《移动端AI与ML应用开发：基于iOS和Android》—

Velocity中国 Strata北京 AI北京 O'Reilly Conferences

移动端AI与ML应用开发：基于iOS和Android

宋能辉, 李娴译

出版时间：2022年12月

页数：272

“本书正是激发下一代机器学习开发所需要的。对于行业内的软件工程师来说，机器学习从未像通过ML Kit那样容易获得，本书对这些方法和算法进行了较好的介绍。”
——Dominic Monn
Doist机器学习工程师

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。
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。

通过阅读本书，你将：
● 探索在移动设备上实施ML和AI的选项。
● 为iOS和Android创建ML模型。
● 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。
● 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。
● 了解移动端机器学习的隐私和伦理实践。

目录
产品信息
关于作者
封面介绍

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MLKit
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

书名：移动端AI与ML应用开发：基于iOS和Android

作者：Laurence Moroney 著

译者：宋能辉, 李娴译

国内出版社：机械工业出版社

出版时间：2022年12月

页数：272

书号：978-7-111-71308-1

原版书书名：AI and Machine Learning for On-Device Development

原版书出版商：O'Reilly Media

Laurence Moroney

Laurence Moroney在Google领导AI Advocacy。作为编程和机器学习行业的资深人士，Laurence撰写了20多本书。他在DeepLearning.ai的Coursera以及哈佛大学的edX上在线教授流行课程。

查看Laurence Moroney更多信息

本书封面上的动物是一只大鸨(Otis tarda)。这种鸟可以在南欧和中欧的草原、东亚的温带气候区以及摩洛哥北部的一些地区找到，然而，大多数鸟群分布在葡萄牙和西班牙。
这种在地上筑巢的鸟是两性异形的。雌性大鸨的翼展通常为180cm，体重3.1~8kg,成年雄性大鸨是现存最重的飞行动物之一，体重5.8~18kg，翼展为2.1~2.7m。它们通常是安静的鸟类，但在繁殖季节,成年雄性可能会发出嗡嗡声、咕噜声和喧闹声，雌性刚可能会在巢穴中发出喉音。小鸟会在与它们的母亲交流时发出柔和的颤音。大鸨是强壮的飞行者,在迁徙期间飞行速度可以达到98km/h 以上。这些迁移模式会根据特定的居住地而有所不同。由于广泛的环境影响和栖息地消失，大鸨自1996 年起就被列入 IUCN 红色名录中的“易危”动物。所有这些动物对世界都很重要。

购买选项

定价：119.00元

书号：978-7-111-71308-1

出版社：机械工业出版社

联系出版社邮购