导语

  

内容提要

  

    本书精讲构建移动平台深度学习系统所需算法、指令集、神经网络的设计与实战、海量数据处理、主流框架裁剪与产品级性能优化策略等，内容翔实、深入。
    深度学习基础（第1～4章），介绍开发机器学习系统所需重要知识点，以及开发移动平台机器学习系统的算法与原理基石，诸如人工神经网络、稀疏自编码器、深度网络、卷积神经网络等。
    移动平台深度学习基础（第5～6章），介绍移动平台开发环境搭建、移动平台开发基础、ARM指令集加速技术，以及轻量级网络的实现原理与实战。
    深入理解深度学习（第7～8章），剖析数据预处理原理与方法，高性能实时处理系统开发，以及基于深度神经网络的物体检测与识别。本篇是下一篇内容的前导与“基石”。
    深入理解移动平台深度学习（第9～12章），本篇应用前述章节的框架与技术，实现移动平台深度学习系统的实现与集成，具体涵盖：①移动平台性能优化，数据采集与训练，为开发移动平台图像分类系统建立基础；②深入讲解TensorFlow Lite代码体系、构建原理、集成方法、核心代码与裁剪分析，模型处理工具应用，并完成移动平台系统集成；③结合实战分析主流移动平台机器学习框架、接口，并展望未来。

    卢誉声，软件工程师，擅长C++多线程编程和实时分布式系统架构。曾在思科系统(中国)研发中心云产品研发部工作多年。他曾参与服务器后端、前端以及SDK的设计与研发工作，在大规模分布式系统设计与实现、性能调优、高可用性和自动化等方面积累了丰富的敏捷实践与开发经验。现在在美国某IT／互联网公司工作，从事C++底层通信系统设计与研发。此外，他从事C／C++研发工作，对Java、JavaScript、Lua以及移动开发平台等也有一定研究。

序一
序二
前言
第一篇  深度学习基础
  第1章  向未来问好
    1.1  机器学习即正义
      1.1.1  照本宣科
      1.1.2  关键概念概述
      1.1.3  数学之美
    1.2  机器学习的场景和任务
    1.3  机器学习算法
      1.3.1  分类算法
      1.3.2  回归算法
      1.3.3  聚类算法
      1.3.4  关联分析算法
      1.3.5  集成算法
      1.3.6  强化算法
    1.4  如何掌握机器学习
      1.4.1  学习曲线
      1.4.2  技术栈
    1.5  深度学习
      1.5.1  深度学习的贡献
      1.5.2  深度学习框架简介
      1.5.3  安装使用深度学习框架
      1.5.4  深度学习进展
    1.6  走进移动世界的深度学习
      1.6.1  移动平台机器学习概述
      1.6.2  难度和挑战
    1.7  本书框架
    1.8  本章小结
  第2章  机器学习基础
    2.1  机器学习的主要任务
    2.2  贝叶斯模型
    2.3  Logistic回归
      2.3.1  线性回归
      2.3.2  几率与Logit
      2.3.3  Logistic回归
      2.3.4  背景溯源
      2.3.5  实现Logistic回归
    2.4  本章小结
  第3章  人工神经网络
    3.1  人工神经网络简介
    3.2  基本结构与前向传播
      3.2.1  神经元
      3.2.2  连接与网络
  ……
第二篇  移动平台深度学习基础
第三篇  深入理解深度学习
第四篇  深入理解移动平台深度学习