TensorFlow Lite移動設(shè)備深度學習從入門到實踐

定　價：￥69.00

作　者：	張元勇
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302599470	出版時間：	2022-03-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　《TensorFlow Lite移動設(shè)備深度學習從入門到實踐》循序漸進地講解了使用 TensorFlow Lite開發(fā)移動設(shè)備深度學習程序的核心知識，并通過具體實例的實現(xiàn)過程演練了使用TensorFlow Lite 的方法和流程。全書共12章，分別講解了人工智能和機器學習基礎(chǔ)、搭建開發(fā)環(huán)境、個 TensorFlow Lite程序、轉(zhuǎn)換模型、推斷、使用元數(shù)據(jù)進行推斷、優(yōu)化處理、手寫數(shù)字識別器、鮮花識別系統(tǒng)、情感文本識別系統(tǒng)、物體檢測識別系統(tǒng)、智能客服系統(tǒng)。《TensorFlow Lite移動設(shè)備深度學習從入門到實踐》簡潔而不失其技術(shù)深度，內(nèi)容豐富全面，易于閱讀，以極簡的文字介紹了復(fù)雜的案例，適用于已經(jīng)了解了Python語言基礎(chǔ)語法的讀者，以及想進一步學習機器學習和深度學習技術(shù)的讀者，還可以作為大專院校相關(guān)專業(yè)的師生用書和培訓學校的專業(yè)性教材。

作者簡介

　　張元勇，中國海洋大學計算機碩士，浪潮信息開發(fā)工程師，浪潮軟件大數(shù)據(jù)實驗室數(shù)據(jù)挖掘?qū)＜?。精通C語言、Java、C、PHP、Python等開發(fā)語言，擅長數(shù)據(jù)挖掘和可視化處理，熟悉Linux、Apache等相關(guān)開發(fā)平臺技術(shù)。日常負責在線分析處理、情報檢索、機器學習、專家系統(tǒng)（依靠過去的經(jīng)驗法則）和模式識別等工作。

圖書目錄

第1 章人工智能和機器學習基礎(chǔ) 1
1.1 人工智能的基礎(chǔ)知識 2
1.1.1 人工智能介紹 2
1.1.2 人工智能的發(fā)展歷程 2
1.1.3 人工智能的兩個重要發(fā)展階段 3
1.1.4 和人工智能相關(guān)的幾個重要概念 3
1.2 機器學習的基礎(chǔ)知識 4
1.2.1 機器學習介紹 4
1.2.2 機器學習的三個發(fā)展階段 4
1.2.3 機器學習的分類 5
1.2.4 深度學習和機器學習的對比 5
1.3 人工智能的研究領(lǐng)域和應(yīng)用場景 7
1.3.1 人工智能的研究領(lǐng)域 7
1.3.2 人工智能的應(yīng)用場景 8
1.3.3 人工智能的未來目標 9
1.4 機器學習的步驟 10
1.5 使用Python 學習人工智能開發(fā) 10
1.5.1 Python 在人工智能方面的優(yōu)勢 10
1.5.2 常用的Python 庫 11
1.6　TensorFlow 基礎(chǔ) 12
1.6.1　TensorFlow 介紹 12
1.6.2 TensorFlow 的優(yōu)勢 13
1.6.3 TensorFlow Lite 介紹 13
第2 章搭建開發(fā)環(huán)境 15
2.1 安裝環(huán)境要求 16
2.1.1 硬件要求 16
2.1.2 軟件要求 16
2.2 安裝TensorFlow 16
2.2.1 使用pip 安裝TensorFlow 17
2.2.2 使用Anaconda 安裝TensorFlow 18
2.2.3 安裝TensorFlow Lite解釋器 19
2.2.4 解決速度過慢的問題 20
2.3 準備開發(fā)工具 20
2.3.1 使用PyCharm 開發(fā)并調(diào)試運行TensorFlow 程序 21
2.3.2 使用Colaboratory 開發(fā)并調(diào)試運行TensorFlow 程序 21
第3 章個TensorFlow Lite 程序 25
3.1 開發(fā)TensorFlow Lite 程序的流程 26
3.1.1 準備模型 26
3.1.2 轉(zhuǎn)換模型 27
3.1.3 使用模型進行推理 28
3.1.4 優(yōu)化模型 29
3.2 在Android 中創(chuàng)建TensorFlow Lite 30
3.2.1 需要安裝的工具 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 運行和測試 32
第4 章轉(zhuǎn)換模型 35
4.1 TensorFlow Lite 轉(zhuǎn)換器 36
4.1.1 轉(zhuǎn)換方式 36
4.1.2 將TensorFlow RNN 轉(zhuǎn)換為TensorFlow Lite 39
4.2 將元數(shù)據(jù)添加到 TensorFlow Lite模型 43
4.2.1 具有元數(shù)據(jù)格式的模型 43
4.2.2 使用Flatbuffers Python API 添加元數(shù)據(jù) 44
第5 章推斷 49
5.1 TensorFlow Lite 推斷的基本知識 50
5.1.1 推斷的基本步驟 50
5.1.2 推斷支持的平臺 50
5.2 運行模型 51
5.2.1 在Java 程序中加載和運行模型 51
5.2.2 在 Swift 程序中加載和運行模型 53
5.2.3 在Objective-C 程序中加載和運行模型 54
5.2.4 在Objective-C 中使用C API 55
5.2.5 在 C 中加載和運行模型 55
5.2.6 在 Python 中加載和運行模型 56
5.3 運算符操作 58
5.3.1 運算符操作支持的類型 58
5.3.2 從TensorFlow 中選擇運算符 59
5.3.3 自定義運算符 61
5.3.4 融合運算符 66
第6 章使用元數(shù)據(jù)進行推斷 67
6.1 元數(shù)據(jù)推斷簡介 68
6.2 使用元數(shù)據(jù)生成模型接口 68
6.2.1 使用 Android Studio 機器學習模型進行綁定 68
6.2.2 使用TensorFlow Lite 代碼生成器生成模型接口 71
6.3 通過Task 庫集成模型 73
6.3.1 Task Library 可以提供的內(nèi)容 73
6.3.2 支持的任務(wù) 73
6.3.3 集成圖像分類器 74
6.4 自定義輸入和輸出 75
第7 章優(yōu)化處理 81
7.1 性能優(yōu)化 82
7.2 TensorFlow Lite 委托 84
7.2.1 選擇委托 84
7.2.2 評估工具 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 模型優(yōu)化 90
7.4.1 模型量化 90
7.4.2 訓練后量化 91
7.4.3 訓練后動態(tài)范圍量化 93
第8 章手寫數(shù)字識別器 103
8.1 系統(tǒng)介紹 104
8.2 創(chuàng)建模型 104
8.2.1 創(chuàng)建TensorFlow 數(shù)據(jù)模型 104
8.2.2 將Keras 模型轉(zhuǎn)換為TensorFlow Lite 108
8.3 Android 手寫數(shù)字識別器 110
8.3.1 準備工作 110
8.3.2 頁面布局 112
8.3.3 實現(xiàn)Activity 113
8.3.4 實現(xiàn)TensorFlow Lite 識別 115
第9 章鮮花識別系統(tǒng) 121
9.1 系統(tǒng)介紹 122
9.2 創(chuàng)建模型 122
9.2.1 創(chuàng)建TensorFlow 數(shù)據(jù)模型 122
9.2.2 將Keras 模型轉(zhuǎn)換為TensorFlow Lite 127
9.2.3 量化處理 129
9.2.4 更改模型 130
9.3 Android 鮮花識別器 132
9.3.1 準備工作 132
9.3.2 頁面布局 134
9.3.3 實現(xiàn)UI Activity 136
9.3.4 實現(xiàn)主Activity 137
9.3.5 圖像轉(zhuǎn)換 142
9.3.6 使用 GPU 委托加速 147
第10 章情感文本識別系統(tǒng) 149
10.1 系統(tǒng)介紹 150
10.2 創(chuàng)建模型 150
10.2.1 創(chuàng)建TensorFlow 數(shù)據(jù)模型 151
10.2.2 將Keras 模型轉(zhuǎn)換為TensorFlow Lite 155
10.2.3 調(diào)整模型 156
10.3 Android 情感識別器 160
10.3.1 準備工作 161
10.3.2 頁面布局 163
10.3.3 實現(xiàn)主Activity 164
10.3.4 lib_task_api 方案 166
10.3.5 lib_interpreter 方案 168
第11 章物體檢測識別系統(tǒng) 175
11.1 系統(tǒng)介紹 176
11.2 準備模型 176
11.2.1 模型介紹 176
11.2.2 自定義模型 177
11.3 Android 物體檢測識別器 180
11.3.1 準備工作 180
11.3.2 頁面布局 182
11.3.3 實現(xiàn)主Activity 186
11.3.4 物體識別界面 192
11.3.5 相機預(yù)覽界面拼接 195
11.3.6 lib_task_api 方案 202
11.3.7 lib_interpreter 方案 204
第12 章智能客服系統(tǒng) 211
12.1 系統(tǒng)介紹 212
12.2 準備模型 212
12.2.1 模型介紹 212
12.2.2 下載模型文件 213
12.3 Android 智能客服回復(fù)器 213
12.3.1 準備工作 213
12.3.2 頁面布局 215
12.3.3 實現(xiàn)主Activity 216
12.3.4 智能回復(fù)處理 218