TensorFlow移动端机器学习实战
全新正版 极速发货
￥ 46.04 5.8折 ￥ 79 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者王众磊//陈海波
出版社电子工业
ISBN9787121374265
出版时间2019-10
装帧其他
开本其他
定价79元
货号1201951889
上书时间2024-06-09
商品详情
- 品相描述：全新
- 商品描述
-
目录
目 录
第1章 机器学习和TensorFlow简述1
1.1 机器学习和TensorFlow的历史及发展现状1
1.1.1 人工智能和机器学习1
1.1.2 TensorFlow3
1.1.3 TensorFlow Mobile5
1.1.4 TensorFlow Lite5
1.2 在移动设备上运行机器学习的应用6
1.2.1 生态和现状7
1.2.2 从移动优先到人工智能优先8
1.2.3 人工智能的发展9
1.2.4 在移动设备上进行机器学习的难点和挑战9
1.2.5 TPU10
1.3 机器学习框架11
1.3.1 CAFFE211
1.3.2 Android NNAPI12
1.3.3 CoreML12
1.3.4 树莓派（Raspberry Pi）13
第2章 构建开发环境14
2.1 开发主机和设备的选择14
2.2 在网络代理环境下开发15
2.3 集成开发环境IDE16
2.3.1 Android Studio16
2.3.2 Visual Studio Code16
2.3.3 其他IDE18
2.4 构建工具Bazel18
2.4.1 Bazel生成调试19
2.4.2 Bazel Query命令20
2.5 装载TensorFlow20
2.6 文档25
第3章 基于移动端的机器学习的开发方式和流程26
3.1 开发方式和流程简介26
3.2 使用TPU进行训练28
3.3 设备端进行机器学习训练35
3.4 使用TensorFlow Serving优化TensorFlow模型41
3.4.1 训练和导出TensorFlow模型42
3.4.2 使用标准TensorFlow ModelServer加载导出的模型50
3.4.3 测试服务器50
3.5 TensorFlow扩展（Extended）54
第4章 构建TensorFlow Mobile55
4.1 TensorFlow Mobile的历史55
4.2 TensorFlow代码结构55
4.3 构建及运行61
4.3.1 代码的流程67
4.3.2 代码的依赖性68
4.3.3 性能和代码跟踪69
第5章 用TensorFlow Mobile构建机器学习应用71
5.1 准备工作71
5.2 图像分类（Image Classification）74
5.2.1 应用74
5.2.2 模型85
5.3 物体检测（Object Detection）87
5.3.1 应用87
5.3.2 模型92
5.4 时尚渲染（Stylization）95
5.4.1 应用95
5.4.2 模型96
5.5 声音识别（Speech Recognization）96
5.5.1 应用96
5.5.2 模型99
第6章 TensorFlow Lite的架构101
6.1 模型格式102
6.1.1 Protocol Buffer102
6.1.2 FlatBuffers105
6.1.3 模型结构112
6.1.4 转换器（Toco）113
6.1.5 解析器（Interpreter）119
6.2 底层结构和设计123
6.2.1 设计目标123
6.2.2 错误反馈124
6.2.3 装载模型125
6.2.4 运行模型126
6.2.5 定制演算子（CUSTOM Ops）128
6.2.6 定制内核132
6.3 工具133
6.3.1 图像标注（label_image）133
6.3.2 最小集成（Minimal）143
6.3.3 Graphviz143
6.3.4 模型评效148
第7章 用TensorFlow Lite构建机器学习应用151
7.1 模型设计151
7.1.1 使用预先训练的模型151
7.1.2 重新训练152
7.1.3 使用瓶颈（Bottleneck）154
7.2 开发应用158
7.2.1 程序接口158
7.2.2 线程和性能162
7.2.3 模型优化163
7.3 TensorFlow Lite的应用170
7.3.1 声音识别173
7.3.2 图像识别177
7.4 TensorFlow Lite使用GPU178
7.4.1 GPU与CPU性能比较178
7.4.2 开发GPU代理（Delegate）178
7.5 训练模型182
7.5.1 仿真器183
7.5.2 构建执行文件183
第8章 移动端的机器学习开发186
8.1 其他设备的支持186
8.1.1 在iOS上运行TensorFlow的应用186
8.1.2 在树莓派上运行TensorFlow189
8.2 设计和优化模型190
8.2.1 模型大小191
8.2.2 运行速度192
8.2.3 可视化模型196
8.2.4 线程196
8.2.5 二进制文件大小197
8.2.6 重新训练移动数据197
8.2.7 优化模型加载198
8.2.8 保护模型文件198
8.2.9 量化计算199
8.2.10 使用量化计算202
8.3 设计机器学习应用程序要点207
第9章 TensorFlow的硬件加速209
9.1 神经网络接口209
9.1.1 了解Neural Networks API运行时210
9.1.2 Neural Networks API编程模型211
9.1.3 NNAPI 实现的实例213
9.2 硬件加速222
9.2.1 高通网络处理器223
9.2.2 华为HiAI Engine229
9.2.3 简要比较235
9.2.4 开放式神经网络交换格式236
第10章 机器学习应用框架237
10.1 ML Kit237
10.1.1 面部识别（Face Detection）242
10.1.2 文本识别247
10.1.3 条形码识别248
10.2 联合学习（Federated Learning）248
第11章 基于移动设备的机器学习的未来252
11.1 TensorFlow 2.0和路线图252
11.1.1 更简单的开发模型253
11.1.2 更可靠的跨平台的模型发布254
11.1.3 TensorFlow Lite254
11.1.4 TensorFlow 1.0 和TensorFlow 2.0的不同255
11.2 人工智能的发展方向255
11.2.1 提高人工智能的可解释性255
11.2.2 贡献社会256
11.2.3 改善社会258
内容摘要
TensorFlow已经成为机器学习的流行框架和工业届标准，早期的TensorFlow以云端和数据中心中的机器学习为主，近期的一个趋势是，逐渐向移动端和设备端转移。推动这个趋势的动力包括人们对机器学习理论和认知的提高、算法及技术的改进、软件和硬件性能的提高，以及专有硬件的出现等，更主要的是，用户的需求和越来越丰富的场景需求。现在国内移动用户已超15亿，全球移动用户已超过51亿，2019年IoT装置数量预计将超过全球人口总数。我们相信，在未来，云端和移动端相结合的人工智能和设备端独立的人工智能应用会慢慢成为主流。作为TensorFlow的开发者和使用者，本书作者完整地讲解了使用TensorFlow进行端到端开发的实例和开发技巧，同时分享了如何使用开源工具进行软件开发的最佳工程实践和经验。本书提供了全方位的视角帮助读者开启不同的思路，即使把本书作为一本软件开发和工程开发的书籍来读，也会使读者受益匪浅。
— 没有更多了 —
以下为对购买帮助不大的评价