移动端AI与ML应用开发：基于iOS和Android

关于封面

关于作者

15.3 总结

15.2 Google的人工智能原则

15.1.4 评估模型

15.1.3 构建和训练模型

15.1.2 避免数据中的偏差

15.1.1 负责任地定义你的问题

15.1 负责任的人工智能的道德、公平和隐私

第15章 移动应用程序的道德、公平和隐私

14.5 总结

14.4 从iOS访问服务器模型

14.3 从Android访问服务器模型

14.2 构建和服务模型

14.1.2 在Linux上直接安装

14.1.1 使用Docker安装

14.1 安装TensorFlow Serving

第14章 从移动应用程序访问基于云的模型

13.4 总结

13.3 在应用程序中使用模型

13.2 使用Create ML构建文本分类器

13.1.3 运行推理

13.1.2 添加MLModel文件

13.1.1 制作一个使用Create ML模型的Core ML应用程序

13.1 使用Create ML构建Core ML图像分类器

第13章 为简单的iOS应用程序创建ML和Core ML

12.4 总结

12.3.8 下一步

12.3.7 第7步：读取应用程序中的远程配置

12.3.6 第6步：使用远程配置

12.3.5 第5步：从Firebase模型托管获取模型

12.3.4 第4步：将Firebase添加到应用程序中

12.3.3 第3步：创建一个基本的Android应用程序

12.3.2 第2步：使用自定义模型托管

12.3.1 第1步：创建Firebase项目

12.3 使用Firebase模型托管

12.2 创建多个模型版本

12.1 为什么要使用Firebase自定义模型托管

第12章 使用Firebase产品化应用程序

11.5 总结

11.4.5 第5步：对数据进行推理并处理结果

11.4.4 第4步：将数组复制到数据缓冲区

11.4.3 第3步：扩展数组以处理不安全数据

11.4.2 第2步：将句子转换为序列

11.4.1 第1步：加载词汇

11.4 在Swift中构建用于自然语言处理的应用程序

11.3 在ML Kit中使用自定义模型

11.2.6 第6步：获取张量的推理

11.2.5 第5步：将图像转换为输入张量

11.2.4 第4步：加载模型

11.2.3 第3步：加载和浏览图像资产

11.2.2 第2步：创建UI和图像资产

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

11.2 自定义模型图像分类器

11.1 将模型桥接到iOS

第11章 在iOS中使用自定义模型

10.6 总结

10.5.2 对活动进行编码

10.5.1 创建布局文件

10.5 创建用于语言分类的Android应用程序

10.4 使用语言模型

10.3 将Model Maker输出与ML Kit结合使用

10.2 从Model Maker输出构建图像分类应用程序

10.1 将模型桥接到Android

第10章 在Android中使用自定义模型

9.5 总结

9.4 创建语言模型

9.3 使用TensorFlow和迁移学习创建模型

9.2 使用Cloud AutoML创建模型

9.1 使用TensorFlow Lite Model Maker创建模型

第9章 创建自定义模型

8.6 总结

8.5.2 使用代表性数据

8.5.1 量化

8.5 探索模型优化

8.4.8 超越“Hello World”：处理图像

8.4.7 第7步：添加UI逻辑

8.4.6 第6步：将模型添加到应用程序中

8.4.5 第5步：执行推理

8.4.4 第4步：添加并初始化模型推理类

8.4.3 第3步：创建用户界面

8.4.2 第2步：将TensorFlow Lite添加到项目中

8.4.1 第1步：创建一个基本的iOS应用程序

8.4 创建一个iOS应用程序来托管TFLite

8.3.3 超越基础

8.3.2 编写Kotlin代码与模型交互

8.3.1 导入TFLite文件

8.3 创建一个Android应用程序来托管TFLite

8.2.3 使用独立解释器测试模型

8.2.2 转换模型

8.2.1 保存模型

8.2 TensorFlow Lite入门

8.1 什么是TensorFlow Lite

第8章 更深入：了解TensorFlow Lite

7.4 总结

7.3.4 第4步：获取智能回复

7.3.3 第3步：创建模拟对话

7.3.2 第2步：创建故事板、输出和动作

7.3.1 第1步：创建应用程序并集成ML Kit

7.3 智能回复对话

7.2.6 第6步：进行墨迹识别

7.2.5 第5步：初始化模型

7.2.4 第4步：捕获用户输入

7.2.3 第3步：笔画、点和墨迹

7.2.2 第2步：创建故事板、动作和输出

7.2.1 第1步：创建应用程序并添加ML Kit pod

7.2 手写识别

7.1.5 第5步：从文本中提取实体

7.1.4 第4步：初始化模型

7.1.3 第3步：允许视图控制器用于文本输入

7.1.2 第2步：创建带有动作和输出的故事板

7.1.1 第1步：创建应用程序并添加ML Kit pod

7.1 实体提取

第7章 iOS上使用ML Kit的文本处理应用程序

6.3 总结

6.2.7 视频中的物体检测和跟踪

6.2.6 将物体检测与图像分类结合

6.2.5 第5步：处理回调函数

6.2.4 第4步：执行物体检测

6.2.3 第3步：为注释创建子视图

6.2.2 第2步：在故事板上创建UI

6.2.1 第1步：开始

6.2 使用ML Kit在iOS中进行物体检测

6.1.4 第4步：编辑视图控制器代码来使用ML Kit

6.1.3 第3步：设置故事板

6.1.2 第2步：创建podfile

6.1.1 第1步：在Xcode中创建应用程序

6.1 图像标记和分类

第6章 iOS上使用ML Kit的计算机视觉应用程序

5.4 总结

5.3.3 生成智能回复

5.3.2 模拟对话

5.3.1 创建应用程序

5.3 智能回复对话

5.2.3 使用ML Kit解析墨迹

5.2.2 创建绘图平面

5.2.1 创建应用程序

5.2 手写识别和其他识别

5.1.4 组合在一起

5.1.3 编写实体提取代码

5.1.2 为活动创建布局

5.1.1 创建应用程序

5.1 实体提取

第5章 Android上使用ML Kit的文本处理应用程序

4.4 总结

4.3.6 组合在一起

4.3.5 ObjectGraphic类

4.3.4 ObjectAnalyzer类

4.3.3 捕捉相机

4.3.2 GraphicOverlay类

4.3.1 探索布局

4.3 检测和跟踪视频中的物体

4.2.7 第7步：标记物体

4.2.6 第6步：绘制边界框

4.2.5 第5步：处理按钮交互

4.2.4 第4步：设置物体检测器选项

4.2.3 第3步：将图像加载到ImageView

4.2.2 第2步：创建活动布局XML

4.2.1 第1步：创建应用程序并导入ML Kit

4.2 物体检测

4.1.6 下一步

4.1.5 第5步：编写按钮处理程序代码

4.1.4 第4步：将图像加载到ImageView

4.1.3 第3步：将图像添加为资产

4.1.2 第2步：创建用户界面

4.1.1 第1步：创建应用程序并配置ML Kit

4.1 图像标记和分类

第4章 Android上使用ML Kit的计算机视觉应用程序

3.3 总结

3.2.4 第4步：添加应用程序逻辑

3.2.3 第3步：创建用户界面

3.2.2 第2步：使用CocoaPods和podfile

3.2.1 第1步：在Xcode中创建项目

3.2 为iOS构建人脸检测器应用程序

3.1.7 第7步：添加边界矩形

3.1.6 第6步：调用人脸检测器

3.1.5 第5步：使用默认图片加载UI

3.1.4 第4步：将图像添加为资产

3.1.3 第3步：定义用户界面

3.1.2 第2步：添加和配置ML Kit

3.1.1 第1步：使用Android Studio创建应用程序

3.1 在Android上构建人脸检测应用程序

第3章 ML Kit简介

2.3 总结

2.2 计算机视觉的迁移学习

2.1.4 编写Fashion MNIST模型

2.1.3 解析Fashion MNIST的模型架构

2.1.2 数据：Fashion MNIST

2.1.1 你的第一个分类器：识别衣物

2.1 为视觉使用神经元

第2章 计算机视觉简介

1.4 总结

1.3 在移动设备上构建和使用模型

1.2.3 机器学习与传统编程的比较

1.2.2 机器如何学习

1.2.1 从传统编程转向机器学习

1.2 什么是机器学习

1.1 什么是人工智能

第1章 人工智能和机器学习简介

前言

译者序

本书赞誉

O'Reilly Media Inc.介绍

版权信息

封面

封面

版权信息

O'Reilly Media Inc.介绍

本书赞誉

译者序

前言

第1章 人工智能和机器学习简介

1.1 什么是人工智能

1.2 什么是机器学习

1.2.1 从传统编程转向机器学习

1.2.2 机器如何学习

1.2.3 机器学习与传统编程的比较

1.3 在移动设备上构建和使用模型

1.4 总结

第2章 计算机视觉简介

2.1 为视觉使用神经元

2.1.1 你的第一个分类器：识别衣物

2.1.2 数据：Fashion MNIST

2.1.3 解析Fashion MNIST的模型架构

2.1.4 编写Fashion MNIST模型

2.2 计算机视觉的迁移学习

2.3 总结

第3章 ML Kit简介

3.1 在Android上构建人脸检测应用程序

3.1.1 第1步：使用Android Studio创建应用程序

3.1.2 第2步：添加和配置ML Kit

3.1.3 第3步：定义用户界面

3.1.4 第4步：将图像添加为资产

3.1.5 第5步：使用默认图片加载UI

3.1.6 第6步：调用人脸检测器

3.1.7 第7步：添加边界矩形

3.2 为iOS构建人脸检测器应用程序

3.2.1 第1步：在Xcode中创建项目

3.2.2 第2步：使用CocoaPods和podfile

3.2.3 第3步：创建用户界面

3.2.4 第4步：添加应用程序逻辑

3.3 总结

第4章 Android上使用ML Kit的计算机视觉应用程序

4.1 图像标记和分类

4.1.1 第1步：创建应用程序并配置ML Kit

4.1.2 第2步：创建用户界面

4.1.3 第3步：将图像添加为资产

4.1.4 第4步：将图像加载到ImageView

4.1.5 第5步：编写按钮处理程序代码

4.1.6 下一步

4.2 物体检测

4.2.1 第1步：创建应用程序并导入ML Kit

4.2.2 第2步：创建活动布局XML

4.2.3 第3步：将图像加载到ImageView

4.2.4 第4步：设置物体检测器选项

4.2.5 第5步：处理按钮交互

4.2.6 第6步：绘制边界框

4.2.7 第7步：标记物体

4.3 检测和跟踪视频中的物体

4.3.1 探索布局

4.3.2 GraphicOverlay类

4.3.3 捕捉相机

4.3.4 ObjectAnalyzer类

4.3.5 ObjectGraphic类

4.3.6 组合在一起

4.4 总结

第5章 Android上使用ML Kit的文本处理应用程序

5.1 实体提取

5.1.1 创建应用程序

5.1.2 为活动创建布局

5.1.3 编写实体提取代码

5.1.4 组合在一起

5.2 手写识别和其他识别

5.2.1 创建应用程序

5.2.2 创建绘图平面

5.2.3 使用ML Kit解析墨迹

5.3 智能回复对话

5.3.1 创建应用程序

5.3.2 模拟对话

5.3.3 生成智能回复

5.4 总结

第6章 iOS上使用ML Kit的计算机视觉应用程序

6.1 图像标记和分类

6.1.1 第1步：在Xcode中创建应用程序

6.1.2 第2步：创建podfile

6.1.3 第3步：设置故事板

6.1.4 第4步：编辑视图控制器代码来使用ML Kit

6.2 使用ML Kit在iOS中进行物体检测

6.2.1 第1步：开始

6.2.2 第2步：在故事板上创建UI

6.2.3 第3步：为注释创建子视图

6.2.4 第4步：执行物体检测

6.2.5 第5步：处理回调函数

6.2.6 将物体检测与图像分类结合

6.2.7 视频中的物体检测和跟踪

6.3 总结

第7章 iOS上使用ML Kit的文本处理应用程序

7.1 实体提取

7.1.1 第1步：创建应用程序并添加ML Kit pod

7.1.2 第2步：创建带有动作和输出的故事板

7.1.3 第3步：允许视图控制器用于文本输入

7.1.4 第4步：初始化模型

7.1.5 第5步：从文本中提取实体

7.2 手写识别

7.2.1 第1步：创建应用程序并添加ML Kit pod

7.2.2 第2步：创建故事板、动作和输出

7.2.3 第3步：笔画、点和墨迹

7.2.4 第4步：捕获用户输入

7.2.5 第5步：初始化模型

7.2.6 第6步：进行墨迹识别

7.3 智能回复对话

7.3.1 第1步：创建应用程序并集成ML Kit

7.3.2 第2步：创建故事板、输出和动作

7.3.3 第3步：创建模拟对话

7.3.4 第4步：获取智能回复

7.4 总结

第8章 更深入：了解TensorFlow Lite

8.1 什么是TensorFlow Lite

8.2 TensorFlow Lite入门

8.2.1 保存模型

8.2.2 转换模型

8.2.3 使用独立解释器测试模型

8.3 创建一个Android应用程序来托管TFLite

8.3.1 导入TFLite文件

8.3.2 编写Kotlin代码与模型交互

8.3.3 超越基础

8.4 创建一个iOS应用程序来托管TFLite

8.4.1 第1步：创建一个基本的iOS应用程序

8.4.2 第2步：将TensorFlow Lite添加到项目中

8.4.3 第3步：创建用户界面

8.4.4 第4步：添加并初始化模型推理类

8.4.5 第5步：执行推理

8.4.6 第6步：将模型添加到应用程序中

8.4.7 第7步：添加UI逻辑

8.4.8 超越“Hello World”：处理图像

8.5 探索模型优化

8.5.1 量化

8.5.2 使用代表性数据

8.6 总结

第9章 创建自定义模型

9.1 使用TensorFlow Lite Model Maker创建模型

9.2 使用Cloud AutoML创建模型

9.3 使用TensorFlow和迁移学习创建模型

9.4 创建语言模型

9.5 总结

第10章 在Android中使用自定义模型

10.1 将模型桥接到Android

10.2 从Model Maker输出构建图像分类应用程序

10.3 将Model Maker输出与ML Kit结合使用

10.4 使用语言模型

10.5 创建用于语言分类的Android应用程序

10.5.1 创建布局文件

10.5.2 对活动进行编码

10.6 总结

第11章 在iOS中使用自定义模型

11.1 将模型桥接到iOS

11.2 自定义模型图像分类器

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

11.2.2 第2步：创建UI和图像资产

11.2.3 第3步：加载和浏览图像资产

11.2.4 第4步：加载模型

11.2.5 第5步：将图像转换为输入张量

11.2.6 第6步：获取张量的推理

11.3 在ML Kit中使用自定义模型

11.4 在Swift中构建用于自然语言处理的应用程序

11.4.1 第1步：加载词汇

11.4.2 第2步：将句子转换为序列

11.4.3 第3步：扩展数组以处理不安全数据

11.4.4 第4步：将数组复制到数据缓冲区

11.4.5 第5步：对数据进行推理并处理结果

11.5 总结

第12章 使用Firebase产品化应用程序

12.1 为什么要使用Firebase自定义模型托管

12.2 创建多个模型版本

12.3 使用Firebase模型托管

12.3.1 第1步：创建Firebase项目

12.3.2 第2步：使用自定义模型托管

12.3.3 第3步：创建一个基本的Android应用程序

12.3.4 第4步：将Firebase添加到应用程序中

12.3.5 第5步：从Firebase模型托管获取模型

12.3.6 第6步：使用远程配置

12.3.7 第7步：读取应用程序中的远程配置

12.3.8 下一步

12.4 总结

第13章 为简单的iOS应用程序创建ML和Core ML

13.1 使用Create ML构建Core ML图像分类器

13.1.1 制作一个使用Create ML模型的Core ML应用程序

13.1.2 添加MLModel文件

13.1.3 运行推理

13.2 使用Create ML构建文本分类器

13.3 在应用程序中使用模型

13.4 总结

第14章 从移动应用程序访问基于云的模型

14.1 安装TensorFlow Serving

14.1.1 使用Docker安装

14.1.2 在Linux上直接安装

14.2 构建和服务模型

14.3 从Android访问服务器模型

14.4 从iOS访问服务器模型

14.5 总结

第15章 移动应用程序的道德、公平和隐私

15.1 负责任的人工智能的道德、公平和隐私

15.1.1 负责任地定义你的问题

15.1.2 避免数据中的偏差

15.1.3 构建和训练模型

15.1.4 评估模型

15.2 Google的人工智能原则

15.3 总结

关于作者

关于封面