TensorFlow移動(dòng)端機(jī)器學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥79.00

作　者：	王眾磊
出版社：	電子工業(yè)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

京東 (￥79.00)

ISBN：	9787121374265	出版時(shí)間：	2019-10-01	包裝：
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	272	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　TensorFlow已經(jīng)成為機(jī)器學(xué)習(xí)的流行框架和工業(yè)屆標(biāo)準(zhǔn)，早期的TensorFlow以云端和數(shù)據(jù)中心中的機(jī)器學(xué)習(xí)為主，近期的一個(gè)趨勢(shì)是，逐漸向移動(dòng)端和設(shè)備端轉(zhuǎn)移。推動(dòng)這個(gè)趨勢(shì)的動(dòng)力包括人們對(duì)機(jī)器學(xué)習(xí)理論和認(rèn)知的提高、算法及技術(shù)的改進(jìn)、軟件和硬件性能的提高，以及專有硬件的出現(xiàn)等，更主要的是，用戶的需求和越來(lái)越豐富的場(chǎng)景需求。現(xiàn)在國(guó)內(nèi)移動(dòng)用戶已超15億，全球移動(dòng)用戶已超過(guò)51億，2019年IoT裝置數(shù)量預(yù)計(jì)將超過(guò)全球人口總數(shù)。我們相信，在未來(lái)，云端和移動(dòng)端相結(jié)合的人工智能和設(shè)備端獨(dú)立的人工智能應(yīng)用會(huì)慢慢成為主流。作為T(mén)ensorFlow的開(kāi)發(fā)者和使用者，本書(shū)作者完整地講解了使用TensorFlow進(jìn)行端到端開(kāi)發(fā)的實(shí)例和開(kāi)發(fā)技巧，同時(shí)分享了如何使用開(kāi)源工具進(jìn)行軟件開(kāi)發(fā)的*佳工程實(shí)踐和經(jīng)驗(yàn)。本書(shū)提供了全方位的視角幫助讀者開(kāi)啟不同的思路，即使把本書(shū)作為一本軟件開(kāi)發(fā)和工程開(kāi)發(fā)的書(shū)籍來(lái)讀，也會(huì)使讀者受益匪淺。

作者簡(jiǎn)介

　　王眾磊：TensorFlow的開(kāi)發(fā)者之一，具有二十多年的留學(xué)和工作經(jīng)驗(yàn)?，F(xiàn)定居美國(guó)硅谷，長(zhǎng)期從事軟件開(kāi)發(fā)工作，發(fā)表國(guó)際論文及國(guó)際專利多項(xiàng)。曾在谷歌等多家大型國(guó)際公司及初創(chuàng)企業(yè)工作過(guò)，有豐富的國(guó)內(nèi)、國(guó)際開(kāi)發(fā)及管理經(jīng)驗(yàn)。近幾年以移動(dòng)端開(kāi)發(fā)、邊緣計(jì)算、云計(jì)算和機(jī)器學(xué)習(xí)為主，從事開(kāi)發(fā)和管理工作。工作之余喜歡和家人一起去各地旅游、打高爾夫球、滑雪等。陳海波：深蘭科技DeepBlue Technology的創(chuàng)始人，南京工業(yè)大學(xué)特聘教授，清華大學(xué)―深蘭科技機(jī)器視覺(jué)聯(lián)合研究中心管理委員會(huì)主任；上海交通大學(xué)―深蘭科技人工智能聯(lián)合實(shí)驗(yàn)室管理委員會(huì)主任、中南大學(xué)―深蘭科技人工智能聯(lián)合研究院專家委員會(huì)委員，致力于人工智能的基礎(chǔ)研究和應(yīng)用開(kāi)發(fā)，創(chuàng)建的深蘭科學(xué)院擁有人工智能研究院、科學(xué)計(jì)算研究院、生命及AI腦科學(xué)院、自動(dòng)化研究院和智能汽車(chē)研究院。團(tuán)隊(duì)擁有包括CVPR、PAKDD、IEEEISI等多項(xiàng)國(guó)際競(jìng)賽冠軍成績(jī)，在自動(dòng)駕駛和整車(chē)、機(jī)器人研發(fā)及制造、生物科技、自然語(yǔ)言處理（語(yǔ)義智能）、數(shù)據(jù)挖掘等領(lǐng)域都有深度布局。

圖書(shū)目錄

目　　錄

第1章機(jī)器學(xué)習(xí)和TensorFlow簡(jiǎn)述\t1
1．1 機(jī)器學(xué)習(xí)和TensorFlow的歷史及發(fā)展現(xiàn)狀\t1
1．1．1 人工智能和機(jī)器學(xué)習(xí)\t1
1．1．2 TensorFlow\t3
1．1．3 TensorFlow Mobile\t5
1．1．4 TensorFlow Lite\t5
1．2 在移動(dòng)設(shè)備上運(yùn)行機(jī)器學(xué)習(xí)的應(yīng)用\t6
1．2．1 生態(tài)和現(xiàn)狀\t7
1．2．2 從移動(dòng)優(yōu)先到人工智能優(yōu)先\t8
1．2．3 人工智能的發(fā)展\t9
1．2．4 在移動(dòng)設(shè)備上進(jìn)行機(jī)器學(xué)習(xí)的難點(diǎn)和挑戰(zhàn)\t9
1．2．5 TPU\t10
1．3 機(jī)器學(xué)習(xí)框架\t11
1．3．1 CAFFE2\t11
1．3．2 Android NNAPI\t12
1．3．3 CoreML\t12
1．3．4 樹(shù)莓派（Raspberry Pi）\t13
第2章構(gòu)建開(kāi)發(fā)環(huán)境\t14
2．1 開(kāi)發(fā)主機(jī)和設(shè)備的選擇\t14
2．2 在網(wǎng)絡(luò)代理環(huán)境下開(kāi)發(fā)\t15
2．3 集成開(kāi)發(fā)環(huán)境IDE\t16
2．3．1 Android Studio\t16
2．3．2 Visual Studio Code\t16
2．3．3 其他IDE\t18
2．4 構(gòu)建工具Bazel\t18
2．4．1 Bazel生成調(diào)試\t19
2．4．2 Bazel Query命令\t20
2．5 裝載TensorFlow\t20
2．6 文檔\t25
第3章基于移動(dòng)端的機(jī)器學(xué)習(xí)的開(kāi)發(fā)方式和流程\t26
3．1 開(kāi)發(fā)方式和流程簡(jiǎn)介\t26
3．2 使用TPU進(jìn)行訓(xùn)練\t28
3．3 設(shè)備端進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練\t35
3．4 使用TensorFlow Serving優(yōu)化TensorFlow模型\t41
3．4．1 訓(xùn)練和導(dǎo)出TensorFlow模型\t42
3．4．2 使用標(biāo)準(zhǔn)TensorFlow ModelServer加載導(dǎo)出的模型\t50
3．4．3 測(cè)試服務(wù)器\t50
3．5 TensorFlow擴(kuò)展（Extended）\t54
第4章構(gòu)建TensorFlow Mobile\t55
4．1 TensorFlow Mobile的歷史\t55
4．2 TensorFlow代碼結(jié)構(gòu)\t55
4．3 構(gòu)建及運(yùn)行\(zhòng)t61
4．3．1 代碼的流程\t67
4．3．2 代碼的依賴性\t68
4．3．3 性能和代碼跟蹤\t69
第5章用TensorFlow Mobile構(gòu)建機(jī)器學(xué)習(xí)應(yīng)用\t71
5．1 準(zhǔn)備工作\t71
5．2 圖像分類(lèi)（Image Classification）\t74
5．2．1 應(yīng)用\t74
5．2．2 模型\t85
5．3 物體檢測(cè)（Object Detection）\t87
5．3．1 應(yīng)用\t87
5．3．2 模型\t92
5．4 時(shí)尚渲染（Stylization）\t95
5．4．1 應(yīng)用\t95
5．4．2 模型\t96
5．5 聲音識(shí)別（Speech Recognization）\t96
5．5．1 應(yīng)用\t96
5．5．2 模型\t99
第6章 TensorFlow Lite的架構(gòu)\t101
6．1 模型格式\t102
6．1．1 Protocol Buffer\t102
6．1．2 FlatBuffers\t105
6．1．3 模型結(jié)構(gòu)\t112
6．1．4 轉(zhuǎn)換器（Toco）\t113
6．1．5 解析器（Interpreter）\t119
6．2 底層結(jié)構(gòu)和設(shè)計(jì)\t123
6．2．1 設(shè)計(jì)目標(biāo)\t123
6．2．2 錯(cuò)誤反饋\t124
6．2．3 裝載模型\t125
6．2．4 運(yùn)行模型\t126
6．2．5 定制演算子（CUSTOM Ops）\t128
6．2．6 定制內(nèi)核\t132
6．3 工具\(yùn)t133
6．3．1 圖像標(biāo)注（label_image）\t133
6．3．2 最小集成（Minimal）\t143
6．3．3 Graphviz\t143
6．3．4 模型評(píng)效\t148
第7章用TensorFlow Lite構(gòu)建機(jī)器學(xué)習(xí)應(yīng)用\t151
7．1 模型設(shè)計(jì)\t151
7．1．1 使用預(yù)先訓(xùn)練的模型\t151
7．1．2 重新訓(xùn)練\t152
7．1．3 使用瓶頸（Bottleneck）\t154
7．2 開(kāi)發(fā)應(yīng)用\t158
7．2．1 程序接口\t158
7．2．2 線程和性能\t162
7．2．3 模型優(yōu)化\t163
7．3 TensorFlow Lite的應(yīng)用\t170
7．3．1 聲音識(shí)別\t173
7．3．2 圖像識(shí)別\t177
7．4 TensorFlow Lite使用GPU\t178
7．4．1 GPU與CPU性能比較\t178
7．4．2 開(kāi)發(fā)GPU代理（Delegate）\t178
7．5 訓(xùn)練模型\t182
7．5．1 仿真器\t183
7．5．2 構(gòu)建執(zhí)行文件\t183
第8章移動(dòng)端的機(jī)器學(xué)習(xí)開(kāi)發(fā)\t186
8．1 其他設(shè)備的支持\t186
8．1．1 在iOS上運(yùn)行TensorFlow的應(yīng)用\t186
8．1．2 在樹(shù)莓派上運(yùn)行TensorFlow\t189
8．2 設(shè)計(jì)和優(yōu)化模型\t190
8．2．1 模型大小\t191
8．2．2 運(yùn)行速度\t192
8．2．3 可視化模型\t196
8．2．4 線程\t196
8．2．5 二進(jìn)制文件大小\t197
8．2．6 重新訓(xùn)練移動(dòng)數(shù)據(jù)\t197
8．2．7 優(yōu)化模型加載\t198
8．2．8 保護(hù)模型文件\t198
8．2．9 量化計(jì)算\t199
8．2．10 使用量化計(jì)算\t202
8．3 設(shè)計(jì)機(jī)器學(xué)習(xí)應(yīng)用程序要點(diǎn)\t207
第9章 TensorFlow的硬件加速\t209
9．1 神經(jīng)網(wǎng)絡(luò)接口\t209
9．1．1 了解Neural Networks API運(yùn)行時(shí)\t210
9．1．2 Neural Networks API編程模型\t211
9．1．3 NNAPI 實(shí)現(xiàn)的實(shí)例\t213
9．2 硬件加速\t222
9．2．1 高通網(wǎng)絡(luò)處理器\t223
9．2．2 華為HiAI Engine\t229
9．2．3 簡(jiǎn)要比較\t235
9．2．4 開(kāi)放式神經(jīng)網(wǎng)絡(luò)交換格式\t236
第10章機(jī)器學(xué)習(xí)應(yīng)用框架\t237
10．1 ML Kit\t237
10．1．1 面部識(shí)別（Face Detection）\t242
10．1．2 文本識(shí)別\t247
10．1．3 條形碼識(shí)別\t248
10．2 聯(lián)合學(xué)習(xí)（Federated Learning）\t248
第11章基于移動(dòng)設(shè)備的機(jī)器學(xué)習(xí)的未來(lái)\t252
11．1 TensorFlow 2．0和路線圖\t252
11．1．1 更簡(jiǎn)單的開(kāi)發(fā)模型\t253
11．1．2 更可靠的跨平臺(tái)的模型發(fā)布\t254
11．1．3 TensorFlow Lite\t254
11．1．4 TensorFlow 1．0 和TensorFlow 2．0的不同\t255
11．2 人工智能的發(fā)展方向\t255
11．2．1 提高人工智能的可解釋性\t255
11．2．2 貢獻(xiàn)社會(huì)\t256
11．2．3 改善社會(huì)\t258