《基于浏览器的深度学习》内容简介

本书是Web开发和深度学习的跨界，主要介绍基于浏览器的深度学习技术，具体内容包括神经网络架构、主流的JavaScript深度学习框架、深度学习的JavaScript基础、基于WebGL的GPU加速、浏览器上的数据抽取和操作，以及tensorflow.js实践应用。每章都配有完整的代码示例以及可视化效果，轻松易学。也详细介绍了tensorflow.js重要的模块tfjs-core、tfjs-layers、tfjs-node、tfjs-converter等。
泽维尔·布里（Xavier Bourry），是创业公司Jeeliz的联合创始人和CTO，专注于深度学习。他使用WebGL API开发了基于GPU的深度学习引擎，其性能比TFJS高，能够用于实时视频处理。
佐佐木凯（Kai Sasaki），是Arm公司的高级软件工程师，还是Apache Hivemall Committer。他擅长Web和数据处理平台，在使用APNS和GCM开发和维护通知平台、开发Hadoop和Storm等数据处理平台、开发/维护Presto集群等方面有丰富的经验。
克里斯托夫·科纳（Christoph Körner），是微软公司大数据和人工智能专家，之前是T-Mobile Austria的大数据技术主管、Kaggle Vienna机器学习社区的会议组织者。除本书外，他还著有《Learning Responsive Data Visualization》《Data Visualization with D3 and AngularJS》等。
中野礼一郎（Reiichiro Nakano），是Infostellar公司的软件开发工程师，专注于机器学习。

作品目录

译者序
前言
第1章：深度学习
1.1、深度神经网络的数学基础
1.2、深度神经网络的训练
1.3、本章小结
第2章：神经网络架构
2.1、卷积神经网络
2.2、循环神经网络
2.3、深度强化学习
2.4、本章小结
第3章：JavaScript深度学习框架
3.1、TensorFlow.js
3.2、WebDNN
3.3、Keras.js
3.4、本章小结
第4章：深度学习的JavaScript基础
4.1、JavaScript中的TypedArray
4.2、JavaScript中的并发
4.3、在CPU/GPU上加载资源
4.4、本章小结
第5章：基于WebGL的GPU加速
5.1、WebGL基础
5.2、WebGL实现常规计算
5.3、使用纹理和着色器的矩阵计算
5.4、手写数字识别应用
5.5、本章小结
第6章：从浏览器中提取数据
6.1、加载图像数据
6.2、将像素数据渲染到屏幕上
6.3、访问相机、麦克风和扬声器
6.4、深度学习框架中的实用工具
6.5、本章小结
第7章：高级数据操作的方法
7.1、反序列化Protobuf
7.2、用Chart.js绘制图表
7.3、用画布画草图
7.4、从麦克风计算频谱图
7.5、人脸检测与跟踪
7.6、本章小结
第8章：基于TensorFlow.js构建应用
8.1、TensorFlow.js实现手势识别
8.2、TensorFlow.js实现文本生成
8.3、TensorFlow.js实现图像降噪
8.4、本章小结
8.5、最后结论