TensorFlow Lite移动端深度学习循序渐进地讲解了在移动设备中使用TensorFlow Lite开发机器学习和深度学习程序的核心知识，并通过具体实例演练了各知识点的使用方法和流程。全书共9章，分别讲解了人工智能开发基础、编写个TensorFlow Lite程序、创建模型、转换模型、推断、优化处理、微控制器、物体检测识别系统和姿势预测器。全书简洁而不失技术深度，内容丰富全面，以简明的文字介绍了复杂的案例。同时书中配有二维码视频，结合视频讲解可加深对相关内容的理解，是学习TensorFlow Lite开发的实用教程。
TensorFlow Lite移动端深度学习适用于已经了解Python语言基础语法和TensorFlow基础，希望进一步提高自己Python开发水平的读者阅读，还可以作为大中专院校和相关培训学校的专业教程。
来自IT大厂一线研发工程师的实战经验，详解TensorFlow Lite机器学习和深度学习程序开发的关键技术。作者为浪潮云资深机器学习开发专家。
人工智能是研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学。TensorFlow Lite是一种用于设备端推断的开源深度学习框架，可帮助开发者在移动设备、嵌入式设备和IoT设备上运行TensorFlow模型。也就是说，通过用TensorFlow Lite，可以开发出能够在Android设备、iOS设备和IoT设备上使用的深度学习程序。
本书特色
1.内容全面
本书详细讲解了使用TensorFlow Lite开发人工智能程序的相关知识，循序渐进地引出这些知识的使用方法和技巧，帮助读者快速步入Python 人工智能开发高手之列。
2.实例驱动
本书采用理论加实例的讲解方式，通过实例实现了对知识点的横向切入和纵向比较，让读者有更多的实践演练机会，并且可以从不同的方位展现一个知识点的用法，真正实现了拔高的教学效果。
3.详解TensorFlow Lite开发流程
本书从一开始便对TensorFlow Lite开发的流程进行了详细介绍，而且在讲解中结合了多个实用性很强的数据分析项目案例，带领读者掌握TensorFlow Lite开发的相关知识，以解决实际工作中的问题。
4.视频讲解
本书正文的每一个二级目录都有一个视频来辅助读者学习，读者可以通过扫描旁边的二维码来直接观看。
本书读者对象
软件开发工程师。
Python机器学习开发者。
Python深度学习开发者。
数据库工程师和系统管理员。
大学及中学教育工作者。
致谢
本书在编写过程中，得到了机械工业出版社编辑的大力支持，正是各位编辑的求实、耐心和高效工作，才使得本书能够顺利出版。另外，也十分感谢我的家人给予的巨大支持。由于编者水平有限，书中难免存在纰漏之处，诚请读者提出宝贵意见和建议，以便修订时加以完善。作者QQ：150649826。
后感谢您购买本书，希望本书能成为您编程路上的领航者！
编者
资深机器学习开发工程师和架构师。现就职于浪潮云，专门从事大数据挖掘和通信大数据研发工作。
曾在谷歌应用市场发布多款经典应用程序并取得不错的销售业绩。精通Python、C#、Java等语言，并且精通Android、iOS等主流移动端和Linux底层嵌入式开发技术。
TensorFlow Lite移动端深度学习
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/
1.3.1Python在人工智能方面的优势/
1.3.2常用的Python库/
1.4TensorFlow开源库/
1.4.1TensorFlow介绍/
1.4.2TensorFlow的优势/
1.4.3TensorFlow Lite介绍/
第2章 编写个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/
3.2.4Bagging算法/
3.2.5Boosting算法/
3.2.6随机森林算法/
3.2.7K近邻算法/
第4章 转换模型/
4.1TensorFlow 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/
4.4.4Android手写数字识别器/
第5章 推断/
5.1TensorFlow 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ObjectiveC程序中加载和运行模型/
5.2.4在ObjectiveC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/
5.5.1Task 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/
6.2TensorFlow Lite委托/
6.2.1选择委托/
6.2.2评估工具/
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加速的优势/
6.4.2Android中的硬件加速/
6.4.3iOS中的硬件加速/
6.4.4输入/输出缓冲器/
6.5模型优化/
6.5.1模型量化/
6.5.2训练后量化/
6.5.3训练后动态范围量化/
6.5.4训练后整数量化/
第7章 微控制器/
7.1适用于微控制器的 TensorFlow Lite/
7.2官方示例/
7.2.1Hello World示例/
7.2.2微语音示例/
7.3C 库/
7.3.1文件结构/
7.3.2开始新项目/
7.3.3写入新设备/
7.3.4构建二进制文件/
7.3.5优化内核/
7.3.6生成 Arduino 库/
第8章 物体检测识别系统/
8.1系统介绍/
8.2准备模型/
8.2.1模型介绍/
8.2.2自定义模型/
8.3Android物体检测识别器/
8.3.1准备工作/
8.3.2页面布局/
8.3.3实现主Activity/
8.3.4物体识别界面/
8.3.5相机预览界面拼接/
8.3.6lib_task_api方案/
8.3.7lib_interpreter方案/
8.4iOS物体检测识别器/
8.4.1系统介绍/
8.4.2视图文件/
8.4.3相机处理/
8.4.4处理TensorFlow Lite模型/
第9章 姿势预测器/
9.1系统介绍/
9.2准备模型/
9.2.1身体部位监测点说明/
9.2.2导入TensorFlow Lite模型/
9.3Android姿势预测器/
9.3.1准备工作/
9.3.2页面布局/
9.3.3实现主Activity/
9.3.4图像处理/
9.3.5姿势识别/
书单推荐
