TensorFlow AI移动项目开发实战

定　价：¥109.00

作　者：	[美]杰夫·唐（Jeff Tang）
出版社：	机械工业出版社
丛编项：
标　签：	暂缺

购买这本书可以去

ISBN：	9787111712664	出版时间：	2022-09-01	包装：	平装-胶订
开本：	16开	页数：		字数：

内容简介

　　使用TensorFlow为多个移动平台构建智能深度学习和强化学习应用程序。本书涵盖了10余个由TensorFlow提供支持并从头开始构建的完整iOS、Android和树莓派应用程序，可在设备上离线运行各种TensorFlow模型：从计算机视觉、语音识别和自然语言处理到生成对抗网络以及AlphaZero（如深度强化学习）。你将学习如何使用或再训练现有的模型、构建模型以及开发能运行这些模型的智能移动应用程序，并通过分步教程快速掌握如何构建此类应用程序，同时学会利用大量宝贵的故障排除技巧来避免实现过程中的许多陷阱。

作者简介

　　关于作者20多年前，Jeff Tang喜爱上了经典的人工智能。在获得计算机科学硕士学位之后，从事了几年的机器翻译研究工作，然后在人工智能发展的低迷期，他在初创公司及美国在线、百度和高通等公司从事企业应用程序、语音应用程序、网页应用程序和移动应用程序等研究工作。他开发了一款畅销的iOS应用程序，下载量达到数百万次，还被Google公司认定为Android市场top开发者。在2015年重返现代人工智能领域，并坚信在未来20年中人工智能将是其全部的激情与目标。他*喜欢的一个话题就是要让人工智能随时随地可用，因此本书应运而生。

图书目录

目录
原书序
原书前言
关于作者
关于技术审校者
第1章移动TensorFlow入门
1.1TensorFlow的安装
1.1.1在MacOS上安装TensorFlow
1.1.2在GPU驱动的Ubuntu操作系统上安装TensorFlow
1.2Xcode的安装
1.3Android Studio的安装
1.4TensorFlow Mobile与TensorFlow Lite对比
1.5运行TensorFlow iOS示例应用程序
1.6运行TensorFlow Android示例应用程序
1.7小结
第2章基于迁移学习的图像分类
2.1迁移学习的基本原理与应用
2.2利用Inception v3模型进行再训练
2.3利用MobileNet模型进行再训练
2.4再训练模型在iOS示例应用程序中的应用
2.5再训练模型在Android示例应用程序中的应用
2.6在iOS应用程序中添加TensorFlow
2.6.1在Objective-C的iOS应用程序中添加TensorFlow
2.6.2在Swift的iOS应用程序中添加TensorFlow
2.7在Android应用程序中添加TensorFlow
2.8小结
第3章目标检测与定位
3.1目标检测概述
3.2TensorFlow目标检测API的安装
3.2.1快速安装和示例
3.2.2预训练模型的应用
3.3SSD-MobileNet和Faster RCNN再训练模型
3.4在iOS中使用目标检测模型
3.4.1手动构建TensorFlow iOS库
3.4.2在应用程序中使用TensorFlow iOS库
3.4.3为iOS应用程序添加目标检测功能
3.5YOLO2应用：另一种目标检测模型
3.6小结
第4章图像艺术风格迁移
4.1神经风格迁移概述
4.2快速神经风格迁移模型训练
4.3在iOS中应用快速神经风格迁移模型
4.3.1添加并测试快速神经风格迁移模型
4.3.2应用快速神经风格迁移模型的iOS代码分析
4.4在Android中应用快速神经风格迁移模型
4.5在iOS中应用TensorFlow Magenta多风格模型
4.6在Android中应用TensorFlow Magenta多风格模型
4.7小结
第5章理解简单语音命令
5.1语音识别概述
5.2训练简单的命令识别模型
5.3在Android中应用简单的语音识别模型
5.3.1通过模型构建新的应用程序
5.3.2显示模型驱动的识别结果
5.4在基于Objective-C的iOS中应用简单的语音识别模型
5.4.1通过模型构建新的应用程序
5.4.2利用tf_op_files.txt文件修正模型加载错误
5.5在基于Swift的iOS中应用简单的语音识别模型
5.6小结
第6章基于自然语言的图像标注
6.1图像标注的工作原理
6.2训练和冻结图像标注模型
6.2.1训练和测试标注生成
6.2.2冻结图像标注模型
6.3转换和优化图像标注模型
6.3.1利用转换模型修正误差
6.3.2优化转换模型
6.4在iOS中应用图像标注模型
6.5在Android中应用图像标注模型
6.6小结
第7章基于CNN和LSTM的绘图识别
7.1绘图分类的工作原理
7.2训练、预测和准备绘图分类模型
7.2.1训练绘图分类模型
7.2.2利用绘图分类模型进行预测
7.2.3准备绘图分类模型
7.3在iOS中应用绘图分类模型
7.3.1构建iOS的自定义TensorFlow库
7.3.2开发使用模型的iOS应用程序
7.4在Android中应用绘图分类模型
7.4.1构建Android的自定义TensorFlow库
7.4.2开发使用模型的Android应用程序
7.5小结
第8章基于RNN的股票价格预测
8.1RNN和股票价格预测的工作原理
8.2利用TensorFlow RNN API进行股票价格预测
8.2.1在TensorFlow中训练RNN模型
8.2.2测试TensorFlow RNN模型
8.3利用Keras RNN LSTM API进行股票价格预测
8.3.1在Keras中训练RNN模型
8.3.2测试Keras RNN模型
8.4在iOS上运行TensorFlow和Keras模型
8.5在Android上运行TensorFlow和Keras模型
8.6小结
第9章基于GAN的图像生成与增强
9.1GAN的工作原理
9.2基于TensorFlow构建和训练GAN模型
9.2.1生成手写体数字的基本GAN模型
9.2.2提高图像分辨率的改进GAN模型
9.3在iOS中应用GAN模型
9.3.1基本GAN模型应用
9.3.2改进GAN模型应用
9.4在Android中应用GAN模型
9.4.1基本GAN模型应用
9.4.2改进GAN模型应用
9.5小结
第10章移动设备上类AlphaZero的游戏应用程序开发
10.1AlphaZero的工作原理
10.2训练和测试用于Connect 4游戏的类AlphaZero模型
10.2.1训练模型
10.2.2测试模型
10.2.3分析建模代码
10.2.4冻结模型
10.3利用iOS中的模型玩Connect 4游戏
10.4利用Android中的模型玩Connect 4游戏
10.5小结
第11章TensorFlow Lite和Core ML在移动设备上的应用
11.1TensorFlow Lite概述
11.2在iOS中使用TensorFlow Lite
11.2.1运行TensorFlow Lite iOS示例应用程序
11.2.2在iOS中使用预构建的TensorFlow Lite模型
11.2.3在iOS中使用用于TensorFlow Lite的再训练TensorFlow模型
11.2.4在iOS中使用自定义的TensorFlow Lite模型
11.3在Android中使用TensorFlow Lite
11.4面向iOS的Core ML概述
11.5结合Scikit Learn机器学习的Core ML应用
11.5.1构建和转换Scikit Learn模型
11.5.2在iOS中使用转换的Core ML模型
11.6结合Keras和TensorFlow的Core ML应用
11.7小结
第12章树莓派上的TensorFlow应用程序开发
12.1安装树莓派并运行
12.1.1安装树莓派
12.1.2运行树莓派
12.2在树莓派上安装TensorFlow
12.3图像识别和文