"通過本書，你將學會如何使用TensorFlow進行移動端機器學習應用的開發，以及了解如下內容：● TensorFlow對移動平臺支持的起源和思路● TensorFlow對硬件加速技術的支持● TensorFlow Lite的架構和實現原理● TensorFlow在各種移動平臺和嵌入式平臺上的開發實例● 基於TensorFlow和谷歌雲進行機器學習的方法● 基於TensorFlow的機器學習服務框架● 基於TensorFlow的各種開源技術和工程實踐"

●目    錄第1章 機器學習和TensorFlow簡述11.1 機器學習和TensorFlow的歷史及發展現狀11.1.1 人工智能和機器學習11.1.2 TensorFlow31.1.3 TensorFlow Mobile51.1.4 TensorFlow Lite51.2 在移動設備上運行機器學習的應用61.2.1 生態和現狀71.2.2 從移動優先到人工智能優先81.2.3 人工智能的發展91.2.4 在移動設備上進行機器學習的難點和挑戰91.2.5 TPU101.3 機器學習框架111.3.1 CAFFE2111.3.2 Android NNAPI121.3.3 CoreML121.3.4 樹莓派（Raspberry Pi）13第2章 構建開發環境142.1 開發主機和設備的選擇142.2 在網絡代理環境下開發152.3 集成開發環境IDE162.3.1 Android Studio162.3.2 Visual Studio Code162.3.3 其他IDE182.4 構建工具Bazel182.4.1 Bazel生成調試192.4.2 Bazel Query命令202.5 裝載TensorFlow202.6 文檔25第3章 基於移動端的機器學習的開發方式和流程263.1 開發方式和流程簡介263.2 使用TPU進行訓練283.3 設備端進行機器學習訓練353.4 使用TensorFlow Serving優化TensorFlow模型413.4.1 訓練和導出TensorFlow模型423.4.2 使用標準TensorFlow ModelServer加載導出的模型503.4.3 測試服務器503.5 TensorFlow擴展（Extended）54第4章 構建TensorFlow Mobile554.1 TensorFlow Mobile的歷史554.2 TensorFlow代碼結構554.3 構建及運行614.3.1 代碼的流程674.3.2 代碼的依賴性684.3.3 性能和代碼跟蹤69第5章 用TensorFlow Mobile構建機器學習應用715.1 準備工作715.2 圖像分類（Image Classification）745.2.1 應用745.2.2 模型855.3 物體檢測（Object Detection）875.3.1 應用875.3.2 模型925.4 時尚渲染（Stylization）955.4.1 應用955.4.2 模型965.5 聲音識別（Speech Recognization）965.5.1 應用965.5.2 模型99第6章 TensorFlow Lite的架構1016.1 模型格式1026.1.1 Protocol Buffer1026.1.2 FlatBuffers1056.1.3 模型結構1126.1.4 轉換器（Toco）1136.1.5 解析器（Interpreter）1196.2 底層結構和設計1236.2.1 設計目標1236.2.2 錯誤反饋1246.2.3 裝載模型1256.2.4 運行模型1266.2.5 定制演算子（CUSTOM Ops）1286.2.6 定制內核1326.3 工具1336.3.1 圖像標注（label_image）1336.3.2 最小集成（Minimal）1436.3.3 Graphviz1436.3.4 模型評效148第7章 用TensorFlow Lite構建機器學習應用1517.1 模型設計1517.1.1 使用預先訓練的模型1517.1.2 重新訓練1527.1.3 使用瓶頸（Bottleneck）1547.2 開發應用1587.2.1 程序接口1587.2.2 線程和性能1627.2.3 模型優化1637.3 TensorFlow Lite的應用1707.3.1 聲音識別1737.3.2 圖像識別1777.4 TensorFlow Lite使用GPU1787.4.1 GPU與CPU性能比較1787.4.2 開發GPU代理（Delegate）1787.5 訓練模型1827.5.1 仿真器1837.5.2 構建執行文件183第8章 移動端的機器學習開發1868.1 其他設備的支持1868.1.1 在iOS上運行TensorFlow的應用1868.1.2 在樹莓派上運行TensorFlow1898.2 設計和優化模型1908.2.1 模型大小1918.2.2 運行速度1928.2.3 可視化模型1968.2.4 線程1968.2.5 二進制文件大小1978.2.6 重新訓練移動數據1978.2.7 優化模型加載1988.2.8 保護模型文件1988.2.9 量化計算1998.2.10 使用量化計算2028.3 設計機器學習應用程序要點207第9章 TensorFlow的硬件加速2099.1 神經網絡接口2099.1.1 了解Neural Networks API運行時2109.1.2 Neural Networks API編程模型2119.1.3 NNAPI 實現的實例2139.2 硬件加速2229.2.1 高通網絡處理器2239.2.2 華為HiAI Engine2299.2.3 簡要比較2359.2.4 開放式神經網絡交換格式236第10章 機器學習應用框架23710.1 ML Kit23710.1.1 面部識別（Face Detection）24210.1.2 文本識別24710.1.3 條形碼識別24810.2 聯合學習（Federated Learning）248第11章 基於移動設備的機器學習的未來25211.1 TensorFlow 2.0和路線圖25211.1.1 更簡單的開發模型25311.1.2 更可靠的跨平臺的模型發布25411.1.3 TensorFlow Lite25411.1.4 TensorFlow 1.0 和TensorFlow 2.0的不同25511.2 人工智能的發展方向25511.2.1 提高人工智能的可解釋性25511.2.2 貢獻社會25611.2.3 改善社會258

TensorFlow已經成為機器學習的流行框架和工業屆標準，早期的TensorFlow以雲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，雲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很好工程實踐和經驗。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，也會使讀者受等

王眾磊 著

"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，我本來的想法隻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，但是對於TensorFlow在移動端的開發和應用還處於初始階段。我當時也剛剛結束一個TensorFlow項目，想把這些經驗和想法沉澱一下。於是我就把以前寫的筆記和日志重新整理，添加一些內容並修改了文字，基本形成了一個原始版本。後來，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，其中很多內容等