《Python Web深度學習》詳細闡述了與Python Web相關的基本解決方案，主要包括人工智能簡介和機器學習基礎、使用Python進行深度學習、創建第一個深度學習Web應用程序、TensorFlow.js入門、通過API進行深度學習、使用Python在Google云平臺上進行深度學習、使用Python在AWS上進行深度學習、使用Python在Microsoft Azure上進行深度學習、支持深度學習的網站的通用生產框架、使用深度學習系統保護Web應用程序、自定義Web深度學習生產環境、使用深度學習API和客服聊天機器人創建端到端Web應用程序等內容。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。
《Python Web深度學習》首先闡釋了機器學習的基礎知識，重點是深度學習和神經網絡的相關知識，以及它們的常見變體，並介紹了如何將它們集成到Web中。
深度學習技術可用於開發智能Web應用程序。過去幾年，在產品和業務中採用深度學習技術的公司數量大幅增長，為了市場機會而提供基於人工智能和深度學習的解決方案的初創企業數量也顯著增加。本書介紹了許多使用Python在Web開發中實現深度學習的工具和技術實踐。
本書首先闡釋了機器學習的基礎知識，重點是深度學習和神經網絡的基礎知識，以及它們的常見變體（如卷積神經網絡和循環神經網絡），並介紹了如何將它們集成到Web中。我們演示了為自定義模型創建REST API，使用Python庫（如Django和Flask）創建支持深度學習的Web應用程序。你將看到如何在Google云平臺、AWS和Microsoft Azure上為基於深度學習的Web部署設置云環境，並了解如何使用深度學習API。此外，你還將學習使用Microsoft的Cognitive Toolkit（CNTK），它是一個類似於Keras的深度學習框架。你還將掌握如何部署真實世界的網站，並使用reCAPTCHA和Cloudflare保護網站安全。最後，本書還演示了如何通過Dialogflow在網頁上集成語音用戶界面。
在通讀完本書之後，相信你能夠在最佳工具和實踐的幫助下部署你的智能Web應用程序和網站。
本書讀者
本書適用於希望在Web上執行深度學習技術和方法的數據科學家、機器學習從業者和深度學習工程師。對於希望在瀏覽器中使用智能技術使其更具交互性的Web開發人員來說，本書也是理想之選。在學習完本書之後，你將深入了解瀏覽器數據。
內容介紹
本書共分為4篇12章，具體內容如下。
第1篇：“Web和人工智能”，包括第1章。
第1章：“人工智能簡介和機器學習基礎”，簡要介紹機器學習、深度學習以及與Web開發相關的其他形式的人工智能方法論。另外，本章還快速介紹機器學習管道的基本主題，如探索性數據分析（EDA）、數據預處理、特徵工程、訓練和測試、評估模型等。最後還比較AI流行之前網站提供的交互性、用戶體驗以及它們現在的情況，探討知名Web-AI企業正在做的工作，以及人工智能給它們的產品帶來的巨大變化。
第2篇：“使用深度學習進行Web開發”，包括第2～4章。
第2章：“使用Python進行深度學習”，詳細闡釋與深度學習相關的基本概念和術語，以及如何使用深度學習技術構建一個簡單的Web應用程序，其中還介紹Python中的不同深度學習庫。
第3章：“創建第一個深度學習Web應用程序”，討論利用深度學習的Web應用程序架構的若干個重要概念，並介紹探索數據集的方法。本章還展示如何實現和改進一個簡單的神經網絡，以及如何將其封裝到API中以開發一個簡單的Web應用程序。最後還演示如何使用不同的標準Web技術堆棧來實現API。
第4章：“TensorFlow.js入門”，介紹最流行的深度學習JavaScript庫—TensorFlow.js（Tf.js）。本章簡要概述TensorFlow.js的基本概念、它出現的意義以及它能夠在瀏覽器中執行的操作。此外，本章還展示如何通過TensorFlow.js使用預訓練模型並構建一個簡單的Web應用程序。
第3篇：“使用不同的深度學習API進行Web開發”，包括第5～8章。
第5章：“通過API進行深度學習”，詳細闡釋API的概念及其在軟件開發中的重要性。此外，本章還介紹不同的深度學習API示例（主要涵蓋自然語言處理和計算機視覺兩大領域）。最後，本章探討在選擇深度學習API提供商時應考慮的事項。
第6章：“使用Python在Google云平臺上進行深度學習”，介紹Google云平臺為Web開發人員所提供的AI集成產品。重點是Dialogflow，它可用於製作聊天機器人和對話式AI；另外還有Cloud Vision API，可用於構建良好的視覺識別系統；還有Cloud Translate API，可為不同地區的用戶提供其語言的網站內容。本章詳細討論它們的應用，並演示在Python中使用它們的基本方法。
第7章：“使用Python在AWS上進行深度學習”，介紹Amazon Web Services（AWS）並簡要討論它的各種產品，包括Alexa API和Rekognition API。Alexa API可用於構建家庭自動化Web應用程序和其他交互界面，而Rekognition API則可用於檢測照片和視頻中的人和物體。
第8章：“使用Python在Microsoft Azure上進行深度學習”，介紹Microsoft Azure云服務，重點介紹Cognitive Toolkit（CNTK）、Face API和Text Analytics API等。Face API可以識別圖片中的人像特徵，而Text Analytics API則可用於從給定的文本片段中提取有意義的信息。
第4篇：“生產環境中的深度學習—智能Web應用程序開發”，包括第9～12章。
第9章：“支持深度學習的網站的通用生產框架”，介紹為在生產環境中的Web站點有效部署深度學習而設置的通用框架。涵蓋定義問題陳述、根據問題陳述收集數據、數據清洗和預處理、構建AI模型、創建界面、在界面上使用AI模型等步驟，並創建一個端到端AI集成Web應用程序示例。
第10章：“使用深度學習系統保護Web應用程序”，討論使用Python 進行深度學習以保護網站安全的若干技巧。本章介紹reCAPTCHA和Cloudflare，並討論如何使用它們來增強網站的安全性。最後還展示如何在Python後端使用深度學習來實現安全機制以檢測網站上的惡意用戶。
第11章：“自定義Web深度學習生產環境”，討論在生產環境中更新模型的方法以及如何根據需求選擇正確的方法。本章介紹一些用於創建深度學習數據流的著名工具，最後還構建一個在後端使用在線學習的示例生產應用 程序。
第12章：“使用深度學習API和客服聊天機器人創建端到端Web應用程序”，介紹自然語言處理及其常用術語，討論如何創建聊天機器人以使用Dialogflow解決一般客服查詢並將其集成到Django和Flask網站中。本章探索實現客服機器人個性的方法以及如何使此類系統資源有效。此外，本章還介紹一種使用Web Speech API在網頁上進行語音識別和語音合成的方法。
附錄 A：“Web+深度學習的成功案例和新興領域”，介紹一些著名網站的成功案例，它們的產品在很大程度上依賴於利用深度學習的力量。該附錄還討論Web開發中可以通過深度學習進行增強的一些關鍵研究領域。這將幫助你更深入地研究Web技術和深度學習的結合，並激勵你開發出自己的智能Web應用程序。
充分利用本書
假設你了解Python語言，特別是Python 3.6及更高版本。強烈建議在本地系統上安裝Python的Anaconda發行版。支持Python 3.6及更高版本的Anaconda發行版都適合運行本書中的示例。
第1篇 Web和人工智能 1
第1章 人工智能簡介和機器學習基礎 3
1.1 人工智能及其類型簡介 4
1.1.1 影響人工智能推進的因素 4
1.1.2 數據 5
1.1.3 算法的進步 6
1.1.4 硬件的進步 7
1.1.5 高性能計算的大眾化 7
1.2 機器學習—流行的人工智能形式 7
1.3 關於深度學習 8
1.4 人工智能、機器學習和深度學習之間的關係 10
1.5 機器學習基礎知識 11
1.5.1 機器學習的類型 11
1.5.2 監督學習 12
1.5.3 無監督學習 13
1.5.4 強化學習 13
1.5.5 半監督學習 14
1.6 必要的術語 14
1.6.1 訓練集、測試集和驗證集 14
1.6.2 偏差和方差 15
1.6.3 過擬合和欠擬合 15
1.6.4 訓練誤差和泛化誤差 17
1.7 機器學習的標準工作流程 18
1.7.1 數據檢索 18
1.7.2 數據準備 19
1.7.3 建立模型 20
1.7.4 模型對比與選擇 23
1.7.5 部署和監控 23
1.8 融合AI之前和之後的Web應用 25
1.8.1 聊天機器人 25
1.8.2 Web分析 26
1.8.3 垃圾郵件過濾 27
1.8.4 搜索引擎 28
1.9 知名Web-AI企業以及它們正在做的工作 29
1.9.1 Google 30
1.9.2 Facebook 33
1.9.3 Amazon 34
1.10 小結 35
第2篇 使用深度學習進行Web開發
第2章 使用Python進行深度學習 39
2.1 揭開神經網絡的神秘面紗 39
2.1.1 人工神經元 40
2.1.2 線性神經元詳解 41
2.1.3 非線性神經元詳解 43
2.1.4 神經網絡的輸入和輸出層 45
2.1.5 梯度下降和反向傳播 49
2.2 不同類型的神經網絡 52
2.2.1 卷積神經網絡 52
2.2.2 循環神經網絡 58
2.3 Jupyter Notebook初探 64
2.3.1 安裝Jupyter Notebook 64
2.3.2 驗證安裝 65
2.3.3 使用Jupyter Notebook 66
2.4 設置基於深度學習的云環境 67
2.4.1 設置AWS EC2 GPU深度學習環境 68
2.4.2 Crestle上的深度學習 72
2.4.3 其他深度學習環境 72
2.5 NumPy和Pandas初探 73
2.5.1 關於NumPy庫 73
2.5.2 NumPy數組 73
2.5.3 基本的NumPy數組操作 75
2.5.4 NumPy數組與Python列表 76
2.5.5 關於Pandas 77
2.6 小結 78
第3章 創建第一個深度學習Web應用程序 79
3.1 技術要求 79
3.2 構建深度學習Web應用程序 80
3.2.1 深度學習Web應用程序規劃 80
3.2.2 通用深度學習網絡應用程序的結構圖 80
3.3 理解數據集 81
3.3.1 手寫數字的MNIST數據集 81
3.3.2 探索數據集 82
3.3.3 創建函數來讀取圖像文件 83
3.3.4 創建函數來讀取標簽文件 85
3.3.5 數據集匯總信息 85
3.4 使用Python實現一個簡單的神經網絡 86
3.4.1 導入必要的模塊 87
3.4.2 重用函數以加載圖像和標簽文件 87
3.4.3 重塑數組以使用Keras進行處理 89
3.4.4 使用Keras創建神經網絡 89
3.4.5 編譯和訓練Keras神經網絡 90
3.4.6 評估和存儲模型 91
3.5 創建Flask API以使用服務器端Python 92
3.5.1 設置環境 92
3.5.2 上傳模型結構和權重 92
3.5.3 創建第一個Flask服務器 92
3.5.4 導入必要的模塊 93
3.5.5 將數據加載到腳本運行時並設置模型 93
3.5.6 設置應用程序和index()函數 94
3.5.7 轉換圖像函數 94
3.5.8 預測API 95
3.6 通過cURL使用API並使用Flask創建Web客戶端 96
3.6.1 通過cURL使用API 96
3.6.2 為API創建一個簡單的Web客戶端 97
3.7 改進深度學習後端 100
3.8 小結 100
第4章 TensorFlow.js入門 101
4.1 技術要求 101
4.2 TF.js的基礎知識 102
4.2.1 關於TensorFlow 102
4.2.2 關於TF.js 102
4.2.3 TF.js出現的意義 102
4.3 TF.js的基本概念 103
4.3.1 張量 103
4.3.2 變量 104
4.3.3 操作符 104
4.3.4 模型和層 105
4.4 使用TF.js的案例研究 106
4.4.1 TF.js迷你項目的問題陳述 106
4.4.2 鳶尾花數據集 106
4.5 開發一個使用TF.js的深度學習Web應用程序 107
4.5.1 準備數據集 107
4.5.2 項目架構 107
4.5.3 啟動項目 108
4.5.4 創建TF.js模型 110
4.5.5 訓練TF.js模型 112
4.5.6 使用TF.js模型進行預測 113
4.5.7 創建一個簡單的客戶端 115
4.5.8 運行TF.js Web應用程序 117
4.6 TF.js的優點和局限性 119
4.7 小結 119
第3篇 使用不同的深度學習API進行Web開發
第5章 通過API進行深度學習 123
5.1 關於API 123
5.2 使用API的重要性 124
5.3 API與庫的異同 125
5.4 一些廣為人知的深度學習API 126
5.5 一些鮮為人知的深度學習API 127
5.6 選擇深度學習API提供商 128
5.7 小結 129
第6章 使用Python在Google云平臺上進行深度學習 131
6.1 技術要求 131
6.2 設置Google云平臺帳戶 131
6.3 在GCP上創建第一個項目 133
6.4 在Python中使用Dialogflow API 135
6.4.1 創建Dialogflow帳戶 136
6.4.2 創建新代理 136
6.4.3 創建新Intent 138
6.4.4 測試代理 139
6.4.5 安裝Dialogflow Python SDK 140
6.4.6 創建GCP服務帳號 141
6.4.7 使用Python API調用Dialogflow代理 143
6.5 在Python中使用Cloud Vision API 146
6.5.1 使用預訓練模型的重要性 147
6.5.2 設置Vision Client庫 148
6.5.3 使用Python調用Cloud Vision API 149
6.6 在Python中使用Cloud Translation API 150
6.6.1 為Python設置Cloud Translate API 151
6.6.2 使用Google Cloud Translation Python庫 152
6.7 小結 152
第7章 使用Python在AWS上進行深度學習 155
7.1 技術要求 155
7.2 AWS入門 156
7.3 AWS產品簡介 158
7.4 boto3入門 160
7.5 配置環境變量並安裝boto3 162
7.5.1 在Python中加載環境變量 162
7.5.2 創建S3存儲桶 162
7.5.3 使用boto3從Python代碼中訪問S3 164
7.6 在Python中使用Rekognition API 165
7.6.1 Rekognition API功能介紹 165
7.6.2 使用Rekognition API的名人識別功能 166
7.6.3 通過Python代碼調用Rekognition API 167
7.7 在Python中使用Alexa API 171
7.7.1 先決條件和項目框圖 171
7.7.2 為Alexa技能創建配置 173
7.7.3 設置Login with Amazon服務 173
7.7.4 創建技能 175
7.7.5 配置AWS Lambda函數 176
7.7.6 創建Lambda函數 178
7.7.7 配置Alexa技能 180
7.7.8 為技能設置Amazon DynamoDB 181
7.7.9 為AWS Lambda函數部署代碼 182
7.7.10 測試Lambda函數 189
7.7.11 測試AWS Home Automation技能 191
7.8 小結 192
第8章 使用Python在Microsoft Azure上進行深度學習 195
8.1 技術要求 195
8.2 設置Azure帳戶 196
8.3 Azure提供的深度學習服務 198
8.4 使用Face API和Python進行物件檢測 200
8.4.1 初始設置 200
8.4.2 在Python代碼中使用Face API 203
8.4.3 可視化識別結果 205
8.5 使用Text Analytics API和Python提取文本信息 207
8.5.1 快速試用Text Analytics API 207
8.5.2 在Python代碼中使用Text Analytics API 208
8.6 關於CNTK 210
8.6.1 CNTK入門 210
8.6.2 在本地機器上安裝CNTK 210
8.6.3 在Google Colaboratory上安裝CNTK 211
8.6.4 創建CNTK神經網絡模型 212
8.6.5 訓練CNTK模型 215
8.6.6 測試和保存CNTK模型 216
8.7 Django Web開發簡介 216
8.7.1 Django入門 217
8.7.2 創建一個新的Django項目 218
8.7.3 設置主頁模板 218
8.8 使用來自Django項目的CNTK進行預測 223
8.8.1 設置預測路由和視圖 223
8.8.2 進行必要的模塊導入 224
8.8.3 使用CNTK模型加載和預測 225
8.8.4 測試Web應用程序 226
8.9 小結 227
第4篇 生產環境中的深度學習——智能Web應用程序開發
第9章 支持深度學習的網站的通用生產框架 231
9.1 技術要求 231
9.2 定義問題陳述 232
9.3 建立項目的心智模型 232
9.4 避免獲得錯誤數據 235
9.5 關於構建AI後端的問題 237
9.5.1 期望網站的AI部分是實時的 237
9.5.2 假設來自網站的傳入數據是理想的 237
9.6 端到端AI集成Web應用程序示例 238
9.6.1 數據收集和清洗 238
9.6.2 構建AI模型 239
9.6.3 導入必要的模塊 239
9.6.4 讀取數據集並準備清洗函數 240
9.6.5 提取需要的數據 240
9.6.6 應用文本清洗函數 241
9.6.7 將數據集拆分為訓練集和測試集 241
9.6.8 聚合有關產品和用戶的文本 241
9.6.9 創建用戶和產品的TF-IDF向量化器 242
9.6.10 根據提供的評級創建用戶和產品索引 242
9.6.11 創建矩陣分解函數 243
9.6.12 將模型保存為pickle文件 243
9.6.13 構建用戶界面 244
9.6.14 創建API來響應搜索查詢 244
9.6.15 創建用戶界面以使用API 247
9.7 小結 248
第10章 使用深度學習系統保護Web應用程序 249
10.1 技術要求 249
10.2 reCAPTCHA的由來 250
10.3 惡意用戶檢測 251
10.4 基於LSTM的用戶認證模型 252
10.4.1 為用戶身份認證有效性檢查構建模型 252
10.4.2 訓練模型 256
10.4.3 托管自定義身份驗證模型 257
10.5 基於Django構建使用API的應用程序 259
10.5.1 Django項目設置 259
10.5.2 在項目中創建應用程序 259
10.5.3 將應用程序鏈接到項目中 260
10.5.4 為網站添加路由 260
10.5.5 在BBS應用程序中創建路由處理文件 261
10.5.6 添加認證路由和配置 261
10.5.7 創建登錄頁面 261
10.5.8 創建注銷視圖 263
10.5.9 創建登錄頁面模板 263
10.5.10 BBS頁面模板 265
10.5.11 添加到BBS頁面模板 265
10.5.12 BBS模型 266
10.5.13 創建BBS視圖 267
10.5.14 創建添加貼文的視圖 268
10.5.15 創建管理員用戶並對其進行測試 268
10.5.16 通過Python在Web應用程序中使用reCAPTCHA 269
10.6 使用Cloudflare保護網站安全 272
10.7 小結 273
第11章 自定義Web深度學習生產環境 275
11.1 技術要求 275
11.2 生產環境中的深度學習概述 276
11.2.1 Web API服務 278
11.2.2 在線學習 278
11.2.3 批量預測 278
11.2.4 自動機器學習 278
11.3 在生產環境中部署機器學習的流行工具 279
11.3.1 creme 279
11.3.2 Airflow 282
11.3.3 AutoML 284
11.4 深度學習Web生產環境示例 285
11.4.1 項目基礎步驟 285
11.4.2 探索數據集 285
11.4.3 構建預測模型 286
11.4.4 實現前端 290
11.4.5 實現後端 291
11.4.6 將項目部署到Heroku上 294
11.5 安全措施、監控技術和性能優化 297
11.6 小結 298
第12章 使用深度學習API和客服聊天機器人創建端到端Web應用程序 299
12.1 技術要求 299
12.2 自然語言處理簡介 300
12.2.1 語料庫 300
12.2.2 詞性 300
12.2.3 分詞 301
12.2.4 詞幹提取和詞形還原 301
12.2.5 詞袋 302
12.2.6 相似性 302
12.3 聊天機器人簡介 303
12.4 創建擁有客服代表個性的Dialogflow機器人 304
12.4.1 關於Dialogflow 304
12.4.2 步驟1—打開Dialogflow控制臺 305
12.4.3 步驟2—創建新代理 306
12.4.4 步驟3—了解儀表板 306
12.4.5 步驟4—創建Intent 308
12.4.6 步驟5—創建一個webhook 313
12.4.7 步驟6—創建Firebase Cloud Functions 313
12.4.8 步驟7—為機器人添加個性 315
12.5 通過ngrok在本地主機上使用HTTPS API 316
12.6 使用Django創建測試用戶界面來管理訂單 318
12.6.1 步驟1—創建Django項目 318
12.6.2 步驟2—創建一個使用訂單管理系統API的應用程序 319
12.6.3 步驟3—設置settings.py 319
12.6.4 步驟4—向apiui中添加路由 320
12.6.5 步驟5—在apiui應用程序中添加路由 321
12.6.6 步驟6—創建所需的視圖 321
12.6.7 步驟7—創建模板 322
12.7 使用Web Speech API在網頁上進行語音識別和語音合成 322
12.7.1 步驟1—創建按鈕元素 323
12.7.2 步驟2—初始化Web Speech API並執行配置 324
12.7.3 步驟3—調用Dialogflow代理 325
12.7.4 步驟4—在Dialogflow Gateway上創建Dialogflow API代理 326
12.7.5 步驟5—為按鈕添加click處理程序 328
12.8 小結 329
附錄A Web+深度學習的成功案例和新興領域 331
A.1 成功案例 331
A.1.1 Quora 331
A.1.2 多鄰國 332
A.1.3 Spotify 333
A.1.4 Google相冊 333
A.2 重點新興領域 334
A.2.1 音頻搜索 334
A.2.2 閱讀理解 336
A.2.3 檢測社交媒體上的假新聞 337
A.3 結語 338
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。
