TensorFlow Lite移动设备深度学习从入门到实践

第1 章 人工智能和机器学习基础 1

1.1 人工智能的基础知识 2

1.1.1 人工智能介绍 2

1.1.2 人工智能的发展历程 2

1.1.3 人工智能的两个重要发展阶段 3

1.1.4 和人工智能相关的几个重要概念 3

1.2 机器学习的基础知识 4

1.2.1 机器学习介绍 4

1.2.2 机器学习的三个发展阶段 4

1.2.3 机器学习的分类 5

1.2.4 深度学习和机器学习的对比 5

1.3 人工智能的研究领域和应用场景 7

1.3.1 人工智能的研究领域 7

1.3.2 人工智能的应用场景 8

1.3.3 人工智能的未来目标 9

1.4 机器学习的步骤 10

1.5 使用Python 学习人工智能开发 10

1.5.1 Python 在人工智能方面的优势 10

1.5.2 常用的Python 库 11

1.6　TensorFlow 基础 12

1.6.1　TensorFlow 介绍 12

1.6.2 TensorFlow 的优势 13

1.6.3 TensorFlow Lite 介绍 13

第2 章 搭建开发环境 15

2.1 安装环境要求 16

2.1.1 硬件要求 16

2.1.2 软件要求 16

2.2 安装TensorFlow 16

2.2.1 使用pip 安装TensorFlow 17

2.2.2 使用Anaconda 安装TensorFlow 18

2.2.3 安装TensorFlow Lite解释器 19

2.2.4 解决速度过慢的问题 20

2.3 准备开发工具 20

2.3.1 使用PyCharm 开发并调试运行TensorFlow 程序 21

2.3.2 使用Colaboratory 开发并调试运行TensorFlow 程序 21

第3 章 个TensorFlow Lite 程序 25

3.1 开发TensorFlow Lite 程序的流程 26

3.1.1 准备模型 26

3.1.2 转换模型 27

3.1.3 使用模型进行推理 28

3.1.4 优化模型 29

3.2 在Android 中创建TensorFlow Lite 30

3.2.1 需要安装的工具 30

3.2.2 新建Android 工程 30

3.2.3 使用JCenter 中的TensorFlow Lite AAR 31

3.2.4 运行和测试 32

第4 章 转换模型 35

4.1 TensorFlow Lite 转换器 36

4.1.1 转换方式 36

4.1.2 将TensorFlow RNN 转换为TensorFlow Lite 39

4.2 将元数据添加到 TensorFlow Lite模型 43

4.2.1 具有元数据格式的模型 43

4.2.2 使用Flatbuffers Python API 添加元数据 44

第5 章 推断 49

5.1 TensorFlow Lite 推断的基本知识 50

5.1.1 推断的基本步骤 50

5.1.2 推断支持的平台 50

5.2 运行模型 51

5.2.1 在Java 程序中加载和运行模型 51

5.2.2 在 Swift 程序中加载和运行模型 53

5.2.3 在Objective-C 程序中加载和运行模型 54

5.2.4 在Objective-C 中使用C API 55

5.2.5 在 C 中加载和运行模型 55

5.2.6 在 Python 中加载和运行模型 56

5.3 运算符操作 58

5.3.1 运算符操作支持的类型 58

5.3.2 从TensorFlow 中选择运算符 59

5.3.3 自定义运算符 61

5.3.4 融合运算符 66

第6 章 使用元数据进行推断 67

6.1 元数据推断简介 68

6.2 使用元数据生成模型接口 68

6.2.1 使用 Android Studio 机器学习模型进行绑定 68

6.2.2 使用TensorFlow Lite 代码生成器生成模型接口 71

6.3 通过Task 库集成模型 73

6.3.1 Task Library 可以提供的内容 73

6.3.2 支持的任务 73

6.3.3 集成图像分类器 74

6.4 自定义输入和输出 75

第7 章 优化处理 81

7.1 性能优化 82

7.2 TensorFlow Lite 委托 84

7.2.1 选择委托 84

7.2.2 评估工具 85

7.3 TensorFlow Lite GPU 代理 87

7.3.1 在Android 中使用TensorFlow Lite GPU 代理 87

7.3.2 在iOS 中使用TensorFlow LiteGPU 代理 88

7.3.3 在自己的模型上使用GPU代理 89

7.4 模型优化 90

7.4.1 模型量化 90

7.4.2 训练后量化 91

7.4.3 训练后动态范围量化 93

第8 章 手写数字识别器 103

8.1 系统介绍 104

8.2 创建模型 104

8.2.1 创建TensorFlow 数据模型 104

8.2.2 将Keras 模型转换为TensorFlow Lite 108

8.3 Android 手写数字识别器 110

8.3.1 准备工作 110

8.3.2 页面布局 112

8.3.3 实现Activity 113

8.3.4 实现TensorFlow Lite 识别 115

第9 章 鲜花识别系统 121

9.1 系统介绍 122

9.2 创建模型 122

9.2.1 创建TensorFlow 数据模型 122

9.2.2 将Keras 模型转换为TensorFlow Lite 127

9.2.3 量化处理 129

9.2.4 更改模型 130

9.3 Android 鲜花识别器 132

9.3.1 准备工作 132

9.3.2 页面布局 134

9.3.3 实现UI Activity 136

9.3.4 实现主Activity 137

9.3.5 图像转换 142

9.3.6 使用 GPU 委托加速 147

第10 章 情感文本识别系统 149

10.1 系统介绍 150

10.2 创建模型 150

10.2.1 创建TensorFlow 数据模型 151

10.2.2 将Keras 模型转换为TensorFlow Lite 155

10.2.3 调整模型 156

10.3 Android 情感识别器 160

10.3.1 准备工作 161

10.3.2 页面布局 163

10.3.3 实现主Activity 164

10.3.4 lib_task_api 方案 166

10.3.5 lib_interpreter 方案 168

第11 章 物体检测识别系统 175

11.1 系统介绍 176

11.2 准备模型 176

11.2.1 模型介绍 176

11.2.2 自定义模型 177

11.3 Android 物体检测识别器 180

11.3.1 准备工作 180

11.3.2 页面布局 182

11.3.3 实现主Activity 186

11.3.4 物体识别界面 192

11.3.5 相机预览界面拼接 195

11.3.6 lib_task_api 方案 202

11.3.7 lib_interpreter 方案 204

第12 章 智能客服系统 211

12.1 系统介绍 212

12.2 准备模型 212

12.2.1 模型介绍 212

12.2.2 下载模型文件 213

12.3 Android 智能客服回复器 213

12.3.1 准备工作 213

12.3.2 页面布局 215

12.3.3 实现主Activity 216

12.3.4 智能回复处理 218