TENSORFLOW移动端机器学习实战 本书特色

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*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。

TENSORFLOW移动端机器学习实战 内容简介

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。现在靠前移动用户已超15亿，优选移动用户已超过51亿，2019年IoT装置数量预计将超过优选人口总数。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很好工程实践和经验。本书提供了多方面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。

TENSORFLOW移动端机器学习实战 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 TensorFlow 3
1.1.3 TensorFlow Mobile 5
1.1.4 TensorFlow Lite 5
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 TPU 10
1.3 机器学习框架 11
1.3.1 CAFFE2 11
1.3.2 Android NNAPI 12
1.3.3 CoreML 12
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IDE 16
2.3.1 Android Studio 16
2.3.2 Visual Studio Code 16
2.3.3 其他IDE 18
2.4 构建工具Bazel 18
2.4.1 Bazel生成调试 19
2.4.2 Bazel Query命令 20
2.5 装载TensorFlow 20
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 Mobile 55
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 Buffer 102
6.1.2 FlatBuffers 105
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 *小集成（Minimal） 143

 1/2    1 2 下一页 尾页

工业技术 电子通信 通信 通信系统（传输系统）

在线阅读