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

目　　錄

第1章 機(jī)器學(xué)習(xí)和TensorFlow簡述\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 樹莓派（Raspberry Pi）\t13
第2章 構(gòu)建開發(fā)環(huán)境\t14
2．1 開發(fā)主機(jī)和設(shè)備的選擇\t14
2．2 在網(wǎng)絡(luò)代理環(huán)境下開發(fā)\t15
2．3 集成開發(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)的開發(fā)方式和流程\t26
3．1 開發(fā)方式和流程簡介\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（Image Classification）\t74
5．2．1 應(yīng)用\t74
5．2．2 模型\t85
5．3 物體檢測（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 聲音識別\t173
7．3．2 圖像識別\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 簡要比較\t235
9．2．4 開放式神經(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 面部識別（Face Detection）\t242
10．1．2 文本識別\t247
10．1．3 條形碼識別\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\t252
11．1 TensorFlow 2．0和路線圖\t252
11．1．1 更簡單的開發(fā)模型\t253
11．1．2 更可靠的跨平臺的模型發(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\t256
11．2．3 改善社會\t258