我用夸克网盘分享了「TensorFlow移动端机器学习实战.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

随着人工智能技术的普及和边缘计算等新兴技术的兴起，很多人工智能的应用逐渐从云端向边缘设备和终端设备转移，基于移动端设备和嵌入式设备等小型设备的人工智能应用的开发越来越重要。 TensorFlow作为开源机器学习框架，提供了对不同开发环境和设备的支持。本书详细讲解了如何使用TensorFlow进行端到端机器学习应用的开发，以及使用TensorFlow Lite在小型设备（包括Android、iOS、树莓派（Raspberry Pi））上进行应用开发的要点和相应的实战案例。 《TensorFlow移动端机器学习实战》也讲解了针对Android的硬件加速技术，以及业界流行的机器学习应用框架。本书代码基本对应TensorFlow 2.0。 《TensorFlow移动端机器学习实战》适合没有人工智能开发经验的初学者，以及有一定相关经验并且希望在人工智能应用上更加深入了解的开发者阅读。

作者简介

王众磊 TensorFlow的开发者之一，具有二十多年的留学和工作经验。现定居美国硅谷，长期从事软件开发工作，发表国际论文及国际专利多项。曾在谷歌等多家大型国际公司及初创企业工作过，有丰富的国内、国际开发及管理经验。 近几年以移动端开发、边缘计算、云计算和机器学习为主，从事开发和管理工作。工作之余喜欢和家人一起去各地旅游、打高尔夫球、滑雪等。 陈海波 深兰科技DeepBlue Technology的创始人，南京工业大学特聘教授，清华大学—深兰科技机器视觉联合研究中心管理委员会主任；上海交通大学—深兰科技人工智能联合实验室管理委员会主任、中南大学—深兰科技人工智能联合研究院专家委员会委员，致力于人工智能的基础研究和应用开发，创建的深兰科学院拥有人工智能研究院、科学计算研究院、生命及AI脑科学院、自动化研究院和智能汽车研究院。 团队拥有包括CVPR、PAKDD、IEEEISI等多项国际竞赛冠军成绩，在自动驾驶和整车、机器人研发及制造、生物科技、自然语言处理（语义智能）、数据挖掘等领域都有深度布局。

图书目录

第1章机器学习和TensorFlow简述 1 1.1机器学习和TensorFlow的历史及发展现状 1 1.1.1人工智能和机器学习 1 1.1.2TensorFlow 3 1.1.3TensorFlowMobile 5 1.1.4TensorFlowLite 5 1.2在移动设备上运行机器学习的应用 6 1.2.1生态和现状 7 1.2.2从移动优先到人工智能优先 8 1.2.3人工智能的发展 9 1.2.4在移动设备上进行机器学习的难点和挑战 9 1.2.5TPU 10 1.3机器学习框架 11 1.3.1CAFFE2 11 1.3.2AndroidNNAPI 12 1.3.3CoreML 12 1.3.4树莓派（RaspberryPi） 13 第2章构建开发环境 14 2.1开发主机和设备的选择 14 2.2在网络代理环境下开发 15 2.3集成开发环境IDE 16 2.3.1AndroidStudio 16 2.3.2VisualStudioCode 16 2.3.3其他IDE 18 2.4构建工具Bazel 18 2.4.1Bazel生成调试 19 2.4.2BazelQuery命令 20 2.5装载TensorFlow 20 2.6文档 25 第3章基于移动端的机器学习的开发方式和流程 26 3.1开发方式和流程简介 26 3.2使用TPU进行训练 28 3.3设备端进行机器学习训练 35 3.4使用TensorFlowServing优化TensorFlow模型 41 3.4.1训练和导出TensorFlow模型 42 3.4.2使用标准TensorFlowModelServer加载导出的模型 50 3.4.3测试服务器 50 3.5TensorFlow扩展（Extended） 54 第4章构建TensorFlowMobile 55 4.1TensorFlowMobile的历史 55 4.2TensorFlow代码结构 55 4.3构建及运行 61 4.3.1代码的流程 67 4.3.2代码的依赖性 68 4.3.3性能和代码跟踪 69 第5章用TensorFlowMobile构建机器学习应用 71 5.1准备工作 71 5.2图像分类（ImageClassification） 74 5.2.1应用 74 5.2.2模型 85 5.3物体检测（ObjectDetection） 87 5.3.1应用 87 5.3.2模型 92 5.4时尚渲染（Stylization） 95 5.4.1应用 95 5.4.2模型 96 5.5声音识别（SpeechRecognization） 96 5.5.1应用 96 5.5.2模型 99 第6章TensorFlowLite的架构 101 6.1模型格式 102 6.1.1ProtocolBuffer 102 6.1.2FlatBuffers 105 6.1.3模型结构 112 6.1.4转换器（Toco） 113 6.1.5解析器（Interpreter） 119 6.2底层结构和设计 123 6.2.1设计目标 123 6.2.2错误反馈 124 6.2.3装载模型 125 6.2.4运行模型 126 6.2.5定制演算子（CUSTOMOps） 128 6.2.6定制内核 132 6.3工具 133 6.3.1图像标注（label_image） 133 6.3.2最小集成（Minimal） 143 6.3.3Graphviz 143 6.3.4模型评效 148 第7章用TensorFlowLite构建机器学习应用 151 7.1模型设计 151 7.1.1使用预先训练的模型 151 7.1.2重新训练 152 7.1.3使用瓶颈（Bottleneck） 154 7.2开发应用 158 7.2.1程序接口 158 7.2.2线程和性能 162 7.2.3模型优化 163 7.3TensorFlowLite的应用 170 7.3.1声音识别 173 7.3.2图像识别 177 7.4TensorFlowLite使用GPU 178 7.4.1GPU与CPU性能比较 178 7.4.2开发GPU代理（Delegate） 178 7.5训练模型 182 7.5.1仿真器 183 7.5.2构建执行文件 183 第8章移动端的机器学习开发 186 8.1其他设备的支持 186 8.1.1在iOS上运行TensorFlow的应用 186 8.1.2在树莓派上运行TensorFlow 189 8.2设计和优化模型 190 8.2.1模型大小 191 8.2.2运行速度 192 8.2.3可视化模型 196 8.2.4线程 196 8.2.5二进制文件大小 197 8.2.6重新训练移动数据 197 8.2.7优化模型加载 198 8.2.8保护模型文件 198 8.2.9量化计算 199 8.2.10使用量化计算 202 8.3设计机器学习应用程序要点 207 第9章TensorFlow的硬件加速 209 9.1神经网络接口 209 9.1.1了解NeuralNetworksAPI运行时 210 9.1.2NeuralNetworksAPI编程模型 211 9.1.3NNAPI实现的实例 213 9.2硬件加速 222 9.2.1高通网络处理器 223 9.2.2华为HiAIEngine 229 9.2.3简要比较 235 9.2.4开放式神经网络交换格式 236 第10章机器学习应用框架 237 10.1MLKit 237 10.1.1面部识别（FaceDetection） 242 10.1.2文本识别 247 10.1.3条形码识别 248 10.2联合学习（FederatedLearning） 248 第11章基于移动设备的机器学习的未来 252 11.1TensorFlow2.0和路线图 252 11.1.1更简单的开发模型 253 11.1.2更可靠的跨平台的模型发布 254 11.1.3TensorFlowLite 254 11.1.4TensorFlow1.0和TensorFlow2.0的不同 255 11.2人工智能的发展方向 255 11.2.1提高人工智能的可解释性 255 11.2.2贡献社会 256 11.2.3改善生活 258