# 零、前言 隨著世界朝著數字化和自動化的方向發展，作為技術專家/程序員，保持自我更新并學習如何利用這些工具和技術非常重要。 本書《Python 遷移學習實用指南》旨在幫助從業人員熟悉并準備好在各自領域中使用這些進步。 本書大致分為三個部分： * 深度學習基礎 * 遷移學習的要點 * 遷移學習案例研究 遷移學習是一種**機器學習**（**ML**）技術，其中在訓練一組 ML 問題中獲得的知識可以用于訓練其他類似類型的問題。 這本書的目的是雙重的。 我們將專注于深度學習和遷移學習的詳細介紹，并通??過易于理解的概念和示例將兩者進行比較和對比。 第二個重點領域是使用 TensorFlow，Keras 和 Python 生態系統（帶動手實例）的實際示例和研究問題。 本書從 ML 和深度學習的核心基本概念開始，然后是一些重要的深度學習架構的描述和覆蓋，例如 CNN，DNN，RNN，LSTM 和膠囊網絡。 然后，我們的重點轉移到遷移學習概念和經過訓練的*高級網絡*，例如 VGG，Inception 和 ResNet。 我們還將學習如何利用這些系統來改善我們的深度學習模型的表現。 最后，我們重點關注**計算機視覺**，**音頻分析**和**自然語言處理**（**NLP**）。 到本書結尾，您將準備好在自己的系統中既實現深度學習又實現遷移學習的原則。 # 這本書是給誰的 《Python 遷移學習實用指南》適用于對數據感興趣并應用最先進的遷移學習方法來解決實際難題的數據科學家，ML 工程師，分析師和開發人員。 需要具備 ML 和 Python 的基本知識。 # 本書涵蓋的內容 第 1 章“機器學習基礎”介紹了 CRISP-DM 模型，該模型為任何數據科學，ML 或深度學習項目提供了行業標準框架/工作流程。 我們還將涉及涵蓋 ML 領域基礎知識的各種重要概念，例如探索性數據分析，特征提取和工程，評估指標等。 第 2 章“深度學習基礎知識”提供了深度學習基礎知識的旋風之旅，概述了神經網絡的基本組成部分以及如何訓練深度神經網絡。 從單個神經單元工作原理的基礎開始，涵蓋了重要的概念，例如激活函數，損失函數，優化器和神經網絡超參數。 還特別強調建立本地和基于云的深度學習環境。 第 3 章“了解深度學習架構”著重于理解當今在深度學習中使用的各種標準模型架構。 自 1960 年代的傳統人工神經網絡以來，我們已經走了很長一段路，而基本模型架構，例如完全連接的**深層神經網絡**（**DNN**），**卷積神經網絡**（**CNN**），**循環神經網絡**（**RNN**），**長期記憶**（**LSTM**）網絡， 僅舉幾例，將介紹最新的**膠囊網絡**。 第 4 章“遷移學習基礎”著眼于與遷移學習概念相關的核心概念，術語和模型架構。 將詳細討論與預訓練模型有關的概念和架構。 我們還將把遷移學習與深度學習進行比較和對比，并討論遷移學習的類型和策略。 第 5 章“釋放遷移學習的力量”，以來自 Kaggle 的數據集為例，利用深度學習模型和少量數據點，使讀者了解我們面臨的挑戰，以及遷移學習如何釋放其真正的力量和潛力，以在這些情況下為我們提供出色的模型。 在這里，我們將通過較少的數據可用性約束來解決非常受歡迎的貓貓分類任務。 第 6 章“圖像識別和分類”是在本書的前兩部分中詳細討論的概念的一系列實際應用/案例研究中的第一篇。 本章首先介紹了圖像分類的任務，然后繼續討論并實現了針對各種圖像分類問題的一些流行的，最新的深度學習模型。 第 7 章“文本文檔分類”討論了遷移學習在非常流行的自然語言處理問題文本文檔分類中的應用。 本章從高層次介紹多類別文本分類問題，傳統模型，基準文本分類數據集（例如 20 個新聞組）和表現開始。 隨后，它介紹了用于文本分類的深度學習文檔模型及其相對于傳統模型的優勢。 我們將學習使用密集向量的單詞特征表示，以及如何在文本分類問題中如何利用相同特征來應用遷移學習，從而使源域和目標域可能有所不同。 還描述了其他無監督的任務，例如文檔摘要。 第 8 章“音頻識別和分類”解決了識別和分類非常短的音頻剪輯的難題。 在這里，我們利用一些創新技術來利用遷移學習，這些創新技術將來自計算機視覺領域的預訓練深度學習模型的功能應用于完全不同的音頻識別領域。 第 9 章“DeepDream”著重介紹了生成型深度學習的領域，這是真正人工智能最前沿的核心思想之一。 我們將重點研究卷積神經（CNN）如何通過遷移學習來思考或夢想和形象化圖像中的模式。 由 Google 于 2015 年首次發布，由于深層網絡開始從圖像中產生有趣的模式，仿佛自己在思考和做夢，它引起了轟動。 第 10 章“風格遷移”利用來自深度學習，遷移學習和生成學習的概念，通過動手實例在不同內容和樣式的圖像上展示藝術圖像神經風格遷移。 第 11 章“自動圖像字幕生成器”涵蓋了計算機視覺以及自然語言生成中最復雜的問題之一-圖像字幕。 雖然將圖像分類為固定類別具有挑戰性但并非不可能，但這是一個稍微復雜的任務，涉及為任何照片或場景生成類似于人類的自然語言文本說明。 利用遷移學習，自然語言處理和生成模型的功能，您將學習如何從頭開始構建自己的自動圖像字幕系統。 第 12 章“圖像著色”提供了一個獨特的案例研究，其任務是為黑白或灰度圖像著色。 本章向讀者介紹各種色標的基礎知識，以及為什么圖像著色是一項如此困難的任務。 # 充分利用這本書 1. 如果您精通 ML 和 Python，那就太好了。 2. 對數據分析，機器學習和深度學習的濃厚興趣將是有益的。 # 使用約定 本書中使用了許多文本約定。 `CodeInText`：指示文本，數據庫表名稱，文件夾名稱，文件名，文件擴展名，路徑名，虛擬 URL，用戶輸入和 Twitter 句柄中的代碼字。 這是一個示例：“完成后，請記住使用您喜歡的編輯器（我們使用`vim`）在`~/.bashrc`的末尾添加以下行。” 代碼塊設置如下： ```py import glob import numpy as np import os import shutil from utils import log_progress np.random.seed(42) ``` 當我們希望引起您對代碼塊特定部分的注意時，相關的行或項目以粗體顯示： ```py preprocessor = Preprocess() corpus_to_seq = preprocessor.fit(corpus=corpus) holdout_corpus = test_df['review'].values holdout_target = test_df['sentiment'].values holdout_corpus_to_seq = preprocessor.transform(holdout_corpus) ``` 任何命令行輸入或輸出的編寫方式如下： ```py ubuntu@ip:~$ mkdir ssl ubuntu@ip:~$ cd ssl ubuntu@ip:~/ssl$ ``` **粗體**：表示新術語，重要單詞或您在屏幕上看到的單詞。 例如，菜單或對話框中的單詞會出現在這樣的文本中。 這是一個示例：“啟動實例后，您可以簽出“實例”部分并嘗試連接到實例。” 警告或重要提示如下所示。 提示和技巧如下所示。