TensorFlow Lite移動設備深度學習從入門到實踐

TensorFlow Lite移動設備深度學習從入門到實踐

《TensorFlow Lite移動設備深度學習從入門到實踐》是張元勇 著,2022年3月由清華大學出版社出版的圖書。

基本介紹

  • 中文名:TensorFlow Lite移動設備深度學習從入門到實踐
  • 作者:張元勇
  • 出版社:清華大學出版社
  • 出版時間:2022年3月
  • 開本:16 開
  • ISBN:9787302599470 
內容簡介,作者簡介,圖書目錄,

內容簡介

《TensorFlow Lite移動設備深度學習從入門到實踐》循序漸進地講解了使用 TensorFlow Lite開發移動設備深度學習程式的核心知識,並通過具體實例的實現過程演練了使用TensorFlow Lite 的方法和流程。全書共12章,分別講解了人工智慧和機器學習基礎、搭建開發環境、第一個 TensorFlow Lite程式、轉換模型、推斷、使用元數據進行推斷、最佳化處理、手寫數字識別器、鮮花識別系統、情感文本識別系統、物體檢測識別系統、智慧型客服系統。
《TensorFlow Lite移動設備深度學習從入門到實踐》簡潔而不失其技術深度,內容豐富全面,易於閱讀,以極簡的文字介紹了複雜的案例,適用於已經了解了Python語言基礎語法的讀者,以及想進一步學習機器學習和深度學習技術的讀者,還可以作為大專院校相關專業的師生用書和培訓學校的專業性教材。

作者簡介

張元勇,中國海洋大學計算機碩士,浪潮信息開發工程師,浪潮軟體大數據實驗室數據挖掘專家。精通C語言、Java、C++、PHP、Python等開發語言,擅長數據挖掘和可視化處理,熟悉Linux、Apache等相關開發平台技術。日常負責線上分析處理、情報檢索、機器學習、專家系統(依靠過去的經驗法則)和模式識別等工作。

圖書目錄

第1 章 人工智慧和機器學習基礎 1
1.1 人工智慧的基礎知識 2
1.1.1 人工智慧介紹 2
1.1.2 人工智慧的發展歷程 2
1.1.3 人工智慧的兩個重要發展階段 3
1.1.4 和人工智慧相關的幾個重要概念 3
1.2 機器學習的基礎知識 4
1.2.1 機器學習介紹 4
1.2.2 機器學習的三個發展階段 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 人工智慧的研究領域和套用場景 7
1.3.1 人工智慧的研究領域 7
1.3.2 人工智慧的套用場景 8
1.3.3 人工智慧的未來目標 9
1.4 機器學習的步驟 10
1.5 使用Python 學習人工智慧開發 10
1.5.1 Python 在人工智慧方面的優勢 10
1.5.2 常用的Python 庫 11
1.6 TensorFlow 基礎 12
1.6.1 TensorFlow 介紹 12
1.6.2 TensorFlow 的優勢 13
1.6.3 TensorFlow Lite 介紹 13
第2 章 搭建開發環境 15
2.1 安裝環境要求 16
2.1.1 硬體要求 16
2.1.2 軟體要求 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 準備開發工具 20
2.3.1 使用PyCharm 開發並調試運行TensorFlow 程式 21
2.3.2 使用Colaboratory 開發並調試運行TensorFlow 程式 21
第3 章 第一個TensorFlow Lite 程式 25
3.1 開發TensorFlow Lite 程式的流程 26
3.1.1 準備模型 26
3.1.2 轉換模型 27
3.1.3 使用模型進行推理 28
3.1.4 最佳化模型 29
3.2 在Android 中創建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 轉換模型 35
4.1 TensorFlow Lite 轉換器 36
4.1.1 轉換方式 36
4.1.2 將TensorFlow RNN 轉換為TensorFlow Lite 39
4.2 將元數據添加到 TensorFlow Lite模型 43
4.2.1 具有元數據格式的模型 43
4.2.2 使用Flatbuffers Python API 添加元數據 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 推斷支持的平台 50
5.2 運行模型 51
5.2.1 在Java 程式中載入和運行模型 51
5.2.2 在 Swift 程式中載入和運行模型 53
5.2.3 在Objective-C 程式中載入和運行模型 54
5.2.4 在Objective-C 中使用C API 55
5.2.5 在 C++ 中載入和運行模型 55
5.2.6 在 Python 中載入和運行模型 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 使用元數據進行推斷 67
6.1 元數據推斷簡介 68
6.2 使用元數據生成模型接口 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 可以提供的內容 73
6.3.2 支持的任務 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 最佳化處理 81
7.1 性能最佳化 82
7.2 TensorFlow Lite 委託 84
7.2.1 選擇委託 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 模型最佳化 90
7.4.1 模型量化 90
7.4.2 訓練後量化 91
7.4.3 訓練後動態範圍量化 93
第8 章 手寫數字識別器 103
8.1 系統介紹 104
8.2 創建模型 104
8.2.1 創建TensorFlow 數據模型 104
8.2.2 將Keras 模型轉換為TensorFlow Lite 108
8.3 Android 手寫數字識別器 110
8.3.1 準備工作 110
8.3.2 頁面布局 112
8.3.3 實現Activity 113
8.3.4 實現TensorFlow Lite 識別 115
第9 章 鮮花識別系統 121
9.1 系統介紹 122
9.2 創建模型 122
9.2.1 創建TensorFlow 數據模型 122
9.2.2 將Keras 模型轉換為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UI Activity 136
9.3.4 實現主Activity 137
9.3.5 圖像轉換 142
9.3.6 使用 GPU 委託加速 147
第10 章 情感文本識別系統 149
10.1 系統介紹 150
10.2 創建模型 150
10.2.1 創建TensorFlow 數據模型 151
10.2.2 將Keras 模型轉換為TensorFlow Lite 155
10.2.3 調整模型 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 175
11.1 系統介紹 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 實現主Activity 186
11.3.4 物體識別界面 192
11.3.5 相機預覽界面拼接 195
11.3.6 lib_task_api 方案 202
11.3.7 lib_interpreter 方案 204
第12 章 智慧型客服系統 211
12.1 系統介紹 212
12.2 準備模型 212
12.2.1 模型介紹 212
12.2.2 下載模型檔案 213
12.3 Android 智慧型客服回復器 213
12.3.1 準備工作 213
12.3.2 頁面布局 215
12.3.3 實現主Activity 216
12.3.4 智慧型回復處理 218

熱門詞條

聯絡我們