掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER
開本：
其他
頁數(shù)：
314
本類榜單：計算機/網(wǎng)絡(luò)銷量榜
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER 版權(quán)信息
- ISBN：9787302632344
- 條形碼：9787302632344 ; 978-7-302-63234-4
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER 本書特色
深度學(xué)習(xí)正迅速成為業(yè)界熱門的話題。《面向移動設(shè)備的深度學(xué)習(xí)—基于TensorFlow Lite，ML Kit和Flutter》采用以工業(yè)和移動應(yīng)用為中心的方法介紹深度學(xué)習(xí)的概念及其用例。本書將討論一系列項目，涵蓋移動視覺、面部識別、智能AI助手和增強現(xiàn)實等任務(wù)。
面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER 內(nèi)容簡介
《面向移動設(shè)備的深度學(xué)習(xí)—基于TensorFlow Lite，ML Kit和Flutter》詳細闡述了與移動設(shè)備深度學(xué)習(xí)開發(fā)相關(guān)的基本解決方案，主要包括使用設(shè)備內(nèi)置模型執(zhí)行人臉檢測、開發(fā)智能聊天機器人、識別植物物種、生成實時字幕、構(gòu)建人工智能認證系統(tǒng)、使用AI生成音樂、基于強化神經(jīng)網(wǎng)絡(luò)的國際象棋引擎、構(gòu)建超分辨率圖像應(yīng)用程序等內(nèi)容。此外，本書還提供了相應(yīng)的示例、代碼，以幫助讀者進一步理解相關(guān)方案的實現(xiàn)過程。 本書適合作為高等院校計算機及相關(guān)專業(yè)的教材和教學(xué)參考書，也可作為相關(guān)開發(fā)人員的自學(xué)用書和參考手冊。
面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER 目錄
第1章 移動設(shè)備深度學(xué)習(xí)簡介 1
1.1 人工智能驅(qū)動的移動設(shè)備的增長 1
1.1.1 支持人工智能的硬件變化 1
1.1.2 移動設(shè)備需要AI芯片的原因 2
1.1.3 使用AI在移動設(shè)備上改善用戶體驗 3
1.1.4 個性化 3
1.1.5 虛擬助手 3
1.1.6 面部識別 4
1.1.7 人工智能驅(qū)動的相機 5
1.1.8 預(yù)測文本 6
1.1.9 流行的使用人工智能的移動應(yīng)用程序 7
1.1.10 Netflix 7
1.1.11 Seeing AI 8
1.1.12 Allo 8
1.1.13 English Language Speech Assistant 8
1.1.14 Socratic 8
1.2 機器學(xué)習(xí)和深度學(xué)習(xí) 9
1.2.1 機器學(xué)習(xí)詳解 9
1.2.2 深度學(xué)習(xí)詳解 10
1.2.3 輸入層 11
1.2.4 隱藏層 11
1.2.5 輸出層 11
1.2.6 激活函數(shù) 12
1.3 一些常見的深度學(xué)習(xí)架構(gòu) 12
1.3.1 卷積神經(jīng)網(wǎng)絡(luò) 12
1.3.2 生成對抗網(wǎng)絡(luò) 14
1.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 15
1.3.4 長短期記憶網(wǎng)絡(luò) 16
1.4 強化學(xué)習(xí)和NLP 16
1.4.1 強化學(xué)習(xí) 17
1.4.2 自然語言處理 17
1.5 在Android和iOS上集成人工智能的方法 18
1.5.1 Firebase ML Kit 18
1.5.2 Core ML 19
1.5.3 Caffe 2 20
1.5.4 TensorFlow 20
1.6 小結(jié) 22
第2章 移動視覺—使用設(shè)備內(nèi)置模型執(zhí)行人臉檢測 23
2.1 技術(shù)要求 23
2.2 圖像處理簡介 23
2.2.1 理解圖像 24
2.2.2 操作圖像 25
2.2.3 旋轉(zhuǎn) 25
2.2.4 灰度轉(zhuǎn)換 26
2.3 使用Flutter開發(fā)人臉檢測應(yīng)用程序 27
2.3.1 添加pub依賴項 27
2.3.2 構(gòu)建應(yīng)用程序 28
2.3.3 創(chuàng)建個屏幕 30
2.3.4 構(gòu)建行標(biāo)題 31
2.3.5 使用按鈕小部件構(gòu)建行 31
2.3.6 創(chuàng)建整個用戶界面 34
2.3.7 創(chuàng)建第二個屏幕 35
2.3.8 獲取圖像文件 35
2.3.9 分析圖像以檢測人臉 36
2.3.10 標(biāo)記檢測到的人臉 37
2.3.11 在屏幕上顯示終圖像 39
2.3.12 創(chuàng)建終的應(yīng)用程序 40
2.4 小結(jié) 41
第3章 使用Actions on Google平臺開發(fā)智能聊天機器人 43
3.1 技術(shù)要求 43
3.2 了解可用于創(chuàng)建聊天機器人的工具 44
3.2.1 Wit.ai 44
3.2.2 Dialogflow 45
3.2.3 Dialogflow工作原理 45
3.3 創(chuàng)建Dialogflow賬戶 47
3.4 創(chuàng)建Dialogflow代理 48
3.5 了解Dialogflow控制臺 49
3.5.1 使用Dialogflow控制臺 49
3.5.2 創(chuàng)建Intent并抓取實體 50
3.6 創(chuàng)建你的個Google Action 51
3.6.1 Actions on Google平臺和Google Assistant的關(guān)系 51
3.6.2 Actions on Google平臺的意義 51
3.7 創(chuàng)建Actions on Google項目 53
3.7.1 創(chuàng)建Actions on Google項目示例 53
3.7.2 創(chuàng)建與Google Assistant的集成 54
3.8 實現(xiàn)Webhook 56
3.9 將Webhook部署到Cloud Functions 58
3.10 創(chuàng)建一個Actions on Google版本 58
3.11 為對話式應(yīng)用程序創(chuàng)建用戶界面 60
3.11.1 創(chuàng)建文本控制器 61
3.11.2 創(chuàng)建ChatMessage 63
3.12 集成Dialogflow代理 68
3.13 添加與Assistant的音頻交互 70
3.13.1 添加插件 70
3.13.2 添加SpeechRecognition 71
3.13.3 添加麥克風(fēng)按鈕 72
3.14 小結(jié) 75
第4章 識別植物物種 77
4.1 技術(shù)要求 77
4.2 圖像分類簡介 78
4.3 了解項目架構(gòu) 78
4.4 Cloud Vision API簡介 80
4.5 配置Cloud Vision API以進行圖像識別 82
4.5.1 啟用Cloud Vision API 82
4.5.2 創(chuàng)建Cloud Vision API密鑰 84
4.6 使用SDK/工具構(gòu)建模型 85
4.6.1 自定義模型的兩種方法 85
4.6.2 Google Colaboratory簡介 86
4.7 創(chuàng)建用于圖像識別的自定義TensorFlow Lite模型 88
4.8 創(chuàng)建Flutter應(yīng)用程序 93
4.8.1 在兩種不同的模型之間進行選擇 94
4.8.2 創(chuàng)建第二個屏幕 97
4.8.3 創(chuàng)建用戶界面 97
4.8.4 添加功能 99
4.8.5 在屏幕上顯示所選圖像 100
4.9 運行圖像識別程序 102
4.9.1 使用Cloud Vision API 102
4.9.2 使用設(shè)備內(nèi)置的TensorFlow Lite模型 104
4.9.3 使用結(jié)果更新用戶界面 107
4.10 小結(jié) 110
第5章 為攝像頭畫面生成實時字幕 111
5.1 設(shè)計項目架構(gòu) 111
5.2 理解圖像字幕生成器 112
5.2.1 了解數(shù)據(jù)集 114
5.2.2 構(gòu)建圖像字幕生成模型 116
5.2.3 初始化字幕數(shù)據(jù)集 116
5.2.4 準(zhǔn)備字幕數(shù)據(jù)集 118
5.2.5 訓(xùn)練 120
5.2.6 測試 126
5.2.7 創(chuàng)建一個簡單的一鍵部署圖像字幕生成模型 127
5.3 了解攝像頭插件 132
5.3.1 安裝攝像頭插件 133
5.3.2 添加持久存儲和正確執(zhí)行的方法 133
5.3.3 編寫代碼 133
5.4 創(chuàng)建攝像頭應(yīng)用程序 134
5.4.1 攝像頭應(yīng)用程序組成部分 134
5.4.2 構(gòu)建攝像頭預(yù)覽 135
5.4.3 從攝像頭生成圖像字幕 138
5.5 創(chuàng)建終應(yīng)用程序 142
5.6 小結(jié) 143
第6章 構(gòu)建人工智能認證系統(tǒng) 145
6.1 技術(shù)要求 145
6.2 一個簡單的登錄應(yīng)用程序 145
6.2.1 登錄應(yīng)用程序的流程圖 145
6.2.2 創(chuàng)建用戶界面 147
6.3 添加Firebase身份驗證功能 153
6.3.1 創(chuàng)建auth.dart 155
6.3.2 在SignupSigninScreen中添加身份驗證功能 158
6.3.3 創(chuàng)建MainScreen 159
6.3.4 創(chuàng)建HomeScreen 161
6.3.5 創(chuàng)建main.dart 163
6.4 了解身份驗證的異常檢測 164
6.5 用于驗證用戶的自定義模型 165
6.5.1 為檢查身份認證的有效性構(gòu)建模型 165
6.5.2 托管自定義身份認證的驗證模型 168
6.6 實現(xiàn)ReCaptcha以防止垃圾郵件 170
6.6.1 關(guān)于ReCaptcha v2 171
6.6.2 獲取API密鑰 171
6.6.3 代碼集成 173
6.7 在Flutter中部署模型 175
6.8 小結(jié) 177
第7章 語音/多媒體處理—使用AI生成音樂 179
7.1 設(shè)計項目的架構(gòu) 179
7.2 理解多媒體處理 180
7.2.1 圖像處理 181
7.2.2 音頻處理 186
7.2.3 Magenta 187
7.2.4 視頻處理 189
7.3 開發(fā)基于RNN的音樂生成模型 192
7.3.1 創(chuàng)建基于LSTM的模型 193
7.3.2 使用Flask部署模型 196
7.4 在Android和iOS上部署音頻生成API 200
7.4.1 創(chuàng)建UI 201
7.4.2 添加音頻播放器 204
7.4.3 部署模型 206
7.4.4 創(chuàng)建終應(yīng)用程序 209
7.5 小結(jié) 210
第8章 基于強化神經(jīng)網(wǎng)絡(luò)的國際象棋引擎 211
8.1 強化學(xué)習(xí)簡介 211
8.2 手機游戲中的強化學(xué)習(xí) 213
8.3 探索Google的DeepMind 214
8.3.1 AlphaGo 214
8.3.2 Alpha Zero 215
8.3.3 蒙特卡羅樹搜索 216
8.4 用于Connect 4游戲的類Alpha Zero AI 218
8.4.1 創(chuàng)建棋盤的虛擬表示 220
8.4.2 允許根據(jù)游戲規(guī)則移動 222
8.4.3 狀態(tài)管理系統(tǒng) 224
8.4.4 生成游戲玩法 225
8.4.5 生成游戲玩法樣本 226
8.4.6 系統(tǒng)訓(xùn)練 227
8.4.7 蒙特卡羅樹搜索實現(xiàn) 228
8.4.8 神經(jīng)網(wǎng)絡(luò)實現(xiàn) 228
8.4.9 創(chuàng)建驅(qū)動腳本 229
8.5 基礎(chǔ)項目架構(gòu) 231
8.6 為國際象棋引擎開發(fā)GCP托管的REST API 231
8.6.1 了解通用國際象棋接口 233
8.6.2 在GCP上部署 235
8.6.3 請求增加GPU實例的配額 235
8.6.4 創(chuàng)建GPU實例 236
8.6.5 部署腳本 237
8.7 在Android上創(chuàng)建一個簡單的國際象棋UI 241
8.7.1 向pubspec.yaml添加依賴項 242
8.7.2 理解映射結(jié)構(gòu) 243
8.7.3 放置棋子的實際圖像 245
8.7.4 使棋子可移動 248
8.8 將國際象棋引擎API與UI集成 250
8.8.1 游戲邏輯 250
8.8.2 創(chuàng)建終應(yīng)用程序 254
8.9 小結(jié) 255
第9章 構(gòu)建超分辨率圖像應(yīng)用程序 257
9.1 基本項目架構(gòu) 257
9.2 理解GAN 258
9.3 了解圖像超分辨率的工作原理 261
9.3.1 理解圖像分辨率 262
9.3.2 像素分辨率 262
9.3.3 空間分辨率 262
9.3.4 時間分辨率 263
9.3.5 光譜分辨率 263
9.3.6 輻射分辨率 263
9.3.7 理解SRGAN 264
9.4 為超分辨率創(chuàng)建TensorFlow模型 265
9.4.1 項目目錄結(jié)構(gòu) 265
9.4.2 為超分辨率創(chuàng)建SRGAN模型 265
9.5 為應(yīng)用程序構(gòu)建UI 267
9.6 從設(shè)備的本地存儲中獲取圖片 271
9.7 在DigitalOcean上托管TensorFlow模型 273
9.7.1 創(chuàng)建一個Flask服務(wù)器腳本 274
9.7.2 將Flask腳本部署到DigitalOcean Droplet 275
9.8 在Flutter上集成托管的自定義模型 279
9.9 創(chuàng)建終應(yīng)用程序 282
9.10 小結(jié) 283
第10章 未來之路 285
10.1 了解移動應(yīng)用程序在深度學(xué)習(xí)方面的趨勢 285
10.1.1 Math Solver 285
10.1.2 Netflix 286
10.1.3 Google Map 287
10.1.4 Tinder 287
10.1.5 Snapchat 287
10.2 探索移動設(shè)備上深度學(xué)習(xí)的發(fā)展 288
10.2.1 Google MobileNet 288
10.2.2 阿里巴巴移動神經(jīng)網(wǎng)絡(luò) 289
10.3 探索移動應(yīng)用程序中深度學(xué)習(xí)的當(dāng)前研究領(lǐng)域 289
10.3.1 時裝圖像 290
10.3.2 自注意力生成對抗網(wǎng)絡(luò) 290
10.3.3 圖像動態(tài)化 291
10.4 小結(jié) 292
附錄A 293
A.1 在云端虛擬機上設(shè)置深度學(xué)習(xí)環(huán)境 293
A.1.1 創(chuàng)建GCP賬號并啟用結(jié)算功能 293
A.1.2 創(chuàng)建項目和GCP計算引擎實例 295
A.1.3 配置VM實例以執(zhí)行深度學(xué)習(xí) 296
A.1.4 在虛擬機上安裝TensorFlow 299
A.1.5 在虛擬機上安裝NLTK并下載數(shù)據(jù)包 300
A.2 安裝Dart SDK 300
A.2.1 Windows 300
A.2.2 macOS 301
A.2.3 Linux 301
A.3 安裝Flutter SDK 301
A.3.1 Windows 302
A.3.2 macOS 303
A.3.3 Linux 304
A.4 配置Firebase 305
A.4.1 創(chuàng)建Firebase項目 305
A.4.2 配置Android項目 306
A.4.3 配置iOS項目 308
A.5 設(shè)置Visual Studio Code 310
A.5.1 安裝Flutter和Dart插件 311
A.5.2 使用flutter doctor驗證設(shè)置 311
A.5.3 創(chuàng)建個Flutter應(yīng)用程序 312
A.5.4 運行應(yīng)用程序 313
A.5.5 嘗試熱重載 314
1.1 人工智能驅(qū)動的移動設(shè)備的增長 1
1.1.1 支持人工智能的硬件變化 1
1.1.2 移動設(shè)備需要AI芯片的原因 2
1.1.3 使用AI在移動設(shè)備上改善用戶體驗 3
1.1.4 個性化 3
1.1.5 虛擬助手 3
1.1.6 面部識別 4
1.1.7 人工智能驅(qū)動的相機 5
1.1.8 預(yù)測文本 6
1.1.9 流行的使用人工智能的移動應(yīng)用程序 7
1.1.10 Netflix 7
1.1.11 Seeing AI 8
1.1.12 Allo 8
1.1.13 English Language Speech Assistant 8
1.1.14 Socratic 8
1.2 機器學(xué)習(xí)和深度學(xué)習(xí) 9
1.2.1 機器學(xué)習(xí)詳解 9
1.2.2 深度學(xué)習(xí)詳解 10
1.2.3 輸入層 11
1.2.4 隱藏層 11
1.2.5 輸出層 11
1.2.6 激活函數(shù) 12
1.3 一些常見的深度學(xué)習(xí)架構(gòu) 12
1.3.1 卷積神經(jīng)網(wǎng)絡(luò) 12
1.3.2 生成對抗網(wǎng)絡(luò) 14
1.3.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 15
1.3.4 長短期記憶網(wǎng)絡(luò) 16
1.4 強化學(xué)習(xí)和NLP 16
1.4.1 強化學(xué)習(xí) 17
1.4.2 自然語言處理 17
1.5 在Android和iOS上集成人工智能的方法 18
1.5.1 Firebase ML Kit 18
1.5.2 Core ML 19
1.5.3 Caffe 2 20
1.5.4 TensorFlow 20
1.6 小結(jié) 22
第2章 移動視覺—使用設(shè)備內(nèi)置模型執(zhí)行人臉檢測 23
2.1 技術(shù)要求 23
2.2 圖像處理簡介 23
2.2.1 理解圖像 24
2.2.2 操作圖像 25
2.2.3 旋轉(zhuǎn) 25
2.2.4 灰度轉(zhuǎn)換 26
2.3 使用Flutter開發(fā)人臉檢測應(yīng)用程序 27
2.3.1 添加pub依賴項 27
2.3.2 構(gòu)建應(yīng)用程序 28
2.3.3 創(chuàng)建個屏幕 30
2.3.4 構(gòu)建行標(biāo)題 31
2.3.5 使用按鈕小部件構(gòu)建行 31
2.3.6 創(chuàng)建整個用戶界面 34
2.3.7 創(chuàng)建第二個屏幕 35
2.3.8 獲取圖像文件 35
2.3.9 分析圖像以檢測人臉 36
2.3.10 標(biāo)記檢測到的人臉 37
2.3.11 在屏幕上顯示終圖像 39
2.3.12 創(chuàng)建終的應(yīng)用程序 40
2.4 小結(jié) 41
第3章 使用Actions on Google平臺開發(fā)智能聊天機器人 43
3.1 技術(shù)要求 43
3.2 了解可用于創(chuàng)建聊天機器人的工具 44
3.2.1 Wit.ai 44
3.2.2 Dialogflow 45
3.2.3 Dialogflow工作原理 45
3.3 創(chuàng)建Dialogflow賬戶 47
3.4 創(chuàng)建Dialogflow代理 48
3.5 了解Dialogflow控制臺 49
3.5.1 使用Dialogflow控制臺 49
3.5.2 創(chuàng)建Intent并抓取實體 50
3.6 創(chuàng)建你的個Google Action 51
3.6.1 Actions on Google平臺和Google Assistant的關(guān)系 51
3.6.2 Actions on Google平臺的意義 51
3.7 創(chuàng)建Actions on Google項目 53
3.7.1 創(chuàng)建Actions on Google項目示例 53
3.7.2 創(chuàng)建與Google Assistant的集成 54
3.8 實現(xiàn)Webhook 56
3.9 將Webhook部署到Cloud Functions 58
3.10 創(chuàng)建一個Actions on Google版本 58
3.11 為對話式應(yīng)用程序創(chuàng)建用戶界面 60
3.11.1 創(chuàng)建文本控制器 61
3.11.2 創(chuàng)建ChatMessage 63
3.12 集成Dialogflow代理 68
3.13 添加與Assistant的音頻交互 70
3.13.1 添加插件 70
3.13.2 添加SpeechRecognition 71
3.13.3 添加麥克風(fēng)按鈕 72
3.14 小結(jié) 75
第4章 識別植物物種 77
4.1 技術(shù)要求 77
4.2 圖像分類簡介 78
4.3 了解項目架構(gòu) 78
4.4 Cloud Vision API簡介 80
4.5 配置Cloud Vision API以進行圖像識別 82
4.5.1 啟用Cloud Vision API 82
4.5.2 創(chuàng)建Cloud Vision API密鑰 84
4.6 使用SDK/工具構(gòu)建模型 85
4.6.1 自定義模型的兩種方法 85
4.6.2 Google Colaboratory簡介 86
4.7 創(chuàng)建用于圖像識別的自定義TensorFlow Lite模型 88
4.8 創(chuàng)建Flutter應(yīng)用程序 93
4.8.1 在兩種不同的模型之間進行選擇 94
4.8.2 創(chuàng)建第二個屏幕 97
4.8.3 創(chuàng)建用戶界面 97
4.8.4 添加功能 99
4.8.5 在屏幕上顯示所選圖像 100
4.9 運行圖像識別程序 102
4.9.1 使用Cloud Vision API 102
4.9.2 使用設(shè)備內(nèi)置的TensorFlow Lite模型 104
4.9.3 使用結(jié)果更新用戶界面 107
4.10 小結(jié) 110
第5章 為攝像頭畫面生成實時字幕 111
5.1 設(shè)計項目架構(gòu) 111
5.2 理解圖像字幕生成器 112
5.2.1 了解數(shù)據(jù)集 114
5.2.2 構(gòu)建圖像字幕生成模型 116
5.2.3 初始化字幕數(shù)據(jù)集 116
5.2.4 準(zhǔn)備字幕數(shù)據(jù)集 118
5.2.5 訓(xùn)練 120
5.2.6 測試 126
5.2.7 創(chuàng)建一個簡單的一鍵部署圖像字幕生成模型 127
5.3 了解攝像頭插件 132
5.3.1 安裝攝像頭插件 133
5.3.2 添加持久存儲和正確執(zhí)行的方法 133
5.3.3 編寫代碼 133
5.4 創(chuàng)建攝像頭應(yīng)用程序 134
5.4.1 攝像頭應(yīng)用程序組成部分 134
5.4.2 構(gòu)建攝像頭預(yù)覽 135
5.4.3 從攝像頭生成圖像字幕 138
5.5 創(chuàng)建終應(yīng)用程序 142
5.6 小結(jié) 143
第6章 構(gòu)建人工智能認證系統(tǒng) 145
6.1 技術(shù)要求 145
6.2 一個簡單的登錄應(yīng)用程序 145
6.2.1 登錄應(yīng)用程序的流程圖 145
6.2.2 創(chuàng)建用戶界面 147
6.3 添加Firebase身份驗證功能 153
6.3.1 創(chuàng)建auth.dart 155
6.3.2 在SignupSigninScreen中添加身份驗證功能 158
6.3.3 創(chuàng)建MainScreen 159
6.3.4 創(chuàng)建HomeScreen 161
6.3.5 創(chuàng)建main.dart 163
6.4 了解身份驗證的異常檢測 164
6.5 用于驗證用戶的自定義模型 165
6.5.1 為檢查身份認證的有效性構(gòu)建模型 165
6.5.2 托管自定義身份認證的驗證模型 168
6.6 實現(xiàn)ReCaptcha以防止垃圾郵件 170
6.6.1 關(guān)于ReCaptcha v2 171
6.6.2 獲取API密鑰 171
6.6.3 代碼集成 173
6.7 在Flutter中部署模型 175
6.8 小結(jié) 177
第7章 語音/多媒體處理—使用AI生成音樂 179
7.1 設(shè)計項目的架構(gòu) 179
7.2 理解多媒體處理 180
7.2.1 圖像處理 181
7.2.2 音頻處理 186
7.2.3 Magenta 187
7.2.4 視頻處理 189
7.3 開發(fā)基于RNN的音樂生成模型 192
7.3.1 創(chuàng)建基于LSTM的模型 193
7.3.2 使用Flask部署模型 196
7.4 在Android和iOS上部署音頻生成API 200
7.4.1 創(chuàng)建UI 201
7.4.2 添加音頻播放器 204
7.4.3 部署模型 206
7.4.4 創(chuàng)建終應(yīng)用程序 209
7.5 小結(jié) 210
第8章 基于強化神經(jīng)網(wǎng)絡(luò)的國際象棋引擎 211
8.1 強化學(xué)習(xí)簡介 211
8.2 手機游戲中的強化學(xué)習(xí) 213
8.3 探索Google的DeepMind 214
8.3.1 AlphaGo 214
8.3.2 Alpha Zero 215
8.3.3 蒙特卡羅樹搜索 216
8.4 用于Connect 4游戲的類Alpha Zero AI 218
8.4.1 創(chuàng)建棋盤的虛擬表示 220
8.4.2 允許根據(jù)游戲規(guī)則移動 222
8.4.3 狀態(tài)管理系統(tǒng) 224
8.4.4 生成游戲玩法 225
8.4.5 生成游戲玩法樣本 226
8.4.6 系統(tǒng)訓(xùn)練 227
8.4.7 蒙特卡羅樹搜索實現(xiàn) 228
8.4.8 神經(jīng)網(wǎng)絡(luò)實現(xiàn) 228
8.4.9 創(chuàng)建驅(qū)動腳本 229
8.5 基礎(chǔ)項目架構(gòu) 231
8.6 為國際象棋引擎開發(fā)GCP托管的REST API 231
8.6.1 了解通用國際象棋接口 233
8.6.2 在GCP上部署 235
8.6.3 請求增加GPU實例的配額 235
8.6.4 創(chuàng)建GPU實例 236
8.6.5 部署腳本 237
8.7 在Android上創(chuàng)建一個簡單的國際象棋UI 241
8.7.1 向pubspec.yaml添加依賴項 242
8.7.2 理解映射結(jié)構(gòu) 243
8.7.3 放置棋子的實際圖像 245
8.7.4 使棋子可移動 248
8.8 將國際象棋引擎API與UI集成 250
8.8.1 游戲邏輯 250
8.8.2 創(chuàng)建終應(yīng)用程序 254
8.9 小結(jié) 255
第9章 構(gòu)建超分辨率圖像應(yīng)用程序 257
9.1 基本項目架構(gòu) 257
9.2 理解GAN 258
9.3 了解圖像超分辨率的工作原理 261
9.3.1 理解圖像分辨率 262
9.3.2 像素分辨率 262
9.3.3 空間分辨率 262
9.3.4 時間分辨率 263
9.3.5 光譜分辨率 263
9.3.6 輻射分辨率 263
9.3.7 理解SRGAN 264
9.4 為超分辨率創(chuàng)建TensorFlow模型 265
9.4.1 項目目錄結(jié)構(gòu) 265
9.4.2 為超分辨率創(chuàng)建SRGAN模型 265
9.5 為應(yīng)用程序構(gòu)建UI 267
9.6 從設(shè)備的本地存儲中獲取圖片 271
9.7 在DigitalOcean上托管TensorFlow模型 273
9.7.1 創(chuàng)建一個Flask服務(wù)器腳本 274
9.7.2 將Flask腳本部署到DigitalOcean Droplet 275
9.8 在Flutter上集成托管的自定義模型 279
9.9 創(chuàng)建終應(yīng)用程序 282
9.10 小結(jié) 283
第10章 未來之路 285
10.1 了解移動應(yīng)用程序在深度學(xué)習(xí)方面的趨勢 285
10.1.1 Math Solver 285
10.1.2 Netflix 286
10.1.3 Google Map 287
10.1.4 Tinder 287
10.1.5 Snapchat 287
10.2 探索移動設(shè)備上深度學(xué)習(xí)的發(fā)展 288
10.2.1 Google MobileNet 288
10.2.2 阿里巴巴移動神經(jīng)網(wǎng)絡(luò) 289
10.3 探索移動應(yīng)用程序中深度學(xué)習(xí)的當(dāng)前研究領(lǐng)域 289
10.3.1 時裝圖像 290
10.3.2 自注意力生成對抗網(wǎng)絡(luò) 290
10.3.3 圖像動態(tài)化 291
10.4 小結(jié) 292
附錄A 293
A.1 在云端虛擬機上設(shè)置深度學(xué)習(xí)環(huán)境 293
A.1.1 創(chuàng)建GCP賬號并啟用結(jié)算功能 293
A.1.2 創(chuàng)建項目和GCP計算引擎實例 295
A.1.3 配置VM實例以執(zhí)行深度學(xué)習(xí) 296
A.1.4 在虛擬機上安裝TensorFlow 299
A.1.5 在虛擬機上安裝NLTK并下載數(shù)據(jù)包 300
A.2 安裝Dart SDK 300
A.2.1 Windows 300
A.2.2 macOS 301
A.2.3 Linux 301
A.3 安裝Flutter SDK 301
A.3.1 Windows 302
A.3.2 macOS 303
A.3.3 Linux 304
A.4 配置Firebase 305
A.4.1 創(chuàng)建Firebase項目 305
A.4.2 配置Android項目 306
A.4.3 配置iOS項目 308
A.5 設(shè)置Visual Studio Code 310
A.5.1 安裝Flutter和Dart插件 311
A.5.2 使用flutter doctor驗證設(shè)置 311
A.5.3 創(chuàng)建個Flutter應(yīng)用程序 312
A.5.4 運行應(yīng)用程序 313
A.5.5 嘗試熱重載 314
展開全部
面向移動設(shè)備的深度學(xué)習(xí)——基于TENSORFLOW LITE,ML KIT 和FLUTTER 作者簡介
安努巴哈夫·辛格是 The Code Foundation 的創(chuàng)始人，這是一家專注于人工智能的初創(chuàng)公司，致力于多媒體處理和自然語言處理，目標(biāo)是讓每個人都可以使用人工智能。Anubhav是Venkat Panchapakesan紀(jì)念獎學(xué)金的獲得者，并獲得“英特爾軟件創(chuàng)新者”稱號。Anubhav喜歡分享自己學(xué)到的知識，并且是Google Developers Group（谷歌開發(fā)者社區(qū)）的活躍發(fā)言人，經(jīng)常熱心指導(dǎo)他人進行機器學(xué)習(xí)。
書友推薦
- >
巴金－再思錄
- >
莉莉和章魚
- >
隨園食單
- >
山海經(jīng)
- >
詩經(jīng)-先民的歌唱
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
中國歷史的瞬間
- >
唐代進士錄
本類暢銷
