人工智能 类型
可以朗读 语音朗读
229千字 字数
2019-10-01 发行日期
展开全部

主编推荐语

人工智能应用向边缘设备转移，本书详解TensorFlow端到端开发及在小型设备上应用开发要点。

内容简介

随着人工智能技术的普及和边缘计算等新兴技术的兴起，很多人工智能的应用逐渐从云端向边缘设备和终端设备转移，基于移动端设备和嵌入式设备等小型设备的人工智能应用的开发越来越重要。TensorFlow作为开源机器学习框架，提供了对不同开发环境和设备的支持。本书详细讲解了如何使用TensorFlow进行端到端机器学习应用的开发，以及使用TensorFlow Lite在小型设备（包括Android、iOS、树莓派（Raspberry Pi））上进行应用开发的要点和相应的实战案例。本书也讲解了针对Android的硬件加速技术，以及业界流行的机器学习应用框架。本书代码基本对应TensorFlow 2.0.本书适合没有人工智能开发经验的初学者，以及有一定相关经验并且希望在人工智能应用上更加深入了解的开发者阅读。

目录

  • 版权信息
  • 前言
  • 读者服务
  • 第1章 机器学习和TensorFIow简述
  • 1.1 机器学习和TensorFlow的历史及发展现状
  • 1.1.1 人工智能和机器学习
  • 1.1.2 TensorFIow
  • 1.1.3 TensorFIow MobiIe
  • 1.1.4 TensorFIow Lite
  • 1.2 在移动设备上运行机器学习的应用
  • 1.2.1 生态和现状
  • 1.2.2 从移动优先到人工智能优先
  • 1.2.3 人工智能的发展
  • 1.2.4 在移动设备上进行机器学习的难点和挑战
  • 1.2.5 TPU
  • 1.3 机器学习框架
  • 1.3.1 CAFFE2
  • 1.3.2 Android NNAPI
  • 1.3.3 CoreML
  • 1.3.4 树莓派（Raspberry Pi）
  • 第2章 构建开发环境
  • 2.1 开发主机和设备的选择
  • 2.2 在网络代理环境下开发
  • 2.3 集成开发环境IDE
  • 2.3.1 Android Studio
  • 2.3.2 VisuaI Studio Code
  • 2.3.3 其他IDE
  • 2.4 构建工具Bazel
  • 2.4.1 BazeI生成调试
  • 2.4.2 BazeI Query命令
  • 2.5 装载TensorFlow
  • 2.6 文档
  • 第3章 基于移动端的机器学习的开发方式和流程
  • 3.1 开发方式和流程简介
  • 3.2 使用TPU进行训练
  • 3.3 设备端进行机器学习训练
  • 3.4 使用TensorFlow Serving优化TensorFlow模型
  • 3.4.1 训练和导出TensorFIow模型
  • 3.4.2 使用标准TensorFIow ModeIServer加载导出的模型
  • 3.4.3 测试服务器
  • 3.5 TensorFlow扩展（Extended）
  • 第4章 构建TensorFIow MobiIe
  • 4.1 TensorFlow Mobile的历史
  • 4.2 TensorFlow代码结构
  • 4.3 构建及运行
  • 4.3.1 代码的流程
  • 4.3.2 代码的依赖性
  • 4.3.3 性能和代码跟踪
  • 第5章 用TensorFIow MobiIe构建机器学习应用
  • 5.1 准备工作
  • 5.2 图像分类（Image Classification）
  • 5.2.1 应用
  • 5.2.2 模型
  • 5.3 物体检测（Object Detection）
  • 5.3.1 应用
  • 5.3.2 模型
  • 5.4 时尚渲染（Stylization）
  • 5.4.1 应用
  • 5.4.2 模型
  • 5.5 声音识别（Speech Recognization）
  • 5.5.1 应用
  • 5.5.2 模型
  • 第6章 TensorFIow Lite的架构
  • 6.1 模型格式
  • 6.1.1 ProtocoI Buffers
  • 6.1.2 FIatBuffers
  • 6.1.3 模型结构
  • 6.1.4 转换器（Toco）
  • 6.1.5 解析器（Interpreter）
  • 6.2 底层结构和设计
  • 6.2.1 设计目标
  • 6.2.2 错误反馈
  • 6.2.3 装载模型
  • 6.2.4 运行模型
  • 6.2.5 定制演算子（CUSTOM Ops）
  • 6.2.6 定制内核
  • 6.3 工具
  • 6.3.1 图像标注（IabeI_image）
  • 6.3.2 最小集成（MinimaI）
  • 6.3.3 Graphviz
  • 6.3.4 模型评效
  • 第7章 用TensorFIow Lite构建机器学习应用
  • 7.1 模型设计
  • 7.1.1 使用预先训练的模型
  • 7.1.2 重新训练
  • 7.1.3 使用瓶颈（BottIeneck）
  • 7.2 开发应用
  • 7.2.1 程序接口
  • 7.2.2 线程和性能
  • 7.2.3 模型优化
  • 7.3 TensorFlow Lite的应用
  • 7.3.1 声音识别
  • 7.3.2 图像识别
  • 7.4 TensorFlow Lite使用GPU
  • 7.4.1 GPU与CPU性能比较
  • 7.4.2 开发GPU代理（DeIegate）
  • 7.5 训练模型
  • 7.5.1 仿真器
  • 7.5.2 构建执行文件
  • 第8章 移动端的机器学习开发
  • 8.1 其他设备的支持
  • 8.1.1 在iOS上运行TensorFIow的应用
  • 8.1.2 在树莓派上运行TensorFIow
  • 8.2 设计和优化模型
  • 8.2.1 模型大小
  • 8.2.2 运行速度
  • 8.2.3 可视化模型
  • 8.2.4 线程
  • 8.2.5 二进制文件大小
  • 8.2.6 重新训练移动数据
  • 8.2.7 优化模型加载
  • 8.2.8 保护模型文件
  • 8.2.9 量化计算
  • 8.2.10 使用量化计算
  • 8.3 设计机器学习应用程序要点
  • 第9章 TensorFIow的硬件加速
  • 9.1 神经网络接口
  • 9.1.1 了解NeuraI Networks API运行时
  • 9.1.2 NeuraI Networks API编程模型
  • 9.1.3 NNAPI 实现的实例
  • 9.2 硬件加速
  • 9.2.1 高通网络处理器
  • 9.2.2 华为HiAI Engine
  • 9.2.3 简要比较
  • 9.2.4 开放式神经网络交换格式
  • 第10章 机器学习应用框架
  • 10.1 ML Kit
  • 10.1.1 面部识别（Face Detection）
  • 10.1.2 文本识别
  • 10.1.3 条形码识别
  • 10.2 联合学习（Federated Learning）
  • 第11章 基于移动设备的机器学习的未来
  • 11.1 TensorFlow 2.0和路线图
  • 11.1.1 更简单的开发模型
  • 11.1.2 更可靠的跨平台的模型发布
  • 11.1.3 TensorFIow Lite
  • 11.1.4 TensorFIow 1.0 和TensorFIow 2.0的不同
  • 11.2 人工智能的发展方向
  • 11.2.1 提高人工智能的可解释性
  • 11.2.2 贡献社会
  • 11.2.3 改善生活
  • 反侵权盗版声明
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。