《深度学习模式与实践》通过介绍**实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习最紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。 《深度学习模式与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验证的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。 本书的内容包括： 现代卷积神经网络 CNN架构的设计模式 移动和物联网设备模型 大规模模型部署 计算机视觉示例

Andrew Ferlitsch是谷歌云人工智能开发者关系部的一名专家，领域为计算机视觉、深度学习和在应用中操作机器学习。

前 言 本书读者对象 欢迎阅读本书。本书主要面向软件工程师、机器学习工程师以及初级、中级和高级数据科学家。本书的结构较为合理，相信每一位读者都能有所收获并进一步了解深度学习。 本书也可以说是专为具有一定水平的机器学习工程师和数据科学家设计的。对于那些追求数据科学方向的人，我建议你们补充学习统计学相关的内容。此外，本书还要求读者至少了解Python的基础知识。 本书组织结构 本书分为3个部分：基础知识、设计模式以及用于生产训练和部署的设计模式。 第Ⅰ部分“深度学习基础知识”为读者提供重温深度学习的机会，包括对卷积神经网络的介绍，以及对当今所有领域的主流概念和术语的讨论，涉及计算机视觉、自然语言处理和结构化数据。 第Ⅱ部分“基本设计模式”介绍模型的设计模式。第5~7章介绍现代设计模式以及如何将它们应用于许多当前和以前最先进的深度学习模型。其中介绍了过程重用设计模式，这是人工设计模型的主流方法。 ● 第5章介绍卷积神经网络的过程设计模式，以及具有恒等链接的残差块的开发，它类似于自然语言理解的Transformer模型中的注意力机制。 ● 第6章进一步介绍卷积神经网络的过程设计模式，以及研究人员如何用宽层替代深层。其中展示了ResNeXt，它实现了与深层相当的准确度。该章还探讨了宽卷积神经网络与结构化数据的宽深度和TabNet模型发展之间的关系。 ● 第7章介绍可替代连接模式，以在层中更深或更宽，提高准确度，减少参数数量，并且提高模型内中间潜在空间的信息增益。 ● 第8章研究移动卷积神经网络的独特设计思考和特殊约束。由于这些设备的内存限制，因...