-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
7/2 新書到! 6/25 新書到! 6/21 新書到! 3/26 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

人工智能云平臺 原理、設計與應用

( 簡體 字)
作者:孫皓 鄭歆慰 張文凱類別:1. -> 程式設計 -> 人工智慧
譯者:
出版社:人民郵電出版社人工智能云平臺 原理、設計與應用 3dWoo書號: 53278
詢問書籍請說出此書號!

有庫存
NT售價: 745

出版日:8/1/2020
頁數:329
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787115543455
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

內容簡介:

本書以實踐為導向,深入淺出,從人工智能技術、機器學習框架和微服務等概念講起,對主流的人工智能云平臺產品進行剖析和比較,對從訓練學習到服務封裝再到模型發布應用的全過程進行介紹,并對人工智能云平臺技術棧涉及的云計算、集群管理、任務調度、共享存儲等技術進行了詳細講解,以提高研發人員對人工智能全生產流程的理解。書中結合以上技術知識,以目前較為主流的開源人工智能集群管理云平臺為例,對相關工程案例進行了深入講解,幫助讀者加深對知識點的理解和掌握。
本書適合有一定機器學習基礎和大數據基礎的學生、研發人員或希望進入人工智能云平臺領域的讀者閱讀和學習。同時,也希望本書能幫助更多人在人工智能時代找到自己的方向和定位。
目錄:

第 1章 人工智能云平臺簡介 / 1
1.1人工智能發展 / 3
1.2人工智能云平臺 / 4
1.3云計算與人工智能云平臺 / 6
1.4智能框架與人工智能云平臺 / 8
1.5人工智能云平臺的主要環節與基本組成 / 10
1.6小結 / 13
參考文獻 / 13

第 2章 人工智能云平臺案例概覽 / 15
2.1谷歌AI云平臺 / 17
2.1.1AI Hub / 17
2.1.2AI基礎組件 / 18
2.1.3AI平臺 / 18
2.2微軟Azure機器學習平臺 / 20
2.2.1Azure機器學習工作室 / 20
2.2.2Azure機器學習服務 / 20
2.3亞馬遜 SageMaker平臺 / 21
2.3.1Amazon SageMaker Ground Truth標注工具 / 22
2.3.2Amazon SageMaker模型訓練與服務提供工具 / 22
2.3.3Amazon SageMaker推理優化與部署工具集 / 23
2.4企業自有智能平臺 / 24
2.4.1業務場景閉環 / 25
2.4.2量身設計,靈活性強 / 26
2.5小結 / 26
參考文獻 / 26

第3章 共享存儲與數據管理 / 27
3.1基本概念 / 30
3.1.1文件系統分類 / 30
3.1.2存儲設計目標 / 34
3.2古老而有活力的NFS / 35
3.2.1NFS版本更迭 / 35
3.2.2NFS架構介紹 / 37
3.2.3NFS常用配置 / 38
3.3活躍于超算領域的Lustre / 40
3.3.1Lustre架構分析 / 40
3.3.2Lustre與NFS / 42
3.3.3Lustre發展趨勢 / 43
3.4數據集管理 / 43
3.4.1TFRecord / 43
3.4.2LMDB / 47
3.4.3RecordIO / 50
3.5小結 / 51
參考文獻 / 51

第4章 資源管理與調度 / 53
4.1概述 / 55
4.1.1工作流 / 55
4.1.2資源的定義 / 56
4.1.3資源隔離 / 56
4.2Docker簡介 / 57
4.2.1什么是Docker? / 57
4.2.2Docker組成 / 58
4.2.3Docker工作流程 / 59
4.2.4NVIDIA Docker / 60
4.3任務調度系統架構簡介 / 60
4.4基于YARN的調度系統實現 / 63
4.4.1系統架構 / 63
4.4.2部署說明 / 64
4.4.3業務流程 / 65
4.4.4GPU支持 / 65
4.5基于Kubernetes的調度系統實現 / 69
4.5.1系統架構 / 70
4.5.2業務流程 / 71
4.5.3GPU支持 / 72
4.6小結 / 75
參考文獻 / 75

第5章 運維監控系統 / 77
5.1Prometheus概述 / 79
5.1.1Prometheus的特點和適用場景 / 79
5.1.2Prometheus組成架構 / 80
5.1.3Prometheus核心概念 / 81
5.2數據采集之Exporter / 82
5.2.1Node Exporter / 84
5.2.2NVIDIA GPU Exporter / 88
5.2.3Prometheus的部署 / 90
5.3數據格式與編程——Prometheus查詢語言 / 91
5.3.1初識PromQL / 92
5.3.2PromQL 操作符 / 92
5.3.3PromQL函數 / 96
5.4數據可視化之Grafana / 98
5.4.1創建Prometheus數據源 / 99
5.4.2創建數據可視化圖形 / 99
5.5告警系統之AlertManager / 99
5.5.1安裝和部署 / 100
5.5.2配置Prometheus使之與AlertManager進行通信 / 103
5.5.3在Prometheus中創建告警規則 / 105
5.6小結 / 106
參考文獻 / 106

第6章 機器學習框架 / 107
6.1 SciPy / 109
6.1.1什么是SciPy? / 109
6.1.2SciPy的特點 / 109
6.1.3使用示例 / 110
6.2scikit-learn / 111
6.2.1什么是scikit-learn? / 111
6.2.2scikit-learn的六大功能 / 112
6.2.3scikit-learn示例 / 113
6.3Pandas / 116
6.3.1什么是Pandas? / 116
6.3.2Pandas的特點 / 116
6.3.3Pandas示例 / 117
6.4Spark MLlib和Spark ML / 119
6.4.1什么是Spark MLlib和Spark ML? / 119
6.4.2Spark使用示例 / 119
6.5 XGBoost / 121
6.5.1什么是XGBoost? / 121
6.5.2XGBoost的特點 / 121
6.5.3XGBoost功能和示例 / 122
6.6 TensorFlow / 127
6.6.1什么是TensorFlow? / 127
6.6.2TensorFlow的特點 / 128
6.6.3TensorFlow使用示例 / 128
6.7PyTorch / 132
6.7.1什么是PyTorch? / 132
6.7.2PyTorch的特點 / 133
6.7.3PyTorch使用示例——MNIST分類 / 133
6.8其他 / 136
6.8.1Apache MXNet / 136
6.8.2Caffe / 136
6.8.3CNTK / 137
6.8.4Theano / 138
6.9小結 / 139
參考文獻 / 140

第7章 分布式并行訓練 / 141
7.1并行訓練概述 / 143
7.2并行編程工具 / 144
7.3深度學習中的并行 / 146
7.3.1算法并行優化 / 146
7.3.2網絡并行優化 / 148
7.3.3分布式訓練優化 / 151
7.4小結 / 167
參考文獻 / 167

第8章 自動機器學習 / 169
8.1AutoML概述 / 171
8.2特征工程 / 172
8.3模型選擇 / 175
8.4優化算法選擇 / 177
8.5神經架構搜索 / 178
8.5.1NAS綜述 / 178
8.5.2細分領域的NAS應用 / 180
8.5.3NAS應用示例 / 182
8.6搜索優化和評估 / 187
8.6.1搜索策略 / 187
8.6.2評估策略 / 189
8.7小結 / 190
參考文獻 / 190

第9章 模型構建與發布 / 193
9.1模型構建流程 / 195
9.2基于TensorFlow構建方案 / 195
9.2.1神經網絡模型訓練 / 196
9.2.2神經網絡模型保存 / 199
9.2.3使用命令行工具檢測 SavedModel / 200
9.2.4使用contrib.predictor提供服務 / 201
9.2.5使用TensorFlow Serving提供服務 / 202
9.3基于Seldon Core的模型部署 / 205
9.3.1Seldon Core安裝 / 206
9.3.2Seldon Core使用示例 / 207
9.4小結 / 209
參考文獻 / 210

第 10章 可視化開發環境 / 211
10.1Jupyter Notebook / 213
10.2PyCharm / 216
10.3Visual Studio Code / 218
10.3.1資源管理器 / 219
10.3.2搜索 / 219
10.3.3源代碼管理器 / 219
10.3.4調試 / 220
10.3.5擴展插件 / 221
10.3.6管理 / 221
10.3.7VSCode開發Python / 222
10.4code-server / 223
10.4.1code-server安裝 / 223
10.4.2code-server啟動 / 224
10.4.3code-server安裝插件 / 224
10.5TensorBoard / 227
10.6小結 / 230
參考文獻 / 230
第 11章 DIGITS實踐 / 231
11.1DIGITS配置 / 233
11.1.1DIGITS安裝 / 233
11.1.2DIGITS啟動 / 234
11.2DIGITS示例 / 235
11.2.1圖像分類 / 235
11.2.2語義分割 / 239
11.3DIGITS源碼解析 / 245
11.3.1DIGITS功能介紹 / 248
11.3.2類繼承關系 / 251
11.4小結 / 258
參考文獻 / 259

第 12章 Kubeflow實踐 / 261
12.1什么是Kubeflow? / 263
12.2Kubeflow部署 / 264
12.3JupyterHub / 268
12.3.1JupyterHub定義 / 268
12.3.2JupyterHub子系統 / 268
12.3.3JupyterHub子系統交互 / 268
12.4Kubeflow-operator / 270
12.4.1tf-operator / 270
12.4.2pytorch-operator / 281
12.5Katib / 286
12.5.1Katib組成模塊 / 286
12.5.2Katib模塊超參數優化 / 287
12.5.3Katib實驗運行基本流程 / 288
12.5.4Kubeflow 路線圖 / 289
12.6小結 / 289
參考文獻 / 290

第 13章 OpenPAI實踐 / 291
13.1直觀感受 / 294
13.1.1部署OpenPAI / 294
13.1.2提交一個hello-world任務 / 297
13.1.3作業配置與環境變量 / 298
13.2平臺架構 / 301
13.2.1服務列表 / 302
13.2.2工作流 / 303
13.2.3資源分配 / 304
13.3集群運維 / 304
13.3.1可視化頁面的集群管理 / 304
13.3.2命令行管理維護工具——paictl.py / 305
13.4OpenPAI代碼導讀 / 308
13.4.1在YARN中對GPU調度的支持——Hadoop-AI / 310
13.4.2YARN作業的編排服務——FrameworkLauncher / 321
13.5小結 / 328
參考文獻 / 329
序: