正版 移动端AI与ML应用开发 基于iOS和Android 劳伦斯 莫罗尼 人工智能 机器学习 计算机视觉 人脸检测

商品名称：

移动端AI与ML应用开发：基于iOS和Android

作      者：

市  场 价：

ISBN  号：

出版日期：

页      数：

开      本：

出  版 社：

 机械工业出版社

前言 1

第1章 人工智能和机器学习简介 7

1.1 什么是人工智能 7

1.2 什么是机器学习 8

1.2.1 从传统编程转向机器学习 9

1.2.2 机器如何学习 12

1.2.3 机器学习与传统编程的比较 17

1.3 在移动设备上构建和使用模型 18

1.4 总结 18

第2章 计算机视觉简介 19

2.1 为视觉使用神经元 19

2.1.1 你的第一个分类器：识别衣物 24

2.1.2 数据：Fashion MNIST 24

2.1.3 解析Fashion MNIST的模型架构 26

2.1.4 编写Fashion MNIST 模型 27

2.2 计算机视觉的迁移学习 31

2.3 总结 34

第3章 ML Kit简介 35

3.1 在Android上构建人脸检测应用程序 36

3.1.1 第1步：使用Android Studio创建应用程序 36

3.1.2 第2步：添加和配置ML Kit 38

3.1.3 第3步：定义用户界面 39

3.1.4 第4步：将图像添加为资产 41

3.1.5 第5步：使用默认图片加载UI 41

3.1.6 第6步：调用人脸检测器 43

3.1.7 第7步：添加边界矩形 44

3.2 为iOS构建人脸检测器应用程序 46

3.2.1 第1步：在Xcode中创建项目 46

3.2.2 第2步：使用 CocoaPods 和podfile 47

3.2.3 第3步：创建用户界面 48

3.2.4 第 4步：添加应用程序逻辑 52

3.3 总结 55

第4章 Android上使用ML Kit的计算机视觉应用程序 56

4.1 图像标记和分类 56

4.1.1 第1步：创建应用程序并配置ML Kit 57

4.1.2 第2步：创建用户界面 57

4.1.3 第3步：将图像添加为资产 58

4.1.4 第4步：将图像加载到ImageView 59

4.1.5 第5步：编写按钮处理程序代码 59

4.1.6 下一步 62

4.2 物体检测 62

4.2.1 第1步：创建应用程序并导入ML Kit 63

4.2.2 第2步：创建活动布局 XML 63

4.2.3 第3步：将图像加载到 ImageView  63

4.2.4 第4步：设置物体检测器选项 64

4.2.5 第5步：处理按钮交互 65

4.2.6 第6步：绘制边界框 65

4.2.7 第7步：标记物体 67

4.3 检测和跟踪视频中的物体 68

4.3.1 探索布局 69

4.3.2 GraphicOverlay类 70

4.3.3 捕捉相机 70

4.3.4 ObjectAnalyzer类 71

4.3.5 ObjectGraphic 类 72

4.3.6 组合在一起 73

4.4 总结 73

第5章 Android上使用ML Kit的文本处理应用程序 74

5.1 实体提取 74

5.1.1 创建应用程序 75

5.1.2 为活动创建布局 76

5.1.3 编写实体提取代码 77

5.1.4 组合在一起 79

5.2 手写识别和其他识别 80

5.2.1 创建应用程序 81

5.2.2 创建绘图平面 82

5.2.3 使用ML Kit解析墨迹 84

5.3 智能回复对话 86

5.3.1 创建应用程序 86

5.3.2 模拟对话 87

5.3.3 生成智能回复 88

5.4 总结 88

第6章 iOS上使用ML Kit的计算机视觉应用程序 89

6.1 图像标记和分类 89

6.1.1 第1步：在 Xcode 中创建应用程序 90

6.1.2 第2步：创建podfile 90

6.1.3 第3步：设置故事板 92

6.1.4 第4步：编辑视图控制器代码来使用 ML Kit 93

6.2 使用ML Kit在iOS中进行物体检测 96

6.2.1 第1步：开始 97

6.2.2 第2步：在故事板上创建UI 98

6.2.3 第3步：为注释创建子视图 99

6.2.4 第4步：执行物体检测 100

6.2.5 第5步：处理回调函数 101

6.2.6 将物体检测与图像分类结合 103

6.2.7 视频中的物体检测和跟踪 104

6.3 总结 107

第7章 iOS上使用ML Kit的文本处理应用程序 108

7.1 实体提取 108

7.1.1 第1步：创建应用程序并添加 ML Kit pod 109

7.1.2 第2步：创建带有动作和输出的故事板 110

7.1.3 第3步：允许视图控制器用于文本输入 110

7.1.4 第4步：初始化模型 111

7.1.5 第5步：从文本中提取实体 112

7.2 手写识别 113

7.2.1 第1步：创建应用程序并添加ML Kit pod 114

7.2.2 第2步：创建故事板、动作和输出 115

7.2.3 第3步：笔画、点和墨迹 115

7.2.4 第4步：捕获用户输入 116

7.2.5 第5步：初始化模型 117

7.2.6 第6步：进行墨迹识别 118

7.3 智能回复对话 119

7.3.1 第1步：创建应用程序并集成 ML Kit 120

7.3.2 第2步：创建故事板、输出和动作 120

7.3.3 第3步：创建模拟对话 121

7.3.4 第4步：获取智能回复 123

7.4 总结 124

第8章 更深入：了解TensorFlow Lite 125

8.1 什么是 TensorFlow Lite 125

8.2 TensorFlow Lite 入门 127

8.2.1 保存模型 128

8.2.2 转换模型 128

8.2.3 使用独立解释器测试模型 129

8.3 创建一个 Android应用程序来托管TFLite 131

8.3.1 导入TFLite文件 133

8.3.2 编写Kotlin代码与模型交互 134

8.3.3 超越基础 137

8.4 创建一个 iOS 应用程序来托管 TFLite 140

8.4.1 第1步：创建一个基本的 iOS 应用程序 140

8.4.2 第2步：将 TensorFlow Lite 添加到项目中 141

8.4.3 第3步：创建用户界面 142

8.4.4 第4步：添加并初始化模型推理类 144

8.4.5 第 5 步：执行推理 147

8.4.6 第6步：将模型添加到应用程序中 149

8.4.7 第7步：添加UI逻辑 150

8.4.8 超越“Hello World”：处理图像 152

8.5 探索模型优化 155

8.5.1 量化 155

8.5.2 使用代表性数据 157

8.6 总结 158

第9章 创建自定义模型 159

9.1 使用TensorFlow Lite Model Maker创建模型 160

9.2 使用Cloud AutoML创建模型 164

9.3 使用TensorFlow和迁移学习创建模型 174

9.4 创建语言模型 176

9.5 总结 180

第10章 在Android中使用自定义模型 181

10.1 将模型桥接到 Android 181

10.2 从Model Maker输出构建图像分类应用程序 182

10.3 将Model Maker输出与 ML Kit 结合使用 187

10.4 使用语言模型 189

10.5 创建用于语言分类的 Android 应用程序 189

10.5.1 创建布局文件 190

10.5.2 对活动进行编码 191

10.6 总结 193

第11章 在iOS中使用自定义模型 194

11.1 将模型桥接到iOS 194

11.2 自定义模型图像分类器 196

11.2.1 第1步：创建应用程序并添加 TensorFlow Lite pod 196

11.2.2 第2步：创建 UI 和图像资产 197

11.2.3 第3步：加载和浏览图像资产 199

11.2.4 第4步：加载模型 199

11.2.5 第5步：将图像转换为输入张量 200

11.2.6 第6步：获取张量的推理 203

11.3 在ML Kit中使用自定义模型 204

11.4 在Swift中构建用于自然语言处理的应用程序 206

11.4.1 第1步：加载词汇 208

11.4.2 第2步：将句子转换为序列 209

11.4.3 第3步：扩展数组以处理不安全数据 210

11.4.4 第4步：将数组复制到数据缓冲区 211

11.4.5 第5步：对数据进行推理并处理结果 211

11.5 总结 212

第12章 使用Firebase产品化应用程序 213

12.1 为什么要使用Firebase自定义模型托管 213

12.2 创建多个模型版本 214

12.3 使用 Firebase 模型托管 215

12.3.1 第1步：创建 Firebase 项目 215

12.3.2 第 2 步：使用自定义模型托管 220

12.3.3 第 3 步：创建一个基本的 Android 应用程序 222

12.3.4 第4步：将Firebase添加到应用程序中 223

12.3.5 第5步：从Firebase模型托管获取模型 225

12.3.6 第6步：使用远程配置 226

12.3.7 第7步：读取应用程序中的远程配置 229

12.3.8 下一步 230

12.4 总结 231

第13章 为简单的iOS应用程序创建ML和 Core ML 232

13.1 使用Create ML构建Core ML 图像分类器 232

13.1.1 制作一个使用 Create ML 模型的 Core ML 应用程序 238

13.1.2 添加MLModel文件 239

13.1.3 运行推理 239

13.2 使用 Create ML 构建文本分类器 243

13.3 在应用程序中使用模型 245

13.4 总结 247

第14章 从移动应用程序访问基于云的模型 248

14.1 安装 TensorFlow Serving 249

14.1.1 使用 Docker 安装 249

14.1.2 在Linux上直接安装 250

14.2 构建和服务模型 251

14.3 从 Android 访问服务器模型 254

14.4 从iOS访问服务器模型 258

14.5 总结 260

第15章 移动应用程序的道德、公平和隐私 261

15.1 负责任的人工智能的道德、公平和隐私 262

15.1.1 负责任地定义你的问题 262

15.1.2 避免数据中的偏差 263

15.1.3 构建和训练模型 268

15.1.4 评估模型 269

15.2 Google的人工智能原则 271

15.3 总结 272

没有设备可以运行的话，人工智能将一无是处。既然移动设备已成为大多数人的主要计算设备，那么移动开发人员将AI添加到他们的工具箱中便至关重要。本书是你在iOS和Android等流行移动平台上创建和运行机器学习模型的实用指南。<br /><br />作者首先介绍了机器学习技术和工具，然后引导你使用ML Kit、TensorFlow Lite和Core ML等工具编写由常见ML模型（如计算机视觉和文本识别）驱动的Android和iOS应用程序。如果你是一名移动端应用开发者，本书将帮助你利用当今的ML技术。<br /><br />通过阅读本书，你将：<br />*探索在移动设备上实施ML和AI的选项。<br />*为iOS和Android创建ML模型。<br />*为iOS和Android编写ML Kit和TensorFlow Lite应用程序，为iOS编写Core ML/Create ML应用程序。<br />*为你的用例选择合适的技术和工具，例如，基于云的推理与移动端推理、高级API与低级API。<br />*了解移动端机器学习的隐私和伦理实践。