国产下药迷倒白嫩美女96,免费欧洲毛片A级视频

沒有設(shè)備可以運行的話，人工智能將一無是處。既然移動設(shè)備已成為大多數(shù)人的主要計算設(shè)備，那么移動開發(fā)人員將AI添加到他們的工具箱中便至關(guān)重要。本書是你在iOS和Android等流行移動平臺上創(chuàng)建和運行機器學習模型的實用指南。
作者首先介紹了機器學習技術(shù)和工具，然后引導你使用ML Kit、TensorFlow Lite和Core ML等工具編寫由常見ML模型（如計算機視覺和文本識別）驅(qū)動的Android和iOS應用程序。如果你是一名移動端應用開發(fā)者，本書將幫助你利用當今的ML技術(shù)。
通過閱讀本書，你將：
*探索在移動設(shè)備上實施ML和AI的選項。
*為iOS和Android創(chuàng)建ML模型。
*為iOS和Android編寫ML Kit和TensorFlow Lite應用程序，為iOS編寫Core ML/Create ML應用程序。
*為你的用例選擇合適的技術(shù)和工具，例如，基于云的推理與移動端推理、高級API與低級API。
*了解移動端機器學習的隱私和倫理實踐。

【目標讀者】
如果你是一名移動端應用開發(fā)者，喜歡編寫在Android或iOS上運行的代碼，并且喜歡通過應用程序或網(wǎng)站來取悅用戶，而又總是對機器學習如何融入你的工作流程感到好奇，那么本書很適合你！
【為什么寫這本書】
我在Google的目標是讓所有開發(fā)者都能輕松使用 AI，揭開看似神秘的數(shù)學面紗，讓每個人都能真正地掌握人工智能。實現(xiàn)這一目標的關(guān)鍵是讓移動開發(fā)者能夠使用機器學習來打開新的移動范式。
有一個古老的笑話，說的是在互聯(lián)網(wǎng)的早期，通常的建議是不要和陌生人說話，并且你絕對不應該乘坐一輛不熟悉的車。如今，由于范式的變化，我們愉快地召喚互聯(lián)網(wǎng)上的陌生人并上他們的車！這種行為是通過移動互聯(lián)網(wǎng)連接的計算設(shè)備實現(xiàn)的。現(xiàn)在，做事的方式已經(jīng)改變了。
我們可以用計算設(shè)備來創(chuàng)造新事物，而這種創(chuàng)造力將由機器學習提供動力。我只能猜測它們可能是什么！我寫這本書是為了幫助你，看一看你所擁有的眾多選擇。你將成為可以編寫改變一切的應用程序的人。
【閱讀建議】
如果你是一名想要了解機器學習的移動端應用開發(fā)者，那么從頭閱讀即可。如果你對特定的“入門”技術(shù)（例如 ML Kit 或 Create ML）有興趣，則有專門的章節(jié)供你參考。在本書的最后，我將討論你進一步學習時需要考慮的技術(shù)和技巧，例如使用 Firebase 的多模型托管以及你需要考慮的 AI 公平性工具。
【需要了解的技術(shù)】
深入研究在移動設(shè)備上使用模型之前，本書將向你簡單介紹機器學習。如果你想更深入地研究機器學習，那么可以參考我的AI and Machine Learning for Coders（同樣來自 O’Reilly）一書編輯注1。
本書將帶你了解一些用于移動端應用開發(fā)的示例場景，但并非為了教你使用 Kotlin 進行 Android 開發(fā)或使用 Swift 進行 iOS 開發(fā)。我們會在適當?shù)臅r候指導你獲取相關(guān)的學習資源。
【示例代碼】
可以從https://github.com/lmoroney/odmlbook下載補充材料（示例代碼、練習、勘誤等）。

前言1
第1章人工智能和機器學習簡介7
1.1 什么是人工智能7
1.2 什么是機器學習8
1.2.1 從傳統(tǒng)編程轉(zhuǎn)向機器學習9
1.2.2 機器如何學習12
1.2.3 機器學習與傳統(tǒng)編程的比較17
1.3 在移動設(shè)備上構(gòu)建和使用模型18
1.4 總結(jié)18
第2章計算機視覺簡介19
2.1 為視覺使用神經(jīng)元19
2.1.1 你的第一個分類器：識別衣物24
2.1.2 數(shù)據(jù)：Fashion MNIST24
2.1.3 解析Fashion MNIST的模型架構(gòu)26
2.1.4 編寫Fashion MNIST 模型27
2.2 計算機視覺的遷移學習31
2.3 總結(jié)34
第3章 ML Kit簡介35
3.1 在Android上構(gòu)建人臉檢測應用程序36
3.1.1 第1步：使用Android Studio創(chuàng)建應用程序36
3.1.2 第2步：添加和配置ML Kit38
3.1.3 第3步：定義用戶界面39
3.1.4 第4步：將圖像添加為資產(chǎn)41
3.1.5 第5步：使用默認圖片加載UI41
3.1.6 第6步：調(diào)用人臉檢測器43
3.1.7 第7步：添加邊界矩形44
3.2 為iOS構(gòu)建人臉檢測器應用程序46
3.2.1 第1步：在Xcode中創(chuàng)建項目46
3.2.2 第2步：使用 CocoaPods 和podfile47
3.2.3 第3步：創(chuàng)建用戶界面48
3.2.4 第 4步：添加應用程序邏輯52
3.3 總結(jié)55
第4章 Android上使用ML Kit的計算機視覺應用程序56
4.1 圖像標記和分類56
4.1.1 第1步：創(chuàng)建應用程序并配置ML Kit57
4.1.2 第2步：創(chuàng)建用戶界面57
4.1.3 第3步：將圖像添加為資產(chǎn)58
4.1.4 第4步：將圖像加載到ImageView59
4.1.5 第5步：編寫按鈕處理程序代碼59
4.1.6 下一步62
4.2 物體檢測62
4.2.1 第1步：創(chuàng)建應用程序并導入ML Kit63
4.2.2 第2步：創(chuàng)建活動布局 XML63
4.2.3 第3步：將圖像加載到 ImageView 63
4.2.4 第4步：設(shè)置物體檢測器選項64
4.2.5 第5步：處理按鈕交互65
4.2.6 第6步：繪制邊界框65
4.2.7 第7步：標記物體67
4.3 檢測和跟蹤視頻中的物體68
4.3.1 探索布局69
4.3.2 GraphicOverlay類70
4.3.3 捕捉相機70
4.3.4 ObjectAnalyzer類71
4.3.5 ObjectGraphic 類72
4.3.6 組合在一起73
4.4 總結(jié)73
第5章 Android上使用ML Kit的文本處理應用程序74
5.1 實體提取74
5.1.1 創(chuàng)建應用程序75
5.1.2 為活動創(chuàng)建布局76
5.1.3 編寫實體提取代碼77
5.1.4 組合在一起79
5.2 手寫識別和其他識別80
5.2.1 創(chuàng)建應用程序81
5.2.2 創(chuàng)建繪圖平面82
5.2.3 使用ML Kit解析墨跡84
5.3 智能回復對話86
5.3.1 創(chuàng)建應用程序86
5.3.2 模擬對話87
5.3.3 生成智能回復88
5.4 總結(jié)88
第6章 iOS上使用ML Kit的計算機視覺應用程序89
6.1 圖像標記和分類89
6.1.1 第1步：在 Xcode 中創(chuàng)建應用程序90
6.1.2 第2步：創(chuàng)建podfile90
6.1.3 第3步：設(shè)置故事板92
6.1.4 第4步：編輯視圖控制器代碼來使用 ML Kit93
6.2 使用ML Kit在iOS中進行物體檢測96
6.2.1 第1步：開始97
6.2.2 第2步：在故事板上創(chuàng)建UI98
6.2.3 第3步：為注釋創(chuàng)建子視圖99
6.2.4 第4步：執(zhí)行物體檢測100
6.2.5 第5步：處理回調(diào)函數(shù)101
6.2.6 將物體檢測與圖像分類結(jié)合103
6.2.7 視頻中的物體檢測和跟蹤104
6.3 總結(jié)107
第7章 iOS上使用ML Kit的文本處理應用程序108
7.1 實體提取108
7.1.1 第1步：創(chuàng)建應用程序并添加 ML Kit pod109
7.1.2 第2步：創(chuàng)建帶有動作和輸出的故事板110
7.1.3 第3步：允許視圖控制器用于文本輸入110
7.1.4 第4步：初始化模型111
7.1.5 第5步：從文本中提取實體112
7.2 手寫識別113
7.2.1 第1步：創(chuàng)建應用程序并添加ML Kit pod114
7.2.2 第2步：創(chuàng)建故事板、動作和輸出115
7.2.3 第3步：筆畫、點和墨跡115
7.2.4 第4步：捕獲用戶輸入116
7.2.5 第5步：初始化模型117
7.2.6 第6步：進行墨跡識別118
7.3 智能回復對話119
7.3.1 第1步：創(chuàng)建應用程序并集成 ML Kit120
7.3.2 第2步：創(chuàng)建故事板、輸出和動作120
7.3.3 第3步：創(chuàng)建模擬對話121
7.3.4 第4步：獲取智能回復123
7.4 總結(jié)124
第8章更深入：了解TensorFlow Lite125
8.1 什么是 TensorFlow Lite125
8.2 TensorFlow Lite 入門127
8.2.1 保存模型128
8.2.2 轉(zhuǎn)換模型128
8.2.3 使用獨立解釋器測試模型129
8.3 創(chuàng)建一個 Android應用程序來托管TFLite131
8.3.1 導入TFLite文件133
8.3.2 編寫Kotlin代碼與模型交互134
8.3.3 超越基礎(chǔ)137
8.4 創(chuàng)建一個 iOS 應用程序來托管 TFLite140
8.4.1 第1步：創(chuàng)建一個基本的 iOS 應用程序140
8.4.2 第2步：將 TensorFlow Lite 添加到項目中141
8.4.3 第3步：創(chuàng)建用戶界面142
8.4.4 第4步：添加并初始化模型推理類144
8.4.5 第 5 步：執(zhí)行推理147
8.4.6 第6步：將模型添加到應用程序中149
8.4.7 第7步：添加UI邏輯150
8.4.8 超越“Hello World”：處理圖像152
8.5 探索模型優(yōu)化155
8.5.1 量化155
8.5.2 使用代表性數(shù)據(jù)157
8.6 總結(jié)158
第9章創(chuàng)建自定義模型159
9.1 使用TensorFlow Lite Model Maker創(chuàng)建模型160
9.2 使用Cloud AutoML創(chuàng)建模型164
9.3 使用TensorFlow和遷移學習創(chuàng)建模型174
9.4 創(chuàng)建語言模型176
9.5 總結(jié)180
第10章在Android中使用自定義模型181
10.1 將模型橋接到 Android181
10.2 從Model Maker輸出構(gòu)建圖像分類應用程序182
10.3 將......

你還可能感興趣

我要評論