移動端AI與ML應用開發：基於iOS和Android

前言 1

第1章 人工智慧和機器學習簡介 7
1.1 什麼是人工智慧 7
1.2 什麼是機器學習 8
1.2.1 從傳統編程轉向機器學習 9
1.2.2 機器如何學習 12
1.2.3 機器學習與傳統編程的比較 17
1.3 在移動設備上構建和使用模型 18
1.4 總結 18

第2章 計算機視覺簡介 19
2.1 為視覺使用神經元 19
2.1.1 你的第一個分類器：識別衣物 24
2.1.2 數據：Fashion MNIST 24
2.1.3 解析Fashion MNIST的模型架構 26
2.1.4 編寫Fashion MNIST 模型 27
2.2 計算機視覺的遷移學習 31
2.3 總結 34

第3章 ML Kit簡介 35
3.1 在Android上構建人臉檢測應用程式 36
3.1.1 第1步：使用Android Studio創建應用程式 36
3.1.2 第2步：添加和配置ML Kit 38
3.1.3 第3步：定義使用者介面 39
3.1.4 第4步：將圖像添加為資產 41
3.1.5 第5步：使用預設圖片載入UI 41
3.1.6 第6步：調用人臉檢測器 43
3.1.7 第7步：添加邊界矩形 44
3.2 為iOS構建人臉檢測器應用程式 46
3.2.1 第1步：在Xcode中創建項目 46
3.2.2 第2步：使用 CocoaPods 和podfile 47
3.2.3 第3步：創建使用者介面 48
3.2.4 第 4步：添加應用程式邏輯 52
3.3 總結 55

第4章 Android上使用ML Kit的計算機視覺應用程式 56
4.1 圖像標記和分類 56
4.1.1 第1步：創建應用程式並配置ML Kit 57
4.1.2 第2步：創建使用者介面 57
4.1.3 第3步：將圖像添加為資產 58
4.1.4 第4步：將圖像載入到ImageView 59
4.1.5 第5步：編寫按鈕處理常式代碼 59
4.1.6 下一步 62
4.2 物體檢測 62
4.2.1 第1步：創建應用程式並導入ML Kit 63
4.2.2 第2步：創建活動佈局 XML 63
4.2.3 第3步：將圖像載入到 ImageView 63
4.2.4 第4步：設置物體檢測器選項 64
4.2.5 第5步：處理按鈕交互 65
4.2.6 第6步：繪製邊界框 65
4.2.7 第7步：標記物體 67
4.3 檢測和跟蹤視頻中的物體 68
4.3.1 探索佈局 69
4.3.2 GraphicOverlay類 70
4.3.3 捕捉相機 70
4.3.4 ObjectAnalyzer類 71
4.3.5 ObjectGraphic 類 72
4.3.6 組合在一起 73
4.4 總結 73

第5章 Android上使用ML Kit的文本處理應用程式 74
5.1 實體提取 74
5.1.1 創建應用程式 75
5.1.2 為活動創建佈局 76
5.1.3 編寫實體提取代碼 77
5.1.4 組合在一起 79
5.2 手寫辨識和其他識別 80
5.2.1 創建應用程式 81
5.2.2 創建繪圖平面 82
5.2.3 使用ML Kit解析墨蹟 84
5.3 智慧回復對話 86
5.3.1 創建應用程式 86
5.3.2 類比對話 87
5.3.3 生成智能回復 88
5.4 總結 88

第6章 iOS上使用ML Kit的計算機視覺應用程式 89
6.1 圖像標記和分類 89
6.1.1 第1步：在 Xcode 中創建應用程式 90
6.1.2 第2步：創建podfile 90
6.1.3 第3步：設置故事板 92
6.1.4 第4步：編輯視圖控制器代碼來使用 ML Kit 93
6.2 使用ML Kit在iOS中進行物體檢測 96
6.2.1 第1步：開始 97
6.2.2 第2步：在故事板上創建UI 98
6.2.3 第3步：為注釋創建子視圖 99
6.2.4 第4步：執行物體檢測 100
6.2.5 第5步：處理回呼函數 101
6.2.6 將物體檢測與圖像分類結合 103
6.2.7 視頻中的物體檢測和跟蹤 104
6.3 總結 107
第7章 iOS上使用ML Kit的文本處理應用程式 108
7.1 實體提取 108
7.1.1 第1步：創建應用程式並添加 ML Kit pod 109
7.1.2 第2步：創建帶有動作和輸出的故事板 110
7.1.3 第3步：允許視圖控制器用於文本輸入 110
7.1.4 第4步：初始化模型 111
7.1.5 第5步：從文本中提取實體 112
7.2 手寫辨識 113
7.2.1 第1步：創建應用程式並添加ML Kit pod 114
7.2.2 第2步：創建故事板、動作和輸出 115
7.2.3 第3步：筆劃、點和墨蹟 115
7.2.4 第4步：捕獲用戶輸入 116
7.2.5 第5步：初始化模型 117
7.2.6 第6步：進行墨蹟識別 118
7.3 智慧回復對話 119
7.3.1 第1步：創建應用程式並集成 ML Kit 120
7.3.2 第2步：創建故事板、輸出和動作 120
7.3.3 第3步：創建類比對話 121
7.3.4 第4步：獲取智能回復 123
7.4 總結 124

第8章 更深入：瞭解TensorFlow Lite 125
8.1 什麼是 TensorFlow Lite 125
8.2 TensorFlow Lite 入門 127
8.2.1 保存模型 128
8.2.2 轉換模型 128
8.2.3 使用獨立解譯器測試模型 129
8.3 創建一個 Android應用程式來託管TFLite 131
8.3.1 導入TFLite文件 133
8.3.2 編寫Kotlin代碼與模型交互 134
8.3.3 超越基礎 137
8.4 創建一個 iOS 應用程式來託管 TFLite 140
8.4.1 第1步：創建一個基本的 iOS 應用程式 140
8.4.2 第2步：將 TensorFlow Lite 添加到項目中 141
8.4.3 第3步：創建使用者介面 142
8.4.4 第4步：添加並初始化模型推理類 144
8.4.5 第 5 步：執行推理 147
8.4.6 第6步：將模型添加到應用程式中 149
8.4.7 第7步：添加UI邏輯 150
8.4.8 超越“Hello World”：處理圖像 152
8.5 探索模型優化 155
8.5.1 量化 155
8.5.2 使用代表性數據 157
8.6 總結 158

第9章 創建自訂模型 159
9.1 使用TensorFlow Lite Model Maker創建模型 160
9.2 使用Cloud AutoML創建模型 164
9.3 使用TensorFlow和遷移學習創建模型 174
9.4 創建語言模型 176
9.5 總結 180

第10章 在Android中使用自訂模型 181
10.1 將模型橋接到 Android 181
10.2 從Model Maker輸出構建圖像分類應用程式 182
10.3 將Model Maker輸出與 ML Kit 結合使用 187
10.4 使用語言模型 189
10.5 創建用於語言分類的 Android 應用程式 189
10.5.1 創建佈局文件 190
10.5.2 對活動進行編碼 191
10.6 總結 193

第11章 在iOS中使用自訂模型 194
11.1 將模型橋接到iOS 194
11.2 自訂模型圖像分類器 196
11.2.1 第1步：創建應用程式並添加 TensorFlow Lite pod 196
11.2.2 第2步：創建 UI 和圖像資產 197
11.2.3 第3步：載入和流覽圖像資產 199
11.2.4 第4步：載入模型 199
11.2.5 第5步：將圖像轉換為輸入張量 200
11.2.6 第6步：獲取張量的推理 203
11.3 在ML Kit中使用自訂模型 204
11.4 在Swift中構建用於自然語言處理的應用程式 206
11.4.1 第1步：載入詞彙 208
11.4.2 第2步：將句子轉換為序列 209
11.4.3 第3步：擴展數組以處理不安全數據 210
11.4.4 第4步：將數組複製到數據緩衝區 211
11.4.5 第5步：對數據進行推理並處理結果 211
11.5 總結 212

第12章 使用Firebase產品化應用程式 213
12.1 為什麼要使用Firebase自訂模型託管 213
12.2 創建多個模型版本 214
12.3 使用 Firebase 模型託管 215
12.3.1 第1步：創建 Firebase 項目 215
12.3.2 第 2 步：使用自訂模型託管 220
12.3.3 第 3 步：創建一個基本的 Android 應用程式 222
12.3.4 第4步：將Firebase添加到應用程式中 223
12.3.5 第5步：從Firebase模型託管獲取模型 225
12.3.6 第6步：使用遠端配置 226
12.3.7 第7步：讀取應用程式中的遠端配置 229
12.3.8 下一步 230
12.4 總結 231

第13章 為簡單的iOS應用程式創建ML和 Core ML 232
13.1 使用Create ML構建Core ML 圖像分類器 232
13.1.1 製作一個使用 Create ML 模型的 Core ML 應用程式 238
13.1.2 添加MLModel文件 239
13.1.3 運行推理 239
13.2 使用 Create ML 構建文本分類器 243
13.3 在應用程式中使用模型 245
13.4 總結 247

第14章 從移動應用程式訪問基於雲的模型 248
14.1 安裝 TensorFlow Serving 249
14.1.1 使用 Docker 安裝 249
14.1.2 在Linux上直接安裝 250
14.2 構建和服務模型 251
14.3 從 Android 訪問伺服器模型 254
14.4 從iOS訪問伺服器模型 258
14.5 總結 260

第15章 移動應用程式的道德、公平和隱私 261
15.1 負責任的人工智慧的道德、公平和隱私 262
15.1.1 負責任地定義你的問題 262
15.1.2 避免數據中的偏差 263
15.1.3 構建和訓練模型 268
15.1.4 評估模型 269
15.2 Google的人工智慧原則 271
15.3 總結 272