TensorFlow Lite移动端深度学习循序渐进地讲解了在移动设备中使用TensorFlow Lite开发机器学习和深度学习程序的核心知识，并通过具体实例演练了各知识点的使用方法和流程。全书共9章，分别讲解了人工智能开发基础、编写第一个TensorFlow Lite程序、创建模型、转换模型、推断、优化处理、微控制器、物体检测识别系统和姿势预测器。全书简洁而不失技术深度，内容丰富全面，以简明的文字介绍了复杂的案例。同时书中配有二维码视频，结合视频讲解可加深对相关内容的理解，是学习TensorFlow Lite开发的实用教程。
TensorFlow Lite移动端深度学习适用于已经了解Python语言基础语法和TensorFlow基础，希望进一步提高自己Python开发水平的读者阅读，还可以作为大中专院校和相关培训学校的专业教程。

TensorFlow Lite移动端深度学习
前言
第1章 人工智能开发基础
1.1 人工智能的基础知识
1.1.1 人工智能介绍
1.1.2 人工智能的发展历程
1.1.3 人工智能的两个重要发展阶段
1.1.4 和人工智能相关的几个重要概念
1.2 机器学习
1.2.1 什么是机器学习
1.2.2 机器学习的3个发展阶段
1.2.3 机器学习的分类
1.2.4 深度学习和机器学习的对比
1.3 使用Python学习人工智能开发
1.3.1 Python在人工智能方面的优势
1.3.2 常用的Python库
1.4 TensorFlow开源库
1.4.1 TensorFlow介绍
1.4.2 TensorFlow的优势
1.4.3 TensorFlow Lite介绍
第2章 编写第一个TensorFlow Lite程序
2.1 安装环境要求
2.1.1 硬件要求
2.1.2 软件要求
2.2 安装TensorFlow
2.2.1 使用pip安装TensorFlow
2.2.2 使用Anaconda安装TensorFlow
2.2.3 安装TensorFlow Lite解释器
2.2.4 解决速度过慢的问题
2.3 准备开发工具
2.3.1 使用PyCharm开发并调试运行TensorFlow程序
2.3.2 使用Colaboratory开发并调试运行TensorFlow程序
2.4 开发TensorFlow Lite程序的流程
2.4.1 准备模型
2.4.2 转换模型
2.4.3 使用模型进行推断
2.4.4 优化模型
2.5 在Android中创建TensorFlow Lite
2.5.1 需要安装的工具
2.5.2 新建Android工程
2.5.3 使用JCenter中的TensorFlow Lite AAR
2.5.4 运行和测试
第3章 创建模型
3.1 创建TensorFlow模型
3.1.1 在PyCharm环境实现
3.1.2 在Colaboratory环境实现
3.2 基于TensorFlow机器学习核心算法创建模型
3.2.1 线性回归算法
3.2.2 逻辑回归算法
3.2.3 二元决策树算法
3.2.4 Bagging算法
3.2.5 Boosting算法
3.2.6 随机森林算法
3.2.7 K近邻算法
第4章 转换模型
4.1 TensorFlow Lite转换器
4.1.1 转换方式
4.1.2 将TensorFlow RNN转换为TensorFlow Lite
4.2 将元数据添加到 TensorFlow Lite 模型
4.2.1 具有元数据格式的模型
4.2.2 使用Flatbuffers Python API添加元数据
4.3 使用TensorFlow Lite Task Library
4.4 手写数字识别器
4.4.1 系统介绍
4.4.2 创建TensorFlow数据模型
4.4.3 将Keras模型转换为TensorFlow Lite
4.4.4 Android手写数字识别器
第5章 推断
5.1 TensorFlow Lite推断的基本知识
5.1.1 推断的基本步骤
5.1.2 推断支持的平台
5.2 运行模型
5.2.1 在Java程序中加载和运行模型
5.2.2 在 Swift程序中加载和运行模型
5.2.3 在ObjectiveC程序中加载和运行模型
5.2.4 在ObjectiveC中使用C API
5.2.5 在 C++中加载和运行模型
5.2.6 在 Python中加载和运行模型
5.3 运算符操作
5.3.1 运算符操作支持的类型
5.3.2 从TensorFlow中选择运算符
5.3.3 自定义运算符
5.3.4 融合运算符
5.4 使用元数据进行推断
5.4.1 元数据推断基础
5.4.2 使用元数据生成模型接口
5.4.3 使用TensorFlow Lite代码生成器生成模型接口
5.5 通过Task库集成模型
5.5.1 Task Library可以提供的内容
5.5.2 支持的任务
5.5.3 集成图像分类器
5.6 自定义输入和输出
第6章 优化处理
6.1 性能优化
6.2 TensorFlow Lite委托
6.2.1 选择委托
6.2.2 评估工具
6.3 TensorFlow Lite GPU代理
6.3.1 在Android中使用TensorFlow Lite GPU代理
6.3.2 在iOS中使用TensorFlow Lite GPU代理
6.3.3 在自己的模型上使用GPU代理
6.4 硬件加速
6.4.1 使用GPU加速的优势
6.4.2 Android中的硬件加速
6.4.3 iOS中的硬件加速
6.4.4 输入/输出缓冲器
6.5 模型优化
6.5.1 模型量化
6.5.2 训练后量化
6.5.3 训练后动态范围量化
6.5.4 训练后整数量化
第7章 微控制器
7.1 适用于微控制器的 TensorFlow Lite
7.2 官方示例
7.2.1 Hello World示例
7.2.2 微语音示例
7.3 C++库
7.3.1 文件结构
7.3.2 开始新项目
7.3.3 写入新设备
7.3.4 构建二进制文件
7.3.5 优化内核
7.3.6 生成 Arduino 库
第8章 物体检测识别系统
8.1 系统介绍
8.2 准备模型
8.2.1 模型介绍
8.2.2 自定义模型
8.3 Android物体检测识别器
8.3.1 准备工作
8.3.2 页面布局
8.3.3 实现主Activity
8.3.4 物体识别界面
8.3.5 相机预览界面拼接
8.3.6 lib_task_api方案
8.3.7 lib_interpreter方案
8.4 iOS物体检测识别器
8.4.1 系统介绍

来自IT大厂一线研发工程师的实战经验，详解TensorFlow Lite机器学习和深度学习程序开发的关键技术。作者为浪潮云资深机器学习开发专家。