更新时间：2022-06-17 17:08:15
封面
版权信息
作者简介
前言
第1章 人工智能开发基础
1.1 人工智能的基础知识
1.1.1 人工智能介绍
1.1.2 人工智能的发展历程
1.1.3 人工智能的两个重要发展阶段
1.1.4 和人工智能相关的几个重要概念
1.2 机器学习
1.2.1 什么是机器学习
1.2.2 机器学习的3个发展阶段
1.2.3 机器学习的分类
1.2.4 深度学习和机器学习的对比
1.3 使用Python学习人工智能开发
1.3.1 Python在人工智能方面的优势
1.3.2 常用的Python库
1.4 TensorFlow开源库
1.4.1 TensorFlow介绍
1.4.2 TensorFlow的优势
1.4.3 TensorFlow Lite介绍
第2章 编写第一个TensorFlow Lite程序
2.1 安装环境要求
2.1.1 硬件要求
2.1.2 软件要求
2.2 安装TensorFlow
2.2.1 使用pip安装TensorFlow
2.2.2 使用Anaconda安装TensorFlow
2.2.3 安装TensorFlow Lite解释器
2.2.4 解决速度过慢的问题
2.3 准备开发工具
2.3.1 使用PyCharm开发并调试运行TensorFlow程序
2.3.2 使用Colaboratory开发并调试运行TensorFlow程序
2.4 开发TensorFlow Lite程序的流程
2.4.1 准备模型
2.4.2 转换模型
2.4.3 使用模型进行推断
2.4.4 优化模型
2.5 在Android中创建TensorFlow Lite
2.5.1 需要安装的工具
2.5.2 新建Android工程
2.5.3 使用JCenter中的TensorFlow Lite AAR
2.5.4 运行和测试
第3章 创建模型
3.1 创建TensorFlow模型
3.1.1 在PyCharm环境实现
3.1.2 在Colaboratory环境实现
3.2 基于TensorFlow机器学习核心算法创建模型
3.2.1 线性回归算法
3.2.2 逻辑回归算法
3.2.3 二元决策树算法
3.2.4 Bagging算法
3.2.5 Boosting算法
3.2.6 随机森林算法
3.2.7 K近邻算法
第4章 转换模型
4.1 TensorFlow Lite转换器
4.1.1 转换方式
4.1.2 将TensorFlow RNN转换为TensorFlow Lite
4.2 将元数据添加到TensorFlow Lite模型
4.2.1 具有元数据格式的模型
4.2.2 使用Flatbuffers Python API添加元数据
4.3 使用TensorFlow Lite Task Library
4.4 手写数字识别器
4.4.1 系统介绍
4.4.2 创建TensorFlow数据模型
4.4.3 将Keras模型转换为TensorFlow Lite
4.4.4 Android手写数字识别器
第5章 推断
5.1 TensorFlow Lite推断的基本知识
5.1.1 推断的基本步骤
5.1.2 推断支持的平台
5.2 运行模型
5.2.1 在Java程序中加载和运行模型
5.2.2 在Swift程序中加载和运行模型
5.2.3 在Objective-C程序中加载和运行模型
5.2.4 在Objective-C中使用C API
5.2.5 在C++中加载和运行模型
5.2.6 在Python中加载和运行模型
5.3 运算符操作
5.3.1 运算符操作支持的类型
5.3.2 从TensorFlow中选择运算符
5.3.3 自定义运算符
5.3.4 融合运算符
5.4 使用元数据进行推断
5.4.1 元数据推断基础
5.4.2 使用元数据生成模型接口
5.4.3 使用TensorFlow Lite代码生成器生成模型接口
5.5 通过Task库集成模型
5.5.1 Task Library可以提供的内容
5.5.2 支持的任务
5.5.3 集成图像分类器
5.6 自定义输入和输出
第6章 优化处理
6.1 性能优化
6.2 TensorFlow Lite委托
6.2.1 选择委托
6.2.2 评估工具
6.3 TensorFlow Lite GPU代理
