TensorFlow移動端機器學習實戰 ( 簡體 字) |
| 作者：王眾磊,陳海波 | 類別：1. -> 程式設計 -> 機器學習 |
| 譯者： |
| 出版社：電子工業出版社 |  3dWoo書號： 51917
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：10/1/2019 |
| 頁數：272 |
| 光碟數：0 |
|
站長推薦：   |
| 印刷： | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787121374265 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
| 作者序： |
| 譯者序： |
前言：2018年，我有很長一段時間在中國和美國兩地跑，同時在國內工作和生活了比較長的一段時間，這是我近二十年來第一次和國內的開發者一起長時間工作。在享受各種美食之外，對國內的開發、產品和管理有了全新的了解和認識。
說起寫書的起源，我本來的想法只是寫一點可以作為國內工程師培訓教材的東西。2018年初，TensorFlow作為一個技術熱點，逐漸普及到機器學習應用開發的各個方面，但是對于TensorFlow在移動端的開發和應用還處于初始階段。我當時也剛剛結束一個TensorFlow項目，想把這些經驗和想法沉淀一下。于是我就把以前寫的筆記和日志重新整理，添加一些內容并修改了文字，基本形成了一個原始版本。
后來，遇到博文視點的南海寶編輯，通過商談，出版社欣然同意把這些資料整理出書。我的筆記和日志的內容很多和代碼緊密相關，其中很多內容后來演變成了文檔，我覺得這對初學者和有經驗的開發者都是一個很好的參考，至少可以提供另外一個視角，讓開發者多方面了解TensorFlow。所以，我就開始寫作，前后花費了近兩年的時間。
我是一邊寫作一邊工作的，在這個過程中很快就遇到了兩個很大的挑戰。
第一是文字。我的筆記都是英文的，要把這些轉換成中文，我借助了谷歌翻譯，雖然翻譯后的文字有很多需要修改，但至少省下了不少打字的時間。另外，就是專有術語的翻譯，由于我對中文的專業術語不熟悉，所以即使簡單的術語也要斟酌確定，這也花費了一些時間。如果讀者在文字中發現一些奇怪的說法，還請見諒，我和編輯雖然盡了最大的努力，可能還是會有很多遺漏。
第二是重新認識和了解了國內開發的方方面面。我在美國和國內的開發者也有不少接觸，我想在兩邊工作應該不會有什么差別，可實際工作起來還是有很多不同和挑戰，感觸頗深。首先是技術層面。開源的理念和軟件在國內滲透到各個方面，幾乎所有互聯網公司都是從使用開源軟件開始搭建自己的產品。由于谷歌在開源社區的貢獻和影響力，國內普遍對谷歌的好感度很高，我也同享了這個榮耀。而且，很多公司和開發者也把對開源社區做出貢獻看作責任和榮耀，這是一個很好的趨勢，中國很快會發展出自己的開源生態和社區。
關于開發環境和工程師文化，我想提一下兩邊對新員工培訓的區別。在國內對員工的培訓中，職業道德培訓和公司文化的培訓占了很大一部分。而在硅谷，至少像谷歌、臉書這些公司，培訓中技術培訓占了很大一部分，基本是一周的培訓后，員工就要進行實際的工作，而國內很多公司的新員工第二周才開始技術工作。這里我能充分感受到中美公司之間的差別。
另外是開發管理方法，由于管理方法的不同，實際的工作中要做相應的改變。比如國內對開發和產品的進度的管理是非常嚴格的。但是，這種嚴格大都體現在層級的匯報關系上，而不是對技術細節的掌控和指導上。谷歌的工程師會經常以代碼的提交作為一個工程開始和結束的標志，這在國內公司很少見到。
我希望把這些經驗、想法和體會能或多或少體現在這本書里。比如，使用Markdown寫文檔，能使寫文檔變成一件不是很煩瑣的事，可以讓作者更專注于內容的寫作，而不是花費太多時間在操作編輯器上。本書就是全部用Markdown寫作完成，再轉換成Word文檔的。比如，使用Bazel編譯，需要對代碼的依賴有清晰的定義。可能很多工程師不會特別在意這點，但是通過它，工程師可以非常清楚地了解代碼重用和引用的狀況，避免隨意的代碼重用，并提高代碼的質量。我希望通過這些在書中給讀者傳達一些不同的開發經驗。
總之，我會把這本書作為2018年工作和生活的一個紀念。看到書中的各個章節，我就可以聯想起寫書時發生的許多人和事。但是，真的由于時間和我自己的能力非常有限，書中一定會有很多錯誤和瑕疵，還望讀者能寬容和諒解。
最后，要感謝我的家人能支持和陪伴我度過2018年，我和我的母親一起度過了2018年春節，是近20年來在國內度過的第一個春節。還要感謝我的妻子，她非常支持我，并幫助我寫完這本書。還有我的兩個女兒，總是能給我帶來無盡的快樂，還要感謝深蘭科技的創始人陳海波先生和首席戰略官王博士，兩位幫助我完成這本書，并提出了很多意見。
另外，感謝博文視點給我這個機會出版這本書，希望通過這本書能結識更多的開發者。還要感謝南海寶編輯在本書寫作和出版過程中給予的指導和鼓勵。 |
內容簡介：TensorFlow已經成為機器學習的流行框架和工業屆標準，早期的TensorFlow以云端和數據中心中的機器學習為主，近期的一個趨勢是，逐漸向移動端和設備端轉移。推動這個趨勢的動力包括人們對機器學習理論和認知的提高、算法及技術的改進、軟件和硬件性能的提高，以及專有硬件的出現等，更主要的是，用戶的需求和越來越豐富的場景需求。現在國內移動用戶已超15億，全球移動用戶已超過51億，2019年IoT裝置數量預計將超過全球人口總數。我們相信，在未來，云端和移動端相結合的人工智能和設備端獨立的人工智能應用會慢慢成為主流。作為TensorFlow的開發者和使用者，本書作者完整地講解了使用TensorFlow進行端到端開發的實例和開發技巧，同時分享了如何使用開源工具進行軟件開發的最佳工程實踐和經驗。本書提供了全方位的視角幫助讀者開啟不同的思路，即使把本書作為一本軟件開發和工程開發的書籍來讀，也會使讀者受益匪淺。
|
目錄：第1章 機器學習和TensorFlow簡述 1
1.1 機器學習和TensorFlow的歷史及發展現狀 1
1.1.1 人工智能和機器學習 1
1.1.2 TensorFlow 3
1.1.3 TensorFlow Mobile 5
1.1.4 TensorFlow Lite 5
1.2 在移動設備上運行機器學習的應用 6
1.2.1 生態和現狀 7
1.2.2 從移動優先到人工智能優先 8
1.2.3 人工智能的發展 9
1.2.4 在移動設備上進行機器學習的難點和挑戰 9
1.2.5 TPU 10
1.3 機器學習框架 11
1.3.1 CAFFE2 11
1.3.2 Android NNAPI 12
1.3.3 CoreML 12
1.3.4 樹莓派（Raspberry Pi） 13
第2章 構建開發環境 14
2.1 開發主機和設備的選擇 14
2.2 在網絡代理環境下開發 15
2.3 集成開發環境IDE 16
2.3.1 Android Studio 16
2.3.2 Visual Studio Code 16
2.3.3 其他IDE 18
2.4 構建工具Bazel 18
2.4.1 Bazel生成調試 19
2.4.2 Bazel Query命令 20
2.5 裝載TensorFlow 20
2.6 文檔 25
第3章 基于移動端的機器學習的開發方式和流程 26
3.1 開發方式和流程簡介 26
3.2 使用TPU進行訓練 28
3.3 設備端進行機器學習訓練 35
3.4 使用TensorFlow Serving優化TensorFlow模型 41
3.4.1 訓練和導出TensorFlow模型 42
3.4.2 使用標準TensorFlow ModelServer加載導出的模型 50
3.4.3 測試服務器 50
3.5 TensorFlow擴展（Extended） 54
第4章 構建TensorFlow Mobile 55
4.1 TensorFlow Mobile的歷史 55
4.2 TensorFlow代碼結構 55
4.3 構建及運行 61
4.3.1 代碼的流程 67
4.3.2 代碼的依賴性 68
4.3.3 性能和代碼跟蹤 69
第5章 用TensorFlow Mobile構建機器學習應用 71
5.1 準備工作 71
5.2 圖像分類（Image Classification） 74
5.2.1 應用 74
5.2.2 模型 85
5.3 物體檢測（Object Detection） 87
5.3.1 應用 87
5.3.2 模型 92
5.4 時尚渲染（Stylization） 95
5.4.1 應用 95
5.4.2 模型 96
5.5 聲音識別（Speech Recognization） 96
5.5.1 應用 96
5.5.2 模型 99
第6章 TensorFlow Lite的架構 101
6.1 模型格式 102
6.1.1 Protocol Buffer 102
6.1.2 FlatBuffers 105
6.1.3 模型結構 112
6.1.4 轉換器（Toco） 113
6.1.5 解析器（Interpreter） 119
6.2 底層結構和設計 123
6.2.1 設計目標 123
6.2.2 錯誤反饋 124
6.2.3 裝載模型 125
6.2.4 運行模型 126
6.2.5 定制演算子（CUSTOM Ops） 128
6.2.6 定制內核 132
6.3 工具 133
6.3.1 圖像標注（label_image） 133
6.3.2 最小集成（Minimal） 143
6.3.3 Graphviz 143
6.3.4 模型評效 148
第7章 用TensorFlow Lite構建機器學習應用 151
7.1 模型設計 151
7.1.1 使用預先訓練的模型 151
7.1.2 重新訓練 152
7.1.3 使用瓶頸（Bottleneck） 154
7.2 開發應用 158
7.2.1 程序接口 158
7.2.2 線程和性能 162
7.2.3 模型優化 163
7.3 TensorFlow Lite的應用 170
7.3.1 聲音識別 173
7.3.2 圖像識別 177
7.4 TensorFlow Lite使用GPU 178
7.4.1 GPU與CPU性能比較 178
7.4.2 開發GPU代理（Delegate） 178
7.5 訓練模型 182
7.5.1 仿真器 183
7.5.2 構建執行文件 183
第8章 移動端的機器學習開發 186
8.1 其他設備的支持 186
8.1.1 在iOS上運行TensorFlow的應用 186
8.1.2 在樹莓派上運行TensorFlow 189
8.2 設計和優化模型 190
8.2.1 模型大小 191
8.2.2 運行速度 192
8.2.3 可視化模型 196
8.2.4 線程 196
8.2.5 二進制文件大小 197
8.2.6 重新訓練移動數據 197
8.2.7 優化模型加載 198
8.2.8 保護模型文件 198
8.2.9 量化計算 199
8.2.10 使用量化計算 202
8.3 設計機器學習應用程序要點 207
第9章 TensorFlow的硬件加速 209
9.1 神經網絡接口 209
9.1.1 了解Neural Networks API運行時 210
9.1.2 Neural Networks API編程模型 211
9.1.3 NNAPI 實現的實例 213
9.2 硬件加速 222
9.2.1 高通網絡處理器 223
9.2.2 華為HiAI Engine 229
9.2.3 簡要比較 235
9.2.4 開放式神經網絡交換格式 236
第10章 機器學習應用框架 237
10.1 ML Kit 237
10.1.1 面部識別（Face Detection） 242
10.1.2 文本識別 247
10.1.3 條形碼識別 248
10.2 聯合學習（Federated Learning） 248
第11章 基于移動設備的機器學習的未來 252
11.1 TensorFlow 2.0和路線圖 252
11.1.1 更簡單的開發模型 253
11.1.2 更可靠的跨平臺的模型發布 254
11.1.3 TensorFlow Lite 254
11.1.4 TensorFlow 1.0 和TensorFlow 2.0的不同 255
11.2 人工智能的發展方向 255
11.2.1 提高人工智能的可解釋性 255
11.2.2 貢獻社會 256
11.2.3 改善社會 258 |
| 序： |
