新書推薦：
《
改变历史的意大利豪门 ： 传奇家族美第奇
》
售價：HK$
90.0
《
Procreate插画手绘从新手到高手
》
售價：HK$
105.6
《
山河不足重，重在遇知己
》
售價：HK$
54.0
《
独自走过悲喜
》
售價：HK$
81.6
《
永不停步：玛格丽特·阿特伍德传
》
售價：HK$
94.8
《
假努力：方向不对，一切白费
》
售價：HK$
71.8
《
北京三万里
》
售價：HK$
93.6
《
争吵的恋人：我们为什么相爱，又为什么争吵
》
售價：HK$
70.8
|
| 編輯推薦： |
编辑推荐
● 快速掌握移动、嵌入式设备AI程序开发技能
● 项目开发实战独有经验、完整代码分享
本书提供了10余个从头开始构建的TensorFlow支持的iOS、Android和树莓派的完整应用程序开发项目，能运行各种性能强大的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（GAN）和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。
你将会学到：
● 利用迁移学习对图像进行分类
● 检测物体及其位置
● 以惊人的艺术风格转换图片
● 理解语音命令
● 用自然语言描述图像
● 基于CNN、LSTM的图形识别
● 在TensorFlow和Keras中利用RNN预测股价
● 构建类似AlphaZero的手机游戏应用
● 在手机上使用TensorFlow Lite和Core ML
● 在树莓派上开发可以移动、看、听、说和学习的TensorFlow应用
|
| 內容簡介： |
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。
|
| 關於作者： |
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。
|
| 目錄：
|
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
|
| 內容試閱：
|
原书前言
人工智能（AI）是一种在计算机上模拟人类智能的历史悠久的方法。自从1956年人工智能的概念正式诞生以来，人工智能经历了几次繁盛和萧条。目前的人工智能复兴，或称之为新的人工智能革命，是始于2012年在深度学习方面的突破，深度学习是机器学习领域的一个分支，正是由于深度卷积神经网络（Deep Convolutional Neural Network，DCNN）以16.4%的错误率赢得ImageNet大规模视觉识别挑战赛(相比之下，排名第二的非DCNN方法的错误率为26.2%)，而使其成为人工智能最热门的研究领域。自2012年以来，基于DCNN的改进算法每年都在ImageNet挑战赛中获胜，深度学习技术在计算机视觉之外的许多人工智能难题应用上取得一个又一个的突破，如语音识别、机器翻译、围棋比赛等。2016年3月，Google公司DeepMind团队采用深度强化学习技术开发的AlphaGo，以4∶1的比分击败人类世界围棋冠军李世石。在2017年Google I/O大会上，Google公司宣布将从移动互联优先转向人工智能优先。Amazon、Apple、Facebook和Microsoft等行业领先的公司也都在人工智能领域投入巨资，并推出许多人工智能驱动的产品。
TensorFlow是Google公司发布的用来构建机器学习人工智能应用程序的开源框架。在2015年11月TensorFlow首次发布时，市场上已有一些主流的深度学习开源框架，但自此以后，TensorFlow在不到两年的时间里迅速发展成为最受欢迎的深度学习开源框架。每周都会构建新的TensorFlow模型，以处理可能需要人类甚至超人类智能的各种任务。目前，已陆续出版了众多关于TensorFlow的图书。同时，网络上也提供了更多的关于TensorFlow的博客、教程、课程和视频。显然，人工智能和TensorFlow非常热门，但为何还要再出版一本书名中包含“TensorFlow”一词的图书呢？
这是因为本书所具有的独特性，本书是一本将基于TensorFlow的人工智能与移动计算相结合，将未来发展与当今繁荣世界连接起来的图书。在过去的十年里，我们都见证和经历了iOS和Android智能手机的革命性发展，而现在开始的人工智能革命可能会对整个世界产生更深远的影响。有什么能比一本融合了两个领域最热门的主题，并介绍如何在移动设备上随时随地开发TensorFlow人工智能应用程序的图书更好的呢？
的确也可以利用许多现有的云智能API来开发人工智能应用程序，且有些时候也非常有意义。但是，完全在移动设备上运行人工智能应用程序的好处是，即使在没有可用或可靠的网络连接，无法负担云服务器费用，或用户不想将手机数据发送给他人时，也可以运行这些应用程序。
同样，在TensorFlow开源项目中，已经有一些基于TensorFlow的iOS和Android应用程序可以进行移动TensorFlow的开发。但如果尝试过在iOS或Android设备上运行一个性能优越的TensorFlow模型之后，就会发现在手机上成功运行该模型之前，很可能会遇到很多问题。
本书通过介绍如何解决在移动设备上运行TensorFlow模型时可能遇到的各种常见问题，来帮助你节省大量时间和精力。本书提供了10余个从头开始构建的TensorFlow支持的iOS、Android和树莓派的完整应用程序，能运行各种性能强大的TensorFlow模型，包括目前最新且性能最强大的生成对抗网络（Generative Adversarial Network，GAN）和类似AlphaZero的模型。
本书主要适用于构建和再训练他人提出的TensorFlow模型并在移动应用程序中运行该模型的iOS和Android开发人员，或是在移动设备上运行新开发的TensorFlow模型的TensorFlow开发人员。另外，本书也适用于对TensorFlow Lite、Core ML或树莓派上的TensorFlow应用感兴趣的开发人员。
本书主要内容
第1章移动TensorFlow入门，主要介绍了如何在MacOS和Ubuntu操作系统中安装TensorFlow，以及如何安装Xcode和Android Studio。另外，还探讨了TensorFlow Mobile和TensorFlow Lite之间的区别及各自的应用场合。最后，展示了如何运行TensorFlow iOS和Android示例应用程序。
第2章基于迁移学习的图像分类，涵盖了迁移学习的基本概念及其优点，如何再训练Inception v3和MobileNet模型以更准确更快地实现犬种识别，以及如何在iOS和Android示例应用程序中使用再训练模型。展示如何将TensorFlow添加到以Objective-C和Swift开发的犬种识别iOS应用程序和Android应用程序中。
第3章目标检测与定位，首先对目标检测进行了概述，然后介绍了如何安装TensorFlow目标检测API，并用于再训练SSD-MobileNet和Faster RCNN模型。另外，还展示了如何通过手动构建TensorFlow iOS库以支持非默认的TensorFlow操作，在基于TensorFlow的Android和iOS示例应用程序中使用这些模型。最后，介绍了如何训练另一种主流的目标检测模型——YOLO2，以及如何应用于TensorFlow Android和iOS应用程序。
第4章图像艺术风格迁移，首先概述了神经风格迁移及其在过去几年中的快速发展。然后，介绍了如何训练快速神经风格迁移模型，并应用于iOS和Android应用程序中。之后，还探讨了如何在个人iOS和Android应用程序中利用TensorFlow Magenta多风格模型来轻松创建令人惊叹的艺术风格。
第5章理解简单语音命令，概述了语音识别，并介绍了如何训练一个简单的语音命令识别模型。然后展示了将其如何应用于Android应用程序，以及由Objective-C和Swift开发的iOS应用程序中。另外，还讨论了在修复移动设备上可能出现的模型加载和运行错误时的更多技巧。
第6章基于自然语言的图像标注，首先介绍了图像标注的工作原理，然后讨论了如何在TensorFlow中训练和冻结图像标注模型。接下来，进一步讨论了如何转换和优化复杂模型，使其能够在移动设备上运行。最后，给出了使用生成图像自然语言描述模型的完整iOS和Android应用程序。
第7章基于CNN和LSTM的绘图识别，阐述了绘图分类的工作原理，并介绍了如何训练、预测和准备模型。接着，展示了如何构建一个自定义的TensorFlow iOS库，以便将其应用于一个有趣的iOS涂鸦识别程序。最后，探讨了如何构建一个自定义的TensorFlow Android库来修复一个新的模型加载错误，并将该模型应用于Android应用程序中。
第8章基于RNN的股票价格预测，首先了解RNN以及如何预测股票价格。然后，介绍了如何利用TensorFlow API构建一个RNN模型来预测股票价格，以及如何利用更易于实现的Keras API构建一个RNN LSTM模型来实现同样目标。同时测试了这些模型是否优于随机买入卖出策略。最后，展示了如何在iOS和Android应用程序中运行TensorFlow和Keras模型。
第9章基于GAN的图像生成与增强，概述了GAN的工作原理及其强大的优势。然后，讨论了如何构建和训练一个用于生成手写体数字的基本GAN模型和一个能够将低分辨率图像增强为高分辨率图像的改进模型。最后，探讨了如何在iOS和Android应用程序中使用这两种GAN模型。
第10章移动设备上类AlphaZero的游戏应用程序开发，首先介绍了最新且功能强大的AlphaZero的工作原理，以及如何训练和测试类AlphaZero的模型，然后，以TensorFlow为后端在Keras中玩一个简单但有趣的游戏——Connect 4。接下来，展示了在移动设备上利用上述模型玩Connect 4游戏的完整iOS和Android应用程序。
第11章TensorFlow Lite和Core ML在移动设备上的应用，首先阐述了TensorFlow Lite，然后介绍了如何使用预构建的TensorFlow模型、用于TensorFlow Lite的再训练TensorFlow模型，以及一个iOS中的自定义TensorFlow Lite模型。另外还展示了如何在Android中使用TensorFlow Lite。之后，概述了Apple公司的Core ML，并介绍了如何在Scikit Learn实现的机器学习中应用Core ML。最后，讨论了如何将Core ML与TensorFlow和Keras配合使用。
第12章树莓派上的TensorFlow应用程序开发，首先介绍了如何安装和运行树莓派，以及如何在树莓派上安装TensorFlow。然后，介绍了如何利用TensorFlow图像识别模型和音频识别模型，以及文本-语音转换API和机器人运动API，来构建一个可以实现移动、听、说、看等功能的树莓派机器人。最后，详细讨论了如何利用OpenAI Gym和TensorFlow在仿真环境中从头开始建立和训练一个功能强大的基于神经网络的强化学习策略模型，实现机器人通过自主学习来保持平衡。
如何充分利用本书
建议先按顺序阅读前四章，并运行http://github.com/jeffxtang/mobiletfbook源代码库所附带的本书iOS和Android应用程序。这有助于确保为TensorFlow移动应用程序开发配置好所需的开发环境，以及理解如何将TensorFlow集成到个人iOS和/或Android应用程序中。如果你是iOS开发人员，那么还将学习到如何在TensorFlow中使用Objective-C或Swift，以及何时和如何使用TensorFlow pod或手动构建的TensorFlow iOS库。
接下来，如果需要构建一个自定义的TensorFlow Android库，请参阅第7章；如果要学习在移动应用程序中如何使用Keras模型，请参阅第8章和第10章。
如果对TensorFlow Lite或Core ML感兴趣，请参阅第11章；如果对树莓派上的TensorFlow感兴趣，或对TensorFlow中的强化学习感兴趣，请参阅第12章。
除此之外，可以仔细阅读第5~10章，学习如何训练CNN、RNN、LSTM、GAN和AlphaZero等不同类型的模型，以及如何将其应用于移动设备中，建议在研究具体实现之前，先运行每章的iOS和/或Android应用程序。或者，也可以直接跳转到讲解你最感兴趣的模型的章。值得注意的是，后面的内容可能会引用前面的内容，以获得一些重复的细节，例如在iOS应用程序中添加自定义的TensorFlow iOS库，或通过构建自定义TensorFlow库来修复一些模型加载或运行错误等步骤。不过，请放心，本书绝不会让你感到困惑，至少我们已竭尽全力，提供了用户友好、循序渐进的教程，偶尔会参考以前教程的一些步骤，以帮助你尽量避免在开发TensorFlow移动应用程序时可能遇到的所有问题，同时也避免重蹈覆辙。
何时阅读本书
人工智能，或其最热门的分支——机器学习，或最热门的子分支——深度学习，近年来取得了快速发展。TensorFlow的新版本也因此得到Google公司的大力支持，并拥有所有开源机器学习框架中最受欢迎的开发人员社区。书中所有的iOS、Android和Python代码已经过相关TensorFlow版本的测试。当然，当你阅读本书时，最新的TensorFlow版本会更高。
事实证明，不必过于担心TensorFlow版本的问题；本书中的代码极大概率可以在最新的TensorFlow版本上正常运行。在以后的版本中，默
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
