书籍详情
TensorFlow Lite移动设备深度学习从入门到实践
作者：张元勇
出版社：清华大学出版社
出版时间：2022-03-01
ISBN：9787302599470
定价：¥69.00
购买这本书可以去
内容简介
《TensorFlow Lite移动设备深度学习从入门到实践》循序渐进地讲解了使用 TensorFlow Lite开发移动设备深度学习程序的核心知识，并通过具体实例的实现过程演练了使用TensorFlow Lite 的方法和流程。全书共12章，分别讲解了人工智能和机器学习基础、搭建开发环境、个 TensorFlow Lite程序、转换模型、推断、使用元数据进行推断、优化处理、手写数字识别器、鲜花识别系统、情感文本识别系统、物体检测识别系统、智能客服系统。 《TensorFlow Lite移动设备深度学习从入门到实践》简洁而不失其技术深度，内容丰富全面，易于阅读，以极简的文字介绍了复杂的案例，适用于已经了解了Python语言基础语法的读者，以及想进一步学习机器学习和深度学习技术的读者，还可以作为大专院校相关专业的师生用书和培训学校的专业性教材。
作者简介
张元勇，中国海洋大学计算机硕士，浪潮信息开发工程师，浪潮软件大数据实验室数据挖掘专家。精通C语言、Java、C、PHP、Python等开发语言，擅长数据挖掘和可视化处理，熟悉Linux、Apache等相关开发平台技术。日常负责在线分析处理、情报检索、机器学习、专家系统（依靠过去的经验法则）和模式识别等工作。
目录
第1 章 人工智能和机器学习基础 1
1.1 人工智能的基础知识 2
1.1.1 人工智能介绍 2
1.1.2 人工智能的发展历程 2
1.1.3 人工智能的两个重要发展阶段 3
1.1.4 和人工智能相关的几个重要概念 3
1.2 机器学习的基础知识 4
1.2.1 机器学习介绍 4
1.2.2 机器学习的三个发展阶段 4
1.2.3 机器学习的分类 5
1.2.4 深度学习和机器学习的对比 5
1.3 人工智能的研究领域和应用场景 7
1.3.1 人工智能的研究领域 7
1.3.2 人工智能的应用场景 8
1.3.3 人工智能的未来目标 9
1.4 机器学习的步骤 10
1.5 使用Python 学习人工智能开发 10
1.5.1 Python 在人工智能方面的优势 10
1.5.2 常用的Python 库 11
1.6 TensorFlow 基础 12
1.6.1 TensorFlow 介绍 12
1.6.2 TensorFlow 的优势 13
1.6.3 TensorFlow Lite 介绍 13
第2 章 搭建开发环境 15
2.1 安装环境要求 16
2.1.1 硬件要求 16
2.1.2 软件要求 16
2.2 安装TensorFlow 16
2.2.1 使用pip 安装TensorFlow 17
2.2.2 使用Anaconda 安装TensorFlow 18
2.2.3 安装TensorFlow Lite解释器 19
2.2.4 解决速度过慢的问题 20
2.3 准备开发工具 20
2.3.1 使用PyCharm 开发并调试运行TensorFlow 程序 21
2.3.2 使用Colaboratory 开发并调试运行TensorFlow 程序 21
第3 章 个TensorFlow Lite 程序 25
3.1 开发TensorFlow Lite 程序的流程 26
3.1.1 准备模型 26
3.1.2 转换模型 27
3.1.3 使用模型进行推理 28
3.1.4 优化模型 29
3.2 在Android 中创建TensorFlow Lite 30
3.2.1 需要安装的工具 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 运行和测试 32
第4 章 转换模型 35
4.1 TensorFlow Lite 转换器 36
4.1.1 转换方式 36
4.1.2 将TensorFlow RNN 转换为TensorFlow Lite 39
4.2 将元数据添加到 TensorFlow Lite模型 43
4.2.1 具有元数据格式的模型 43
4.2.2 使用Flatbuffers Python API 添加元数据 44
第5 章 推断 49
5.1 TensorFlow Lite 推断的基本知识 50
5.1.1 推断的基本步骤 50
5.1.2 推断支持的平台 50
5.2 运行模型 51
5.2.1 在Java 程序中加载和运行模型 51
5.2.2 在 Swift 程序中加载和运行模型 53
5.2.3 在Objective-C 程序中加载和运行模型 54
5.2.4 在Objective-C 中使用C API 55
5.2.5 在 C 中加载和运行模型 55
5.2.6 在 Python 中加载和运行模型 56
5.3 运算符操作 58
5.3.1 运算符操作支持的类型 58
5.3.2 从TensorFlow 中选择运算符 59
5.3.3 自定义运算符 61
5.3.4 融合运算符 66
第6 章 使用元数据进行推断 67
6.1 元数据推断简介 68
6.2 使用元数据生成模型接口 68
6.2.1 使用 Android Studio 机器学习模型进行绑定 68
6.2.2 使用TensorFlow Lite 代码生成器生成模型接口 71
6.3 通过Task 库集成模型 73
6.3.1 Task Library 可以提供的内容 73
6.3.2 支持的任务 73
6.3.3 集成图像分类器 74
6.4 自定义输入和输出 75
第7 章 优化处理 81
7.1 性能优化 82
7.2 TensorFlow Lite 委托 84
7.2.1 选择委托 84
7.2.2 评估工具 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 模型优化 90
7.4.1 模型量化 90
7.4.2 训练后量化 91
7.4.3 训练后动态范围量化 93
第8 章 手写数字识别器 103
8.1 系统介绍 104
8.2 创建模型 104
8.2.1 创建TensorFlow 数据模型 104
8.2.2 将Keras 模型转换为TensorFlow Lite 108
8.3 Android 手写数字识别器 110
8.3.1 准备工作 110
8.3.2 页面布局 112
8.3.3 实现Activity 113
8.3.4 实现TensorFlow Lite 识别 115
第9 章 鲜花识别系统 121
9.1 系统介绍 122
9.2 创建模型 122
9.2.1 创建TensorFlow 数据模型 122
9.2.2 将Keras 模型转换为TensorFlow Lite 127
9.2.3 量化处理 129
9.2.4 更改模型 130
9.3 Android 鲜花识别器 132
9.3.1 准备工作 132
9.3.2 页面布局 134
9.3.3 实现UI Activity 136
9.3.4 实现主Activity 137
9.3.5 图像转换 142
9.3.6 使用 GPU 委托加速 147
第10 章 情感文本识别系统 149
10.1 系统介绍 150
10.2 创建模型 150
10.2.1 创建TensorFlow 数据模型 151
10.2.2 将Keras 模型转换为TensorFlow Lite 155
10.2.3 调整模型 156
10.3 Android 情感识别器 160
10.3.1 准备工作 161
10.3.2 页面布局 163
10.3.3 实现主Activity 164
10.3.4 lib_task_api 方案 166
10.3.5 lib_interpreter 方案 168
第11 章 物体检测识别系统 175
11.1 系统介绍 176
11.2 准备模型 176
11.2.1 模型介绍 176
11.2.2 自定义模型 177
11.3 Android 物体检测识别器 180
11.3.1 准备工作 180
11.3.2 页面布局 182
11.3.3 实现主Activity 186
11.3.4 物体识别界面 192
11.3.5 相机预览界面拼接 195
11.3.6 lib_task_api 方案 202
11.3.7 lib_interpreter 方案 204
第12 章 智能客服系统 211
12.1 系统介绍 212
12.2 准备模型 212
12.2.1 模型介绍 212
12.2.2 下载模型文件 213
12.3 Android 智能客服回复器 213
12.3.1 准备工作 213
12.3.2 页面布局 215
12.3.3 实现主Activity 216
12.3.4 智能回复处理 218
1.1 人工智能的基础知识 2
1.1.1 人工智能介绍 2
1.1.2 人工智能的发展历程 2
1.1.3 人工智能的两个重要发展阶段 3
1.1.4 和人工智能相关的几个重要概念 3
1.2 机器学习的基础知识 4
1.2.1 机器学习介绍 4
1.2.2 机器学习的三个发展阶段 4
1.2.3 机器学习的分类 5
1.2.4 深度学习和机器学习的对比 5
1.3 人工智能的研究领域和应用场景 7
1.3.1 人工智能的研究领域 7
1.3.2 人工智能的应用场景 8
1.3.3 人工智能的未来目标 9
1.4 机器学习的步骤 10
1.5 使用Python 学习人工智能开发 10
1.5.1 Python 在人工智能方面的优势 10
1.5.2 常用的Python 库 11
1.6 TensorFlow 基础 12
1.6.1 TensorFlow 介绍 12
1.6.2 TensorFlow 的优势 13
1.6.3 TensorFlow Lite 介绍 13
第2 章 搭建开发环境 15
2.1 安装环境要求 16
2.1.1 硬件要求 16
2.1.2 软件要求 16
2.2 安装TensorFlow 16
2.2.1 使用pip 安装TensorFlow 17
2.2.2 使用Anaconda 安装TensorFlow 18
2.2.3 安装TensorFlow Lite解释器 19
2.2.4 解决速度过慢的问题 20
2.3 准备开发工具 20
2.3.1 使用PyCharm 开发并调试运行TensorFlow 程序 21
2.3.2 使用Colaboratory 开发并调试运行TensorFlow 程序 21
第3 章 个TensorFlow Lite 程序 25
3.1 开发TensorFlow Lite 程序的流程 26
3.1.1 准备模型 26
3.1.2 转换模型 27
3.1.3 使用模型进行推理 28
3.1.4 优化模型 29
3.2 在Android 中创建TensorFlow Lite 30
3.2.1 需要安装的工具 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 运行和测试 32
第4 章 转换模型 35
4.1 TensorFlow Lite 转换器 36
4.1.1 转换方式 36
4.1.2 将TensorFlow RNN 转换为TensorFlow Lite 39
4.2 将元数据添加到 TensorFlow Lite模型 43
4.2.1 具有元数据格式的模型 43
4.2.2 使用Flatbuffers Python API 添加元数据 44
第5 章 推断 49
5.1 TensorFlow Lite 推断的基本知识 50
5.1.1 推断的基本步骤 50
5.1.2 推断支持的平台 50
5.2 运行模型 51
5.2.1 在Java 程序中加载和运行模型 51
5.2.2 在 Swift 程序中加载和运行模型 53
5.2.3 在Objective-C 程序中加载和运行模型 54
5.2.4 在Objective-C 中使用C API 55
5.2.5 在 C 中加载和运行模型 55
5.2.6 在 Python 中加载和运行模型 56
5.3 运算符操作 58
5.3.1 运算符操作支持的类型 58
5.3.2 从TensorFlow 中选择运算符 59
5.3.3 自定义运算符 61
5.3.4 融合运算符 66
第6 章 使用元数据进行推断 67
6.1 元数据推断简介 68
6.2 使用元数据生成模型接口 68
6.2.1 使用 Android Studio 机器学习模型进行绑定 68
6.2.2 使用TensorFlow Lite 代码生成器生成模型接口 71
6.3 通过Task 库集成模型 73
6.3.1 Task Library 可以提供的内容 73
6.3.2 支持的任务 73
6.3.3 集成图像分类器 74
6.4 自定义输入和输出 75
第7 章 优化处理 81
7.1 性能优化 82
7.2 TensorFlow Lite 委托 84
7.2.1 选择委托 84
7.2.2 评估工具 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 模型优化 90
7.4.1 模型量化 90
7.4.2 训练后量化 91
7.4.3 训练后动态范围量化 93
第8 章 手写数字识别器 103
8.1 系统介绍 104
8.2 创建模型 104
8.2.1 创建TensorFlow 数据模型 104
8.2.2 将Keras 模型转换为TensorFlow Lite 108
8.3 Android 手写数字识别器 110
8.3.1 准备工作 110
8.3.2 页面布局 112
8.3.3 实现Activity 113
8.3.4 实现TensorFlow Lite 识别 115
第9 章 鲜花识别系统 121
9.1 系统介绍 122
9.2 创建模型 122
9.2.1 创建TensorFlow 数据模型 122
9.2.2 将Keras 模型转换为TensorFlow Lite 127
9.2.3 量化处理 129
9.2.4 更改模型 130
9.3 Android 鲜花识别器 132
9.3.1 准备工作 132
9.3.2 页面布局 134
9.3.3 实现UI Activity 136
9.3.4 实现主Activity 137
9.3.5 图像转换 142
9.3.6 使用 GPU 委托加速 147
第10 章 情感文本识别系统 149
10.1 系统介绍 150
10.2 创建模型 150
10.2.1 创建TensorFlow 数据模型 151
10.2.2 将Keras 模型转换为TensorFlow Lite 155
10.2.3 调整模型 156
10.3 Android 情感识别器 160
10.3.1 准备工作 161
10.3.2 页面布局 163
10.3.3 实现主Activity 164
10.3.4 lib_task_api 方案 166
10.3.5 lib_interpreter 方案 168
第11 章 物体检测识别系统 175
11.1 系统介绍 176
11.2 准备模型 176
11.2.1 模型介绍 176
11.2.2 自定义模型 177
11.3 Android 物体检测识别器 180
11.3.1 准备工作 180
11.3.2 页面布局 182
11.3.3 实现主Activity 186
11.3.4 物体识别界面 192
11.3.5 相机预览界面拼接 195
11.3.6 lib_task_api 方案 202
11.3.7 lib_interpreter 方案 204
第12 章 智能客服系统 211
12.1 系统介绍 212
12.2 准备模型 212
12.2.1 模型介绍 212
12.2.2 下载模型文件 213
12.3 Android 智能客服回复器 213
12.3.1 准备工作 213
12.3.2 页面布局 215
12.3.3 实现主Activity 216
12.3.4 智能回复处理 218
猜您喜欢
