TensorFlow Lite移動端深度學習

TensorFlow Lite移動端深度學習
前言
第1章 人工智能開發(fā)基礎/
1.1人工智能的基礎知識/
1.1.1人工智能介紹/
1.1.2人工智能的發(fā)展歷程/
1.1.3人工智能的兩個重要發(fā)展階段/
1.1.4和人工智能相關(guān)的幾個重要概念/
1.2機器學習/
1.2.1什么是機器學習/
1.2.2機器學習的3個發(fā)展階段/
1.2.3機器學習的分類/
1.2.4深度學習和機器學習的對比/
1.3使用Python學習人工智能開發(fā)/
1.3.1Python在人工智能方面的優(yōu)勢/
1.3.2常用的Python庫/
1.4TensorFlow開源庫/
1.4.1TensorFlow介紹/
1.4.2TensorFlow的優(yōu)勢/
1.4.3TensorFlow Lite介紹/

第2章 編寫第一個TensorFlow Lite程序/
2.1安裝環(huán)境要求/
2.1.1硬件要求/
2.1.2軟件要求/
2.2安裝TensorFlow /
2.2.1使用pip安裝TensorFlow/
2.2.2使用Anaconda安裝TensorFlow/
2.2.3安裝TensorFlow Lite解釋器/
2.2.4解決速度過慢的問題/
2.3準備開發(fā)工具/
2.3.1使用PyCharm開發(fā)并調(diào)試運行TensorFlow程序/
2.3.2使用Colaboratory開發(fā)并調(diào)試運行TensorFlow程序/
2.4開發(fā)TensorFlow Lite程序的流程/
2.4.1準備模型/
2.4.2轉(zhuǎn)換模型/
2.4.3使用模型進行推斷/
2.4.4優(yōu)化模型/
2.5在Android中創(chuàng)建TensorFlow Lite/
2.5.1需要安裝的工具/
2.5.2新建Android工程/
2.5.3使用JCenter中的TensorFlow Lite AAR/
2.5.4運行和測試/

第3章 創(chuàng)建模型/
3.1創(chuàng)建TensorFlow模型/
3.1.1在PyCharm環(huán)境實現(xiàn)/
3.1.2在Colaboratory環(huán)境實現(xiàn)/
3.2基于TensorFlow機器學習核心算法創(chuàng)建模型/
3.2.1線性回歸算法/
3.2.2邏輯回歸算法/
3.2.3二元決策樹算法/
3.2.4Bagging算法/
3.2.5Boosting算法/
3.2.6隨機森林算法/
3.2.7K近鄰算法/

第4章 轉(zhuǎn)換模型/
4.1TensorFlow Lite轉(zhuǎn)換器/
4.1.1轉(zhuǎn)換方式/
4.1.2將TensorFlow RNN轉(zhuǎn)換為TensorFlow Lite/
4.2將元數(shù)據(jù)添加到 TensorFlow Lite 模型/
4.2.1具有元數(shù)據(jù)格式的模型/
4.2.2使用Flatbuffers Python API添加元數(shù)據(jù)/
4.3使用TensorFlow Lite Task Library/
4.4手寫數(shù)字識別器/
4.4.1系統(tǒng)介紹/
4.4.2創(chuàng)建TensorFlow數(shù)據(jù)模型/
4.4.3將Keras模型轉(zhuǎn)換為TensorFlow Lite/
4.4.4Android手寫數(shù)字識別器/

第5章 推斷/
5.1TensorFlow Lite推斷的基本知識/
5.1.1推斷的基本步驟/
5.1.2推斷支持的平臺/
5.2運行模型/
5.2.1在Java程序中加載和運行模型/
5.2.2在 Swift程序中加載和運行模型/
5.2.3在ObjectiveC程序中加載和運行模型/
5.2.4在ObjectiveC中使用C API/
5.2.5在 C++中加載和運行模型/
5.2.6在 Python中加載和運行模型/
5.3運算符操作/
5.3.1運算符操作支持的類型/
5.3.2從TensorFlow中選擇運算符/
5.3.3自定義運算符/
5.3.4融合運算符/
5.4使用元數(shù)據(jù)進行推斷/
5.4.1元數(shù)據(jù)推斷基礎/
5.4.2使用元數(shù)據(jù)生成模型接口/
5.4.3使用TensorFlow Lite代碼生成器生成模型接口/
5.5通過Task庫集成模型/
5.5.1Task Library可以提供的內(nèi)容/
5.5.2支持的任務/
5.5.3集成圖像分類器/
5.6自定義輸入和輸出/

第6章 優(yōu)化處理/
6.1性能優(yōu)化/
6.2TensorFlow Lite委托/
6.2.1選擇委托/
6.2.2評估工具/
6.3TensorFlow Lite GPU代理/
6.3.1在Android中使用TensorFlow Lite GPU代理/
6.3.2在iOS中使用TensorFlow Lite GPU代理/
6.3.3在自己的模型上使用GPU代理/
6.4硬件加速/
6.4.1使用GPU加速的優(yōu)勢/
6.4.2Android中的硬件加速/
6.4.3iOS中的硬件加速/
6.4.4輸入/輸出緩沖器/
6.5模型優(yōu)化/
6.5.1模型量化/
6.5.2訓練后量化/
6.5.3訓練后動態(tài)范圍量化/
6.5.4訓練后整數(shù)量化/

第7章 微控制器/
7.1適用于微控制器的 TensorFlow Lite/
7.2官方示例/
7.2.1Hello World示例/
7.2.2微語音示例/
7.3C++庫/
7.3.1文件結(jié)構(gòu)/
7.3.2開始新項目/
7.3.3寫入新設備/
7.3.4構(gòu)建二進制文件/
7.3.5優(yōu)化內(nèi)核/
7.3.6生成 Arduino 庫/

第8章 物體檢測識別系統(tǒng)/
8.1系統(tǒng)介紹/
8.2準備模型/
8.2.1模型介紹/
8.2.2自定義模型/
8.3Android物體檢測識別器/
8.3.1準備工作/
8.3.2頁面布局/
8.3.3實現(xiàn)主Activity/
8.3.4物體識別界面/
8.3.5相機預覽界面拼接/
8.3.6lib_task_api方案/
8.3.7lib_interpreter方案/
8.4iOS物體檢測識別器/
8.4.1系統(tǒng)介紹/
8.4.2視圖文件/
8.4.3相機處理/
8.4.4處理TensorFlow Lite模型/

第9章 姿勢預測器/
9.1系統(tǒng)介紹/
9.2準備模型/
9.2.1身體部位監(jiān)測點說明/
9.2.2導入TensorFlow Lite模型/
9.3Android姿勢預測器/
9.3.1準備工作/
9.3.2頁面布局/
9.3.3實現(xiàn)主Activity/
9.3.4圖像處理/
9.3.5姿勢識別/