| 作 者： | 王众磊 |
| 出版社： | 电子工业出版社 |
| 丛编项： | |
| 版权说明： | 本书为出版图书，暂不支持在线阅读，请支持正版图书 |
| 标 签： | 暂缺 |
| ISBN | 出版时间 | 包装 | 开本 | 页数 | 字数 |
|---|---|---|---|---|---|
| 未知 | 暂无 | 暂无 | 未知 | 0 | 暂无 |
目 录
第1章 机器学习和TensorFlow简述\t1
1．1 机器学习和TensorFlow的历史及发展现状\t1
1．1．1 人工智能和机器学习\t1
1．1．2 TensorFlow\t3
1．1．3 TensorFlow Mobile\t5
1．1．4 TensorFlow Lite\t5
1．2 在移动设备上运行机器学习的应用\t6
1．2．1 生态和现状\t7
1．2．2 从移动优先到人工智能优先\t8
1．2．3 人工智能的发展\t9
1．2．4 在移动设备上进行机器学习的难点和挑战\t9
1．2．5 TPU\t10
1．3 机器学习框架\t11
1．3．1 CAFFE2\t11
1．3．2 Android NNAPI\t12
1．3．3 CoreML\t12
1．3．4 树莓派（Raspberry Pi）\t13
第2章 构建开发环境\t14
2．1 开发主机和设备的选择\t14
2．2 在网络代理环境下开发\t15
2．3 集成开发环境IDE\t16
2．3．1 Android Studio\t16
2．3．2 Visual Studio Code\t16
2．3．3 其他IDE\t18
2．4 构建工具Bazel\t18
2．4．1 Bazel生成调试\t19
2．4．2 Bazel Query命令\t20
2．5 装载TensorFlow\t20
2．6 文档\t25
第3章 基于移动端的机器学习的开发方式和流程\t26
3．1 开发方式和流程简介\t26
3．2 使用TPU进行训练\t28
3．3 设备端进行机器学习训练\t35
3．4 使用TensorFlow Serving优化TensorFlow模型\t41
3．4．1 训练和导出TensorFlow模型\t42
3．4．2 使用标准TensorFlow ModelServer加载导出的模型\t50
3．4．3 测试服务器\t50
3．5 TensorFlow扩展（Extended）\t54
第4章 构建TensorFlow Mobile\t55
4．1 TensorFlow Mobile的历史\t55
4．2 TensorFlow代码结构\t55
4．3 构建及运行\t61
4．3．1 代码的流程\t67
4．3．2 代码的依赖性\t68
4．3．3 性能和代码跟踪\t69
第5章 用TensorFlow Mobile构建机器学习应用\t71
5．1 准备工作\t71
5．2 图像分类（Image Classification）\t74
5．2．1 应用\t74
5．2．2 模型\t85
5．3 物体检测（Object Detection）\t87
5．3．1 应用\t87
5．3．2 模型\t92
5．4 时尚渲染（Stylization）\t95
5．4．1 应用\t95
5．4．2 模型\t96
5．5 声音识别（Speech Recognization）\t96
5．5．1 应用\t96
5．5．2 模型\t99
第6章 TensorFlow Lite的架构\t101
6．1 模型格式\t102
6．1．1 Protocol Buffer\t102
6．1．2 FlatBuffers\t105
6．1．3 模型结构\t112
6．1．4 转换器（Toco）\t113
6．1．5 解析器（Interpreter）\t119
6．2 底层结构和设计\t123
6．2．1 设计目标\t123
6．2．2 错误反馈\t124
6．2．3 装载模型\t125
6．2．4 运行模型\t126
6．2．5 定制演算子（CUSTOM Ops）\t128
6．2．6 定制内核\t132
6．3 工具\t133
6．3．1 图像标注（label_image）\t133
6．3．2 最小集成（Minimal）\t143
6．3．3 Graphviz\t143
6．3．4 模型评效\t148
第7章 用TensorFlow Lite构建机器学习应用\t151
7．1 模型设计\t151
7．1．1 使用预先训练的模型\t151
7．1．2 重新训练\t152
7．1．3 使用瓶颈（Bottleneck）\t154
7．2 开发应用\t158
7．2．1 程序接口\t158
7．2．2 线程和性能\t162
7．2．3 模型优化\t163
7．3 TensorFlow Lite的应用\t170
7．3．1 声音识别\t173
7．3．2 图像识别\t177
7．4 TensorFlow Lite使用GPU\t178
7．4．1 GPU与CPU性能比较\t178
7．4．2 开发GPU代理（Delegate）\t178
7．5 训练模型\t182
7．5．1 仿真器\t183
7．5．2 构建执行文件\t183
第8章 移动端的机器学习开发\t186
8．1 其他设备的支持\t186
8．1．1 在iOS上运行TensorFlow的应用\t186
8．1．2 在树莓派上运行TensorFlow\t189
8．2 设计和优化模型\t190
8．2．1 模型大小\t191
8．2．2 运行速度\t192
8．2．3 可视化模型\t196
8．2．4 线程\t196
8．2．5 二进制文件大小\t197
8．2．6 重新训练移动数据\t197
8．2．7 优化模型加载\t198
8．2．8 保护模型文件\t198
8．2．9 量化计算\t199
8．2．10 使用量化计算\t202
8．3 设计机器学习应用程序要点\t207
第9章 TensorFlow的硬件加速\t209
9．1 神经网络接口\t209
9．1．1 了解Neural Networks API运行时\t210
9．1．2 Neural Networks API编程模型\t211
9．1．3 NNAPI 实现的实例\t213
9．2 硬件加速\t222
9．2．1 高通网络处理器\t223
9．2．2 华为HiAI Engine\t229
9．2．3 简要比较\t235
9．2．4 开放式神经网络交换格式\t236
第10章 机器学习应用框架\t237
10．1 ML Kit\t237
10．1．1 面部识别（Face Detection）\t242
10．1．2 文本识别\t247
10．1．3 条形码识别\t248
10．2 联合学习（Federated Learning）\t248
第11章 基于移动设备的机器学习的未来\t252
11．1 TensorFlow 2．0和路线图\t252
11．1．1 更简单的开发模型\t253
11．1．2 更可靠的跨平台的模型发布\t254
11．1．3 TensorFlow Lite\t254
11．1．4 TensorFlow 1．0 和TensorFlow 2．0的不同\t255
11．2 人工智能的发展方向\t255
11．2．1 提高人工智能的可解释性\t255
11．2．2 贡献社会\t256
11．2．3 改善社会\t258
