久久最新精品国产AV,久久国内精品一区

TensorFlow Lite移動(dòng)端深度學(xué)習(xí)循序漸進(jìn)地講解了在移動(dòng)設(shè)備中使用TensorFlow Lite開發(fā)機(jī)器學(xué)習(xí)和深度學(xué)習(xí)程序的核心知識(shí)，并通過具體實(shí)例演練了各知識(shí)點(diǎn)的使用方法和流程。全書共9章，分別講解了人工智能開發(fā)基礎(chǔ)、編寫個(gè)TensorFlow Lite程序、創(chuàng)建模型、轉(zhuǎn)換模型、推斷、優(yōu)化處理、微控制器、物體檢測(cè)識(shí)別系統(tǒng)和姿勢(shì)預(yù)測(cè)器。全書簡潔而不失技術(shù)深度，內(nèi)容豐富全面，以簡明的文字介紹了復(fù)雜的案例。同時(shí)書中配有二維碼視頻，結(jié)合視頻講解可加深對(duì)相關(guān)內(nèi)容的理解，是學(xué)習(xí)TensorFlow Lite開發(fā)的實(shí)用教程。
TensorFlow Lite移動(dòng)端深度學(xué)習(xí)適用于已經(jīng)了解Python語言基礎(chǔ)語法和TensorFlow基礎(chǔ)，希望進(jìn)一步提高自己Python開發(fā)水平的讀者閱讀，還可以作為大中專院校和相關(guān)培訓(xùn)學(xué)校的專業(yè)教程。

人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。TensorFlow Lite是一種用于設(shè)備端推斷的開源深度學(xué)習(xí)框架，可幫助開發(fā)者在移動(dòng)設(shè)備、嵌入式設(shè)備和IoT設(shè)備上運(yùn)行TensorFlow模型。也就是說，通過用TensorFlow Lite，可以開發(fā)出能夠在Android設(shè)備、iOS設(shè)備和IoT設(shè)備上使用的深度學(xué)習(xí)程序。
本書特色
1.內(nèi)容全面
本書詳細(xì)講解了使用TensorFlow Lite開發(fā)人工智能程序的相關(guān)知識(shí)，循序漸進(jìn)地引出這些知識(shí)的使用方法和技巧，幫助讀者快速步入Python 人工智能開發(fā)高手之列。
2.實(shí)例驅(qū)動(dòng)
本書采用理論加實(shí)例的講解方式，通過實(shí)例實(shí)現(xiàn)了對(duì)知識(shí)點(diǎn)的橫向切入和縱向比較，讓讀者有更多的實(shí)踐演練機(jī)會(huì)，并且可以從不同的方位展現(xiàn)一個(gè)知識(shí)點(diǎn)的用法，真正實(shí)現(xiàn)了拔高的教學(xué)效果。
3.詳解TensorFlow Lite開發(fā)流程
本書從一開始便對(duì)TensorFlow Lite開發(fā)的流程進(jìn)行了詳細(xì)介紹，而且在講解中結(jié)合了多個(gè)實(shí)用性很強(qiáng)的數(shù)據(jù)分析項(xiàng)目案例，帶領(lǐng)讀者掌握TensorFlow Lite開發(fā)的相關(guān)知識(shí)，以解決實(shí)際工作中的問題。
4.視頻講解
本書正文的每一個(gè)二級(jí)目錄都有一個(gè)視頻來輔助讀者學(xué)習(xí)，讀者可以通過掃描旁邊的二維碼來直接觀看。
本書讀者對(duì)象
軟件開發(fā)工程師。
 Python機(jī)器學(xué)習(xí)開發(fā)者。
 Python深度學(xué)習(xí)開發(fā)者。
 數(shù)據(jù)庫工程師和系統(tǒng)管理員。
 大學(xué)及中學(xué)教育工作者。
致謝
本書在編寫過程中，得到了機(jī)械工業(yè)出版社編輯的大力支持，正是各位編輯的求實(shí)、耐心和高效工作，才使得本書能夠順利出版。另外，也十分感謝我的家人給予的巨大支持。由于編者水平有限，書中難免存在紕漏之處，誠請(qǐng)讀者提出寶貴意見和建議，以便修訂時(shí)加以完善。作者QQ：150649826。
后感謝您購買本書，希望本書能成為您編程路上的領(lǐng)航者！

編者

TensorFlow Lite移動(dòng)端深度學(xué)習(xí)
前言
第1章人工智能開發(fā)基礎(chǔ)/
1.1人工智能的基礎(chǔ)知識(shí)/
1.1.1人工智能介紹/
1.1.2人工智能的發(fā)展歷程/
1.1.3人工智能的兩個(gè)重要發(fā)展階段/
1.1.4和人工智能相關(guān)的幾個(gè)重要概念/
1.2機(jī)器學(xué)習(xí)/
1.2.1什么是機(jī)器學(xué)習(xí)/
1.2.2機(jī)器學(xué)習(xí)的3個(gè)發(fā)展階段/
1.2.3機(jī)器學(xué)習(xí)的分類/
1.2.4深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的對(duì)比/
1.3使用Python學(xué)習(xí)人工智能開發(fā)/
1.3.1Python在人工智能方面的優(yōu)勢(shì)/
1.3.2常用的Python庫/
1.4TensorFlow開源庫/
1.4.1TensorFlow介紹/
1.4.2TensorFlow的優(yōu)勢(shì)/
1.4.3TensorFlow Lite介紹/

第2章編寫個(gè)TensorFlow Lite程序/
2.1安裝環(huán)境要求/
2.1.1硬件要求/
2.1.2軟件要求/
2.2安裝TensorFlow /
2.2.1使用pip安裝TensorFlow/
2.2.2使用Anaconda安裝TensorFlow/
2.2.3安裝TensorFlow Lite解釋器/
2.2.4解決速度過慢的問題/
2.3準(zhǔn)備開發(fā)工具/
2.3.1使用PyCharm開發(fā)并調(diào)試運(yùn)行TensorFlow程序/
2.3.2使用Colaboratory開發(fā)并調(diào)試運(yùn)行TensorFlow程序/
2.4開發(fā)TensorFlow Lite程序的流程/
2.4.1準(zhǔn)備模型/
2.4.2轉(zhuǎn)換模型/
2.4.3使用模型進(jìn)行推斷/
2.4.4優(yōu)化模型/
2.5在Android中創(chuàng)建TensorFlow Lite/
2.5.1需要安裝的工具/
2.5.2新建Android工程/
2.5.3使用JCenter中的TensorFlow Lite AAR/
2.5.4運(yùn)行和測(cè)試/

第3章創(chuàng)建模型/
3.1創(chuàng)建TensorFlow模型/
3.1.1在PyCharm環(huán)境實(shí)現(xiàn)/
3.1.2在Colaboratory環(huán)境實(shí)現(xiàn)/
3.2基于TensorFlow機(jī)器學(xué)習(xí)核心算法創(chuàng)建模型/
3.2.1線性回歸算法/
3.2.2邏輯回歸算法/
3.2.3二元決策樹算法/
3.2.4Bagging算法/
3.2.5Boosting算法/
3.2.6隨機(jī)森林算法/
3.2.7K近鄰算法/

第4章轉(zhuǎn)換模型/
4.1TensorFlow Lite轉(zhuǎn)換器/
4.1.1轉(zhuǎn)換方式/
4.1.2將TensorFlow RNN轉(zhuǎn)換為TensorFlow Lite/
4.2將元數(shù)據(jù)添加到 TensorFlow Lite 模型/
4.2.1具有元數(shù)據(jù)格式的模型/
4.2.2使用Flatbuffers Python API添加元數(shù)據(jù)/
4.3使用TensorFlow Lite Task Library/
4.4手寫數(shù)字識(shí)別器/
4.4.1系統(tǒng)介紹/
4.4.2創(chuàng)建TensorFlow數(shù)據(jù)模型/
4.4.3將Keras模型轉(zhuǎn)換為TensorFlow Lite/
4.4.4Android手寫數(shù)字識(shí)別器/

第5章推斷/
5.1TensorFlow Lite推斷的基本知識(shí)/
5.1.1推斷的基本步驟/
5.1.2推斷支持的平臺(tái)/
5.2運(yùn)行模型/
5.2.1在Java程序中加載和運(yùn)行模型/
5.2.2在 Swift程序中加載和運(yùn)行模型/
5.2.3在ObjectiveC程序中加載和運(yùn)行模型/
5.2.4在ObjectiveC中使用C API/
5.2.5在 C 中加載和運(yùn)行模型/
5.2.6在 Python中加載和運(yùn)行模型/
5.3運(yùn)算符操作/
5.3.1運(yùn)算符操作支持的類型/
5.3.2從TensorFlow中選擇運(yùn)算符/
5.3.3自定義運(yùn)算符/
5.3.4融合運(yùn)算符/
5.4使用元數(shù)據(jù)進(jìn)行推斷/
5.4.1元數(shù)據(jù)推斷基礎(chǔ)/
5.4.2使用元數(shù)據(jù)生成模型接口/
5.4.3使用TensorFlow Lite代碼生成器生成模型接口/
5.5通過Task庫集成模型/
5.5.1Task Library可以提供的內(nèi)容/
5.5.2支持的任務(wù)/
5.5.3集成圖像分類器/
5.6自定義輸入和輸出/

第6章優(yōu)化處理/
6.1性能優(yōu)化/
6.2TensorFlow Lite委托/
6.2.1選擇委托/
6.2.2評(píng)估工具/
6.3TensorFlow Lite GPU代理/
6.3.1在Android中使用TensorFlow Lite GPU代理/
6.3.2在iOS中使用TensorFlow Lite GPU代理/
6.3.3在自己的模型上使用GPU代理/
6.4硬件加速/
6.4.1使用GPU加速的優(yōu)勢(shì)/
6.4.2Android中的硬件加速/
6.4.3iOS中的硬件加速/
6.4.4輸入/輸出緩沖器/
6.5模型優(yōu)化/
6.5.1模型量化/
6.5.2訓(xùn)練后量化/
6.5.3訓(xùn)練后動(dòng)態(tài)范圍量化/
6.5.4訓(xùn)練后整數(shù)量化/

第7章微控制器/
7.1適用于微控制器的 TensorFlow Lite/
7.2官方示例/
7.2.1Hello World示例/
7.2.2微語音示例/
7.3C 庫/
7.3.1文件結(jié)構(gòu)/
7.3.2開始新項(xiàng)目/
7.3.3寫入新設(shè)備/
7.3.4構(gòu)建二進(jìn)制文件/
7.3.5優(yōu)化內(nèi)核/
7.3.6生成 Arduino 庫/

第8章物體檢測(cè)識(shí)別系統(tǒng)/
8.1系統(tǒng)介紹/
8.2準(zhǔn)備模型/
8.2.1模型介紹/
8.2.2自定義模型/
8.3Android物體檢測(cè)識(shí)別器/
8.3.1準(zhǔn)備工作/
8.3.2頁面布局/
8.3.3實(shí)現(xiàn)主Activity/
8.3.4物體識(shí)別界面/
8.3.5相機(jī)預(yù)覽界面拼接/
8.3.6lib_task_api方案/
8.3.7lib_interpreter方案/
8.4iOS物體檢測(cè)識(shí)別器/
8.4.1系統(tǒng)介紹/
8.4.2視圖文件/
8.4.3相機(jī)處理/
8.4.4處理TensorFlow Lite模型/

第9章姿勢(shì)預(yù)測(cè)器/
9.1系統(tǒng)介紹/
9.2準(zhǔn)備模型/
9.2.1身體部位監(jiān)測(cè)點(diǎn)說明/
9.2.2導(dǎo)入TensorFlow Lite模型/
9.3Android姿勢(shì)預(yù)測(cè)器/
9.3.1準(zhǔn)備工作/
9.3.2頁面布局/
9.3.3實(shí)現(xiàn)主Activity/
9.3.4圖像處理/
9.3.5姿勢(shì)識(shí)別/

你還可能感興趣

我要評(píng)論