二部分中，將詳細介紹使用深度學習算法的音頻/語音檢測應用的實現。
? 第5章“物聯網中的室內定位”，將通過一個用例，討論如何將深度學習技術用于物聯網應用中的室內定位。本章將討論如何從設備中收集數據，例如通過使用深度學習模型分析WiFi指紋數據來預測設備或用戶在室內環境中的位置。此外，本章還將討論物聯網環境中室內定位服務的一些部署設置。
? 第6章“物聯網中的生理和心理狀態檢測”，將介紹常用于物聯網應用的基于深度學習的人類生理和心理狀態檢測技術。本章的第一部分基于生理和心理狀態的檢測將簡要描述不同的物聯網應用及其決策能力。此外，本章還將簡要討論兩個物聯網應用程序，以及它們在實際場景中的基于生理和心理狀態檢測的實現。在本章的第二部分中，將詳細介紹使用深度學習算法的生理和心理狀態檢測應用的實現。
? 第7章“物聯網安全”，將詳細介紹基于深度學習的網絡和設備的行為數據分析，以及一般物聯網應用的安全事件檢測技術。本章的第一部分將簡要介紹各種物聯網安全攻擊及其潛在的檢測技術，包括基于深度學習/機器學習的攻擊。此外，本章還將詳細討論兩個物聯網用例，在這些用例中，可以通過基于深度學習的異常檢測技術來智能地自動檢測安全攻擊（例如DoS攻擊和DDoS）。在本章的第二部分中，將提供兩個基于深度學習的安全事件檢測用例相應的實現。
? 第3篇為“物聯網高級分析”，包括第8～10章。
? 第8章“物聯網的預測性維護”，將介紹如何使用Turbofan Engine Degradation Simulation（渦扇發動機退化模擬）數據集為物聯網的預測性維護開發深度學習解決方案。預測性維護的思想是確定是否可以預測各種類型的故障模式。本章還將討論如何從具有物聯網功能的設備中收集數據以進行預測性維護。
? 第9章“醫療物聯網中的深度學習”，將從總體上介紹基于深度學習的醫療物聯網解決方案。本章的第一部分將簡要介紹物聯網在醫療保健中的不同應用，然后將詳細討論兩個用例，它們都是可以通過深度學習改進醫療服務或支持醫療服務自動化的物聯網解決方案。在本章的第二部分中，將詳細介紹這兩個用例中基于深度學習的醫療事件或疾病檢測部分的實現經驗。
? 第10章“挑戰和未來”，將對前幾章的內容進行總結。然后，將討論現有深度學習技術在資源有限的物聯網設備和嵌入式物聯網環境的開發和實現中面臨的主要挑戰以及示例。最后，本章還將總結許多現有解決方案，并指出某些問題可能的解決方向，這些方向的發展可以填補基于深度學習的物聯網分析的現有空白。
充分利用本書
本書用例中模型的訓練是在PC上完成的，作者的PC配置為Intel Xenon CPU E5-1650 v3@3.5 GHz和32 GB RAM（具有GPU支持），所以，讀者應該擁有不低于該配置的PC和Raspberry Pi 3平臺。此外，讀者還應該具有一些Python及其庫的基本知識，例如pandas、NumPy、Keras、TensorFlow、scikit-learn、Matplotlib、Seaborn、OpenCV和Beautiful Soup 4等，這將有助于理解本書中的所有概念。
下載示例代碼文件
讀者可訪問www.packtpub.com以下載本書的示例代碼文件。具體步驟如下：
（1）登錄或注冊。
（2）選擇Support（支持）選項卡。
（3）單擊Code Downloads & Errata（代碼下載和勘誤表）。
（4）在Search（搜索）框中輸入圖書名稱Hands-On Deep Learning for IoT，然后按照屏幕上的說明進行操作。
下載文件后，請確保使用最新版本解壓縮或解壓縮文件夾：
? WinRAR/7-Zip（Windows系統）
? Zipeg/iZip/UnRarX（Mac系統）
? 7-Zip/PeaZip（Linux系統）
該書的代碼包也已經在GitHub上托管

如果代碼有更新，則也會在現有GitHub存儲庫上更新。
下載彩色圖像
由于黑白印刷的緣故，本書部分圖片可能難以辨識顏色差異，為此我們提供了一個PDF文件，其中包含本書使用的屏幕截圖/圖表的彩色圖像。
本書約定
本書中使用了許多文本約定。
（1）CodeInText：表示文本中的代碼字、數據庫表名、文件夾名、文件名、文件擴展名、路徑名、虛擬URL、用戶輸入和Twitter句柄等。以下段落就是一個示例：

對于開發人員來說，如果想要輕松完成任務，則可以考慮使用pandas_profiling庫。

（2）有關代碼塊的設置如下：

# 導入所需的模塊
import urllib
from bs4 import BeautifulSoup
from selenium import webdriver
import os, os.path
import simplejson

（3）當希望引起讀者對代碼塊的特定部分的注意時，相關的行或項目以粗體顯示。示例如下：

import pandas as pd
import numpy as np
import tensorflow as tf
from sklearn.preprocessing import scale
from keras.models import Sequential

（4）任何命令行輸入或輸出都采用如下所示的粗體代碼形式：

$ mkdir css
$ cd css

（5）本書還使用了以下兩個圖標：
表示警告或重要的注意事項。
表示提示或小技巧。