TensorFlow移动端机器学习实战 - (EPUB全文下载)

文件大小：0.14 mb。
文件格式：epub 格式。
书籍内容：

TensorFlow移动端机器学习实战
第1章　机器学习和TensorFlow简述
第2章　构建开发环境
第3章　基于移动端的机器学习的开发方式和流程
第4章　构建TensorFlow Mobile
第5章　用TensorFlow Mobile构建机器学习应用
第6章　TensorFlow Lite的架构
第7章　用TensorFlow Lite构建机器学习应用
第8章　移动端的机器学习开发
第9章　TensorFlow的硬件加速
第10章　机器学习应用框架
第11章　基于移动设备的机器学习的未来
博文视点精品图书展台
反侵权盗版声明
第1章　机器学习和TensorFlow简述
1.1　机器学习和TensorFlow的历史及发展现状
1.1.1　人工智能和机器学习
我们先来看一下人工智能（Artificial Intelligence）、机器学习（Machine Learning）、深度学习（Deep Learning）的定义。
人工智能（英文缩写为AI）也称机器智能，指由人制造出来的机器所表现出来的智能。
下面是机器学习的英文定义：
Machine learning is a core， transformative way by which we're rethinking how we're doing everything.
其中文含义是：机器学习是一种核心的、变革性的方式，它正在改变我们思考的方式。人工智能（AI）是使事物变得聪明的科学，机器学习是一种开发人工智能的技术。
深度学习（Deep Learning）是机器学习的分支，是一种以人工神经网络为架构，对数据进行表征学习的算法。人工智能的分类如图1-1所示。
图1-1
人工智能按产业分类大致可以分为下面几类：机器学习、自然语言处理、机器人技术和视觉等。在机器学习里深度学习是最近兴起也是比较热门的研究方面。自然语言处理和视觉的技术发展近几年来越来越成熟，有的技术已被大规模应用。
深度学习带来机器学习的革命。我们看到“深度学习”这个词在搜索中的热度近年来在快速攀升。arXiv上的机器学习论文数量也在急剧增长。
深度学习（Deep Learning）是一种模仿人脑结构的机器学习。神经元是专注于某个特定方向的刺激（例如图像中对象的形状、颜色和透明度），通过将多个神经元分层组合在一起而完成模拟人脑的方法。分层可以模拟大脑运算，随着层数的增加，计算的功率和时间也会增加，进而提高计算的准确性。
下面来看一个图片分类的例子：给出一张图片，让机器识别这张图是一只猫还是一条狗。这个机器由多层的神经网络结构组成，该结构中有很多参数，经过大量训练之后，机器能识别出这张图是一只猫。如图1-2（图片来源https://becominghuman.ai/building-an-image-classifierusing-deep-learning-in-python-totally-from-a-beginners-perspective-be8dbaf22dd8）所示展示了这个深度学习的过程。
深度学习并不是全新的事物，但为什么在最近几年有了巨大突破？其中一个重要的原因是，人类发明了一个基于深度神经网络的解决方案。
在20世纪五六十年代，神经网络的研究就已经出现了，在马文·明斯基和西摩·帕尔特（1969）发表了一项关于机器学习的研究以后，神经网络的研究就停滞不前了。
图1-2
他们发现了神经网络的两个关键问题点。一个问题是，基本感知机无法处理异或回路；另一个问题是，计算机没有足够的能力来处理大型神经网络所需要的计算时间。在计算机具有更强的计算能力之前，神经网络的研究进展缓慢。但是随着计算能力的增加，深度学习解决问题的精度已经超过其他机器学习方法。
以图片识别为例，2011年，机器识别的错误率是26%，而人工识别的错误率只有5%，所以这个时候的机器识别离实用有非常大的距离。到2016年，机器识别的错误率已经减少到3%左右，深度学习在该领域呈现出非常惊人的能力，这也是深度学习在图像识别领域吸引产业界大量关注的原因。
组成机器学习的三大要素是：数据、计算力和算法（Data、Computation and Algorithm）。
1.1.2　TensorFlow
接下来看一下最近非常流行的，也是本书主要讲解的机器学习框架TensorFlow。
1.TensorFlow的起源和发展历史
TensorFlow是一个开源软件库，用于完成各种感知和语言理解任务的机器学习。TensorFlow被50个团队用于研究和开发许多谷歌商业产品，如语音识别、Gmail、谷歌相册和搜索，其中许多产品曾使用过其前任软件DistBelief。TensorFlow最初由谷歌大脑团队开发，用于谷歌的研究和产品开发，于2015年11月9日在Apache 2.0开源许可下发布。
2010年，谷歌大脑创建DistBelief作为第一代专有机器学习系统。谷歌的50个团队在谷歌和其他Alphabet公司的商业产品中部署了DistBelief的深度学习神经网络，包括谷歌搜索、谷歌语音搜索、广告、谷歌相册、谷歌地图、谷歌街景、谷歌翻译和YouTube。
谷歌安排计算机科学家如Geoffrey Hinton和Jeff Dean，简化和重构了DistBelief的代码库，使其变成一个更快、更健壮的应用级代码库，形成了TensorFlow。
2009年，Hinton领导的研究小组通过在广义反向传播方面的科学突破，极大地提高了神经网络的准确性，使得神经网络的生成成为可能。值得注意的是，这个科学突破使得谷歌语音识别软件中的错误数减少了至少25%。如图1-3（横坐标为年份，纵坐标为谷歌搜索的人工智能和机器学习关键字数量）所示，2013年以后，人工智能和机器学习的关键词搜索数量有了极大增长。
图1-3
TensorFlow是谷歌大脑的第二代机器学习系统。从0.8.0版本（发布于2016年4月）开始支持本地的分布式运行。从0.9.0版本（ ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。