클라우드, 모바일 및 에지 기반의 딥러닝 실용 가이드

제1장 인공지능에 대한 전반적인 이해 01사과문 04실제 서론 04AI란 무엇인가? 05동기부여 사례 06간략한 AI 역사 08흥미진진한 시작 08어둡고 추운 날들 09희미한 희망의 빛 010딥러닝은 어떻게 되었나 014완벽한 딥러닝 솔루션을 위한 레시피 017데이터 세트 018모델 아키텍처 021프레임워크 024하드웨어 027책임감있는 AI 029편향성 031책임성과 명확성 033재현성 034강인성 035프라이버시 035요약 036자주 묻는 질문 036제2장 사진에는 무엇이 있나: 캐라스(Keras)를 사용한이미지 분류라스 소개 042이미지 카테고리 예측 043모델 조사 048ImageNet 데이터 세트 048모델 집합소 050목차vi 목차클래스 활성화 맵 052요약 055제3장 고양이와 개: 30줄의 캐라스로 구현한 전이 학습사전 훈련된 모델을 새로운 작업에 적용하기 059콘볼루션 신경망에 대한 간단한 고찰 061전이 학습 063미세 조정 063미세 조정하는 정도 064전이 학습과 캐라스를 이용한 사용자 정의 분류기 만들기 066데이터 구성 067데이터 파이프 라인 구축 069클래스의 수 069배치 크기 070데이터 증강 071모델 정의 074모델 훈련 075훈련 매개 변수 설정 075훈련 시작 076모델 테스트 078결과 분석 078추가로 읽을 자료 085요약 087제4장 역(reverse) 이미지 검색엔진 구축: 임베딩 이해이미지 유사도 092특징 추출 095유사도 검색 098t-SNE로 이미지 클러스터 시각화 102유사도 검색 속도 향상 106특징 벡터의 길이 106PCA로 특징 길이 줄이기 108근사 근접 이웃 탐색을 사용한 유사도 검색 확장 113근사 근접 이웃 탐색 알고리즘의 벤치마크 113어떤 라이브러리를 사용할 것인가? 115vii 목차합성 데이터 세트 생성 115무차별(Brute Force) 탐색 116Annoy 116NGT 117Faiss 118미세 조정으로 정확도 향상 118완전 연결 계층 없이 미세 조정하기 122원-샷 얼굴 검증을 위한 Siamese Networks 123사례 연구 125Flickr 125Pinterest 126유명인사 대역(Celebrity Doppelgangers) 127Spotify 127이미지 캡션 128요약 130제5장 초보에서 전문 예측기로: 콘볼루션 신경망의 정확도극대화사용할 여러 가지 도구 134텐서플로우 데이터 세트(TensorFlow Datasets) 135텐서보드(TensorBoard) 136What-If Tool 139tf-explain 143머신러닝 실습을 위한 일반적인 기법 145데이터 검사 145데이터 분할 : 훈련, 검증, 테스트 146조기 멈춤 147재현 가능한 실험 147엔드-투-엔드 딥러닝 예제 파이프라인 148기본적인 전이 학습 파이프라인 148사용자 맞춤형 신경망 파이프라인 151하이퍼파라미터가 정확도에 미치는 영향 152전이 학습과 처음부터 새로 훈련하기의 비교 152전이 학습에서 미세 조정할 계층 수의 효과 153전이 학습에 대한 데이터 크기의 영향 155viii 목차학습률의 영향 156최적화 효과 157배치 크기의 영향 158크기 조정의 효과 159전이 학습에서 종횡비 변경의 영향 160최대 정확도를 위한 튜닝 자동화 도구 160캐라스 튜너(Keras Tuner) 161자동증강(AutoAugment) 163자동캐라스(AutoKeras) 164요약 165제6장 속도와 성능 극대화 텐서 플로우: 편리한 점검표GPU 부족 169nvidia-smi 170텐서플로 프로파일러 + 텐서보드 172체크리스트 사용법 174성능 체크리스트 174데이터 준비 176TFRecords 저장 176입력 데이터의 크기 축소 177텐서플로우 데이터 세트 사용 178데이터 읽기 179tf.data 사용 179데이터 미리 추출 180병렬 CPU처리 180병렬 I/O 처리 181비결정적 순서 활성화 181캐시 데이터 182실험 최적화 설정 182Map 융합 184자동튜닝 파라미터 변수값 184데이터 증강(Augmentation) 185증강을 위한 GPU 사용 185훈련 187자동 혼합 정밀도 사용 187보다 큰 배치(Batch) 크기 사용 188ix 목차8 의 배수 사용 189최적의 학습률 찾기 190tf.function 사용 192오버트레인 그리고 일반화 193하드웨어에 최적화된 스택 설치 195병렬 CPU 쓰레드의 개수 최적화 197보다 좋은 하드웨어 사용 198훈련의 분산 199산업계 벤치마크 실험 201추론 203효과적인 모델 사용 203모델 양자화 206모델 정리 208융합 작업 사용 209GPU 지속성 활성화 210요약 210제7장 실질적인 툴, 팁 그리고 기술 211설치 213훈련 215모델 217데이터 218Privacy 221교육과 개발 222마지막 질문 224제8장 컴퓨터 비전을 위한 클라우드 API: 15분 안에 설치 및실행시각적 인식 API의 풍경 229Clarifai 229마이크로소프트 인지 서비스 230구글 클라우드 비전 230아마존 Rekognition 231IBM 왓슨의 Visual Recognition 232알고리즘 233x 목차Visual Recognition API 비교 234제공 서비스 235비용 236정확도 236편향성 238Cloud API 시작 및 실행 242사용자 분류기 훈련 245분류기가 만족스럽게 작동하지 않는 주요 이유 250사용자 분류 API 비교 252클라우드 API를 위한 성능 튜닝 255영상 라벨링에서의 크기 조절 효과 255영상 라벨링에서 압축의 효과 256OCR APIs에서 압축 효과 257OCR APIs에서 크기 변화 효과 257실제 적용 사례 258요약 264제9장 텐서플로우 서빙 및 KubeFlow를 사용하여 클라우드에서 확장 가능한 추론 서비스인공 지능 예측의 모습 268Flask: 여러분 자신의 서버 구축 270Flask로 REST API 만들기 270Flask에 캐라스 모델 배포 271Flask 사용 장점 272Flask 사용의 단점 272생산 수준의 서빙 시스템에서 바람직한 품질 272높은 가용성 273확장성 273낮은 대기 시간 274지리적 가용성 274실패 다루기 275감시 276모델 버전 276A/B 테스트 276다양한 머신러닝 라이브러리 지원 276xi 목차구글 클라우드 ML엔진: 관리 클라우드 인공 지능 서빙 스택 277Cloud ML Engine 사용의 장점 277클라우드 ML 엔진 사용 단점 277분류 API 구축 277텐서플로우 서빙(Serving) 284설치 285KubeFlow 286파이프라인 289페어링 289설치 290가격에 대한 성능 고려 사항 292Inference-as-a-Service의 비용 분석 292자신의 스택을 구축하는 비용 분석 294요약 295제10장 TensorFlow.js와 ml5.js를 사용하는 브라우저의 AI 기반 기계 학습 라이브러리: 간략한 역사 300ConvNetJS 301Keras.js 302ONNX.js 302TensorFlow.js 303TensorFlow.js Architecture 305TensorFlow.js를 사용한 사전 훈련된 모델의 실행 306브라우저의 모델 변환 308브라우저에서 훈련 309특징 추출 310데이터 수집 311훈련 312GPU 활용 314ml5.js 315PoseNet 317pix2pix 321벤치마킹 및 실제 고려 사항 326모델 크기 326추론 시간 326xii 목차사례 연구 328준 지휘자 329TensorSpace 329Metacar 330에어비엔비(Airbnb)의 사진 분류 331GAN Lab 331요약 332제11장 Core ML을 사용하는 iOS에서 실시간 객체 분류모바일 인공 지능 개발을 위한 생명 주기 336Core ML의 간략한 역사 338Core ML에 대한 대안 340텐서플로우 라이트 340ML Kit 341Fritz AI 341애플의 머신러닝 아키텍처 341도메인 기반 프레임워크 342ML 프레임워크 343ML 성능 프리미티브 343실시간 객체 인식 앱 구축 344Core ML로 변환 350캐라스로부터 변환 351텐서플로우로부터 변환 351Dynamic Model Deployment 352온 디바이…

출처: 국립중앙도서관 서지정보