舉報

會員
移動端AI與ML應用開發:基于iOS和Android
最新章節:
封底
沒有設備可以運行的話,人工智能將一無是處。既然移動設備已成為大多數人的主要計算設備,那么移動開發人員將AI添加到他們的工具箱中便至關重要。本書是你在iOS和Android等流行移動平臺上創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和工具,然后引導你使用MLKit、TensorFlowLite和CoreML等工具編寫由常見ML模型(如計算機視覺和文本識別)驅動的Android和iOS應用程序。如果你是一名移動端應用開發者,本書將幫助你利用當今的ML技術。通過閱讀本書,你將:最探索在移動設備上實施ML和AI的選項。最為iOS和Android創建ML模型。最為iOS和Android編寫MLKit和TensorFlowLite應用程序,為iOS編寫CoreML/CreateML應用程序。最為你的用例選擇合適的技術和工具,例如,基于云的推理與移動端推理、高級API與低級API。最了解移動端機器學習的隱私和倫理實踐。
最新章節
書友吧品牌:機械工業出版社
譯者:宋能輝 李嫻
上架時間:2023-07-24 17:41:56
出版社:機械工業出版社
本書數字版權由機械工業出版社提供,并由其授權上海閱文信息技術有限公司制作發行
- 封底 更新時間:2023-07-24 18:06:41
- 關于封面
- 關于作者
- 15.3 總結
- 15.2 Google的人工智能原則
- 15.1.4 評估模型
- 15.1.3 構建和訓練模型
- 15.1.2 避免數據中的偏差
- 15.1.1 負責任地定義你的問題
- 15.1 負責任的人工智能的道德、公平和隱私
- 第15章 移動應用程序的道德、公平和隱私
- 14.5 總結
- 14.4 從iOS訪問服務器模型
- 14.3 從Android訪問服務器模型
- 14.2 構建和服務模型
- 14.1.2 在Linux上直接安裝
- 14.1.1 使用Docker安裝
- 14.1 安裝TensorFlow Serving
- 第14章 從移動應用程序訪問基于云的模型
- 13.4 總結
- 13.3 在應用程序中使用模型
- 13.2 使用Create ML構建文本分類器
- 13.1.3 運行推理
- 13.1.2 添加MLModel文件
- 13.1.1 制作一個使用Create ML模型的Core ML應用程序
- 13.1 使用Create ML構建Core ML圖像分類器
- 第13章 為簡單的iOS應用程序創建ML和Core ML
- 12.4 總結
- 12.3.8 下一步
- 12.3.7 第7步:讀取應用程序中的遠程配置
- 12.3.6 第6步:使用遠程配置
- 12.3.5 第5步:從Firebase模型托管獲取模型
- 12.3.4 第4步:將Firebase添加到應用程序中
- 12.3.3 第3步:創建一個基本的Android應用程序
- 12.3.2 第2步:使用自定義模型托管
- 12.3.1 第1步:創建Firebase項目
- 12.3 使用Firebase模型托管
- 12.2 創建多個模型版本
- 12.1 為什么要使用Firebase自定義模型托管
- 第12章 使用Firebase產品化應用程序
- 11.5 總結
- 11.4.5 第5步:對數據進行推理并處理結果
- 11.4.4 第4步:將數組復制到數據緩沖區
- 11.4.3 第3步:擴展數組以處理不安全數據
- 11.4.2 第2步:將句子轉換為序列
- 11.4.1 第1步:加載詞匯
- 11.4 在Swift中構建用于自然語言處理的應用程序
- 11.3 在ML Kit中使用自定義模型
- 11.2.6 第6步:獲取張量的推理
- 11.2.5 第5步:將圖像轉換為輸入張量
- 11.2.4 第4步:加載模型
- 11.2.3 第3步:加載和瀏覽圖像資產
- 11.2.2 第2步:創建UI和圖像資產
- 11.2.1 第1步:創建應用程序并添加TensorFlow Lite pod
- 11.2 自定義模型圖像分類器
- 11.1 將模型橋接到iOS
- 第11章 在iOS中使用自定義模型
- 10.6 總結
- 10.5.2 對活動進行編碼
- 10.5.1 創建布局文件
- 10.5 創建用于語言分類的Android應用程序
- 10.4 使用語言模型
- 10.3 將Model Maker輸出與ML Kit結合使用
- 10.2 從Model Maker輸出構建圖像分類應用程序
- 10.1 將模型橋接到Android
- 第10章 在Android中使用自定義模型
- 9.5 總結
- 9.4 創建語言模型
- 9.3 使用TensorFlow和遷移學習創建模型
- 9.2 使用Cloud AutoML創建模型
- 9.1 使用TensorFlow Lite Model Maker創建模型
- 第9章 創建自定義模型
- 8.6 總結
- 8.5.2 使用代表性數據
- 8.5.1 量化
- 8.5 探索模型優化
- 8.4.8 超越“Hello World”:處理圖像
- 8.4.7 第7步:添加UI邏輯
- 8.4.6 第6步:將模型添加到應用程序中
- 8.4.5 第5步:執行推理
- 8.4.4 第4步:添加并初始化模型推理類
- 8.4.3 第3步:創建用戶界面
- 8.4.2 第2步:將TensorFlow Lite添加到項目中
- 8.4.1 第1步:創建一個基本的iOS應用程序
- 8.4 創建一個iOS應用程序來托管TFLite
- 8.3.3 超越基礎
- 8.3.2 編寫Kotlin代碼與模型交互
- 8.3.1 導入TFLite文件
- 8.3 創建一個Android應用程序來托管TFLite
- 8.2.3 使用獨立解釋器測試模型
- 8.2.2 轉換模型
- 8.2.1 保存模型
- 8.2 TensorFlow Lite入門
- 8.1 什么是TensorFlow Lite
- 第8章 更深入:了解TensorFlow Lite
- 7.4 總結
- 7.3.4 第4步:獲取智能回復
- 7.3.3 第3步:創建模擬對話
- 7.3.2 第2步:創建故事板、輸出和動作
- 7.3.1 第1步:創建應用程序并集成ML Kit
- 7.3 智能回復對話
- 7.2.6 第6步:進行墨跡識別
- 7.2.5 第5步:初始化模型
- 7.2.4 第4步:捕獲用戶輸入
- 7.2.3 第3步:筆畫、點和墨跡
- 7.2.2 第2步:創建故事板、動作和輸出
- 7.2.1 第1步:創建應用程序并添加ML Kit pod
- 7.2 手寫識別
- 7.1.5 第5步:從文本中提取實體
- 7.1.4 第4步:初始化模型
- 7.1.3 第3步:允許視圖控制器用于文本輸入
- 7.1.2 第2步:創建帶有動作和輸出的故事板
- 7.1.1 第1步:創建應用程序并添加ML Kit pod
- 7.1 實體提取
- 第7章 iOS上使用ML Kit的文本處理應用程序
- 6.3 總結
- 6.2.7 視頻中的物體檢測和跟蹤
- 6.2.6 將物體檢測與圖像分類結合
- 6.2.5 第5步:處理回調函數
- 6.2.4 第4步:執行物體檢測
- 6.2.3 第3步:為注釋創建子視圖
- 6.2.2 第2步:在故事板上創建UI
- 6.2.1 第1步:開始
- 6.2 使用ML Kit在iOS中進行物體檢測
- 6.1.4 第4步:編輯視圖控制器代碼來使用ML Kit
- 6.1.3 第3步:設置故事板
- 6.1.2 第2步:創建podfile
- 6.1.1 第1步:在Xcode中創建應用程序
- 6.1 圖像標記和分類
- 第6章 iOS上使用ML Kit的計算機視覺應用程序
- 5.4 總結
- 5.3.3 生成智能回復
- 5.3.2 模擬對話
- 5.3.1 創建應用程序
- 5.3 智能回復對話
- 5.2.3 使用ML Kit解析墨跡
- 5.2.2 創建繪圖平面
- 5.2.1 創建應用程序
- 5.2 手寫識別和其他識別
- 5.1.4 組合在一起
- 5.1.3 編寫實體提取代碼
- 5.1.2 為活動創建布局
- 5.1.1 創建應用程序
- 5.1 實體提取
- 第5章 Android上使用ML Kit的文本處理應用程序
- 4.4 總結
- 4.3.6 組合在一起
- 4.3.5 ObjectGraphic類
- 4.3.4 ObjectAnalyzer類
- 4.3.3 捕捉相機
- 4.3.2 GraphicOverlay類
- 4.3.1 探索布局
- 4.3 檢測和跟蹤視頻中的物體
- 4.2.7 第7步:標記物體
- 4.2.6 第6步:繪制邊界框
- 4.2.5 第5步:處理按鈕交互
- 4.2.4 第4步:設置物體檢測器選項
- 4.2.3 第3步:將圖像加載到ImageView
- 4.2.2 第2步:創建活動布局XML
- 4.2.1 第1步:創建應用程序并導入ML Kit
- 4.2 物體檢測
- 4.1.6 下一步
- 4.1.5 第5步:編寫按鈕處理程序代碼
- 4.1.4 第4步:將圖像加載到ImageView
- 4.1.3 第3步:將圖像添加為資產
- 4.1.2 第2步:創建用戶界面
- 4.1.1 第1步:創建應用程序并配置ML Kit
- 4.1 圖像標記和分類
- 第4章 Android上使用ML Kit的計算機視覺應用程序
- 3.3 總結
- 3.2.4 第4步:添加應用程序邏輯
- 3.2.3 第3步:創建用戶界面
- 3.2.2 第2步:使用CocoaPods和podfile
- 3.2.1 第1步:在Xcode中創建項目
- 3.2 為iOS構建人臉檢測器應用程序
- 3.1.7 第7步:添加邊界矩形
- 3.1.6 第6步:調用人臉檢測器
- 3.1.5 第5步:使用默認圖片加載UI
- 3.1.4 第4步:將圖像添加為資產
- 3.1.3 第3步:定義用戶界面
- 3.1.2 第2步:添加和配置ML Kit
- 3.1.1 第1步:使用Android Studio創建應用程序
- 3.1 在Android上構建人臉檢測應用程序
- 第3章 ML Kit簡介
- 2.3 總結
- 2.2 計算機視覺的遷移學習
- 2.1.4 編寫Fashion MNIST模型
- 2.1.3 解析Fashion MNIST的模型架構
- 2.1.2 數據:Fashion MNIST
- 2.1.1 你的第一個分類器:識別衣物
- 2.1 為視覺使用神經元
- 第2章 計算機視覺簡介
- 1.4 總結
- 1.3 在移動設備上構建和使用模型
- 1.2.3 機器學習與傳統編程的比較
- 1.2.2 機器如何學習
- 1.2.1 從傳統編程轉向機器學習
- 1.2 什么是機器學習
- 1.1 什么是人工智能
- 第1章 人工智能和機器學習簡介
- 前言
- 譯者序
- 本書贊譽
- O'Reilly Media Inc.介紹
- 版權信息
- 封面
- 封面
- 版權信息
- O'Reilly Media Inc.介紹
- 本書贊譽
- 譯者序
- 前言
- 第1章 人工智能和機器學習簡介
- 1.1 什么是人工智能
- 1.2 什么是機器學習
- 1.2.1 從傳統編程轉向機器學習
- 1.2.2 機器如何學習
- 1.2.3 機器學習與傳統編程的比較
- 1.3 在移動設備上構建和使用模型
- 1.4 總結
- 第2章 計算機視覺簡介
- 2.1 為視覺使用神經元
- 2.1.1 你的第一個分類器:識別衣物
- 2.1.2 數據:Fashion MNIST
- 2.1.3 解析Fashion MNIST的模型架構
- 2.1.4 編寫Fashion MNIST模型
- 2.2 計算機視覺的遷移學習
- 2.3 總結
- 第3章 ML Kit簡介
- 3.1 在Android上構建人臉檢測應用程序
- 3.1.1 第1步:使用Android Studio創建應用程序
- 3.1.2 第2步:添加和配置ML Kit
- 3.1.3 第3步:定義用戶界面
- 3.1.4 第4步:將圖像添加為資產
- 3.1.5 第5步:使用默認圖片加載UI
- 3.1.6 第6步:調用人臉檢測器
- 3.1.7 第7步:添加邊界矩形
- 3.2 為iOS構建人臉檢測器應用程序
- 3.2.1 第1步:在Xcode中創建項目
- 3.2.2 第2步:使用CocoaPods和podfile
- 3.2.3 第3步:創建用戶界面
- 3.2.4 第4步:添加應用程序邏輯
- 3.3 總結
- 第4章 Android上使用ML Kit的計算機視覺應用程序
- 4.1 圖像標記和分類
- 4.1.1 第1步:創建應用程序并配置ML Kit
- 4.1.2 第2步:創建用戶界面
- 4.1.3 第3步:將圖像添加為資產
- 4.1.4 第4步:將圖像加載到ImageView
- 4.1.5 第5步:編寫按鈕處理程序代碼
- 4.1.6 下一步
- 4.2 物體檢測
- 4.2.1 第1步:創建應用程序并導入ML Kit
- 4.2.2 第2步:創建活動布局XML
- 4.2.3 第3步:將圖像加載到ImageView
- 4.2.4 第4步:設置物體檢測器選項
- 4.2.5 第5步:處理按鈕交互
- 4.2.6 第6步:繪制邊界框
- 4.2.7 第7步:標記物體
- 4.3 檢測和跟蹤視頻中的物體
- 4.3.1 探索布局
- 4.3.2 GraphicOverlay類
- 4.3.3 捕捉相機
- 4.3.4 ObjectAnalyzer類
- 4.3.5 ObjectGraphic類
- 4.3.6 組合在一起
- 4.4 總結
- 第5章 Android上使用ML Kit的文本處理應用程序
- 5.1 實體提取
- 5.1.1 創建應用程序
- 5.1.2 為活動創建布局
- 5.1.3 編寫實體提取代碼
- 5.1.4 組合在一起
- 5.2 手寫識別和其他識別
- 5.2.1 創建應用程序
- 5.2.2 創建繪圖平面
- 5.2.3 使用ML Kit解析墨跡
- 5.3 智能回復對話
- 5.3.1 創建應用程序
- 5.3.2 模擬對話
- 5.3.3 生成智能回復
- 5.4 總結
- 第6章 iOS上使用ML Kit的計算機視覺應用程序
- 6.1 圖像標記和分類
- 6.1.1 第1步:在Xcode中創建應用程序
- 6.1.2 第2步:創建podfile
- 6.1.3 第3步:設置故事板
- 6.1.4 第4步:編輯視圖控制器代碼來使用ML Kit
- 6.2 使用ML Kit在iOS中進行物體檢測
- 6.2.1 第1步:開始
- 6.2.2 第2步:在故事板上創建UI
- 6.2.3 第3步:為注釋創建子視圖
- 6.2.4 第4步:執行物體檢測
- 6.2.5 第5步:處理回調函數
- 6.2.6 將物體檢測與圖像分類結合
- 6.2.7 視頻中的物體檢測和跟蹤
- 6.3 總結
- 第7章 iOS上使用ML Kit的文本處理應用程序
- 7.1 實體提取
- 7.1.1 第1步:創建應用程序并添加ML Kit pod
- 7.1.2 第2步:創建帶有動作和輸出的故事板
- 7.1.3 第3步:允許視圖控制器用于文本輸入
- 7.1.4 第4步:初始化模型
- 7.1.5 第5步:從文本中提取實體
- 7.2 手寫識別
- 7.2.1 第1步:創建應用程序并添加ML Kit pod
- 7.2.2 第2步:創建故事板、動作和輸出
- 7.2.3 第3步:筆畫、點和墨跡
- 7.2.4 第4步:捕獲用戶輸入
- 7.2.5 第5步:初始化模型
- 7.2.6 第6步:進行墨跡識別
- 7.3 智能回復對話
- 7.3.1 第1步:創建應用程序并集成ML Kit
- 7.3.2 第2步:創建故事板、輸出和動作
- 7.3.3 第3步:創建模擬對話
- 7.3.4 第4步:獲取智能回復
- 7.4 總結
- 第8章 更深入:了解TensorFlow Lite
- 8.1 什么是TensorFlow Lite
- 8.2 TensorFlow Lite入門
- 8.2.1 保存模型
- 8.2.2 轉換模型
- 8.2.3 使用獨立解釋器測試模型
- 8.3 創建一個Android應用程序來托管TFLite
- 8.3.1 導入TFLite文件
- 8.3.2 編寫Kotlin代碼與模型交互
- 8.3.3 超越基礎
- 8.4 創建一個iOS應用程序來托管TFLite
- 8.4.1 第1步:創建一個基本的iOS應用程序
- 8.4.2 第2步:將TensorFlow Lite添加到項目中
- 8.4.3 第3步:創建用戶界面
- 8.4.4 第4步:添加并初始化模型推理類
- 8.4.5 第5步:執行推理
- 8.4.6 第6步:將模型添加到應用程序中
- 8.4.7 第7步:添加UI邏輯
- 8.4.8 超越“Hello World”:處理圖像
- 8.5 探索模型優化
- 8.5.1 量化
- 8.5.2 使用代表性數據
- 8.6 總結
- 第9章 創建自定義模型
- 9.1 使用TensorFlow Lite Model Maker創建模型
- 9.2 使用Cloud AutoML創建模型
- 9.3 使用TensorFlow和遷移學習創建模型
- 9.4 創建語言模型
- 9.5 總結
- 第10章 在Android中使用自定義模型
- 10.1 將模型橋接到Android
- 10.2 從Model Maker輸出構建圖像分類應用程序
- 10.3 將Model Maker輸出與ML Kit結合使用
- 10.4 使用語言模型
- 10.5 創建用于語言分類的Android應用程序
- 10.5.1 創建布局文件
- 10.5.2 對活動進行編碼
- 10.6 總結
- 第11章 在iOS中使用自定義模型
- 11.1 將模型橋接到iOS
- 11.2 自定義模型圖像分類器
- 11.2.1 第1步:創建應用程序并添加TensorFlow Lite pod
- 11.2.2 第2步:創建UI和圖像資產
- 11.2.3 第3步:加載和瀏覽圖像資產
- 11.2.4 第4步:加載模型
- 11.2.5 第5步:將圖像轉換為輸入張量
- 11.2.6 第6步:獲取張量的推理
- 11.3 在ML Kit中使用自定義模型
- 11.4 在Swift中構建用于自然語言處理的應用程序
- 11.4.1 第1步:加載詞匯
- 11.4.2 第2步:將句子轉換為序列
- 11.4.3 第3步:擴展數組以處理不安全數據
- 11.4.4 第4步:將數組復制到數據緩沖區
- 11.4.5 第5步:對數據進行推理并處理結果
- 11.5 總結
- 第12章 使用Firebase產品化應用程序
- 12.1 為什么要使用Firebase自定義模型托管
- 12.2 創建多個模型版本
- 12.3 使用Firebase模型托管
- 12.3.1 第1步:創建Firebase項目
- 12.3.2 第2步:使用自定義模型托管
- 12.3.3 第3步:創建一個基本的Android應用程序
- 12.3.4 第4步:將Firebase添加到應用程序中
- 12.3.5 第5步:從Firebase模型托管獲取模型
- 12.3.6 第6步:使用遠程配置
- 12.3.7 第7步:讀取應用程序中的遠程配置
- 12.3.8 下一步
- 12.4 總結
- 第13章 為簡單的iOS應用程序創建ML和Core ML
- 13.1 使用Create ML構建Core ML圖像分類器
- 13.1.1 制作一個使用Create ML模型的Core ML應用程序
- 13.1.2 添加MLModel文件
- 13.1.3 運行推理
- 13.2 使用Create ML構建文本分類器
- 13.3 在應用程序中使用模型
- 13.4 總結
- 第14章 從移動應用程序訪問基于云的模型
- 14.1 安裝TensorFlow Serving
- 14.1.1 使用Docker安裝
- 14.1.2 在Linux上直接安裝
- 14.2 構建和服務模型
- 14.3 從Android訪問服務器模型
- 14.4 從iOS訪問服務器模型
- 14.5 總結
- 第15章 移動應用程序的道德、公平和隱私
- 15.1 負責任的人工智能的道德、公平和隱私
- 15.1.1 負責任地定義你的問題
- 15.1.2 避免數據中的偏差
- 15.1.3 構建和訓練模型
- 15.1.4 評估模型
- 15.2 Google的人工智能原則
- 15.3 總結
- 關于作者
- 關于封面
- 封底 更新時間:2023-07-24 18:06:41