tensorflow應用的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列線上看、影評和彩蛋懶人包

AI手機APP、智慧硬體專案實作：使用TensorFlow Lite(iOS/Android/RPi適用)

為了解決tensorflow應用的問題，作者JeffTang 這樣論述：

　　．針對行動與嵌入式裝置打造整合了TensorFlow的AI應用程式  　　．學會各種最新的AI議題，例如電腦視覺、自然語言處理，還有深度強化學習  　　．取得TensorFlow文件未收錄的實務導引以及超好用的獨家程式碼    　　身為開發者，您得隨時睜亮眼睛，準備好迎接下一波浪潮，同時還要留心現在最夯的是什麼。因此，如果把現在與未來這兩個世界的最佳方案整合起來的話，還有什麼比學會這個更棒的呢？AI人工智慧顯然是行動裝置後的下一件大事，而Google所推出的TensorFlow更是機器學習領域中頂尖的開放原始碼框架。    　　本書收錄了超過10個整合了TensorFlow的完整iOS

、Android與Raspberry Pi應用程式，帶您從頭開始做，還能直接在裝置上離線執行各種超酷的TensorFlow模型：電腦視覺、語音語言處理、生成對抗網路與類似AlphaZero的深度強化學習。您將學會如何使用或重新訓練現有的TensorFlow模型、自行建置模型，以及開發可執行這些TensorFlow模型的行動裝置app。藉由本書中的逐步教學，搭配超實務除錯經驗來避開過程中的許多陷阱，您很快就會知道如何快速開發這類app了。    　　本書精彩內容：  　　．運用遷移學習技術來分類各種影像  　　．偵測物體與其位置  　　．將華麗的藝術風格套用在指定圖片上  　　．理解簡易的語音指

令  　　．以自然語言來描述各種影像  　　．運用卷積神經網路與長短期記憶神經網路來描述繪畫內容  　　．使用TensorFlow與Keras來執行遞迴神經網路來預測股票價格  　　．使用生成對抗網路來生成與增強影像  　　．使用TensorFlow and Keras打造類似AlphaZero的行動裝置遊戲app  　　．在行動裝置上使用TensorFlow Lite與Core ML  　　．使用Raspberry Pi開發各種TensorFlow app，讓它可以移動、觀看、聆聽、說話，同時還兼具學習能力喔！    　　本書是為誰所寫  　　如果您是iOS兼（或）Android的開發者，並

且有興趣自行建置或重新訓練各種酷炫的TensorFlow模型並把它們運行在您的行動app上，或者如果您是TensorFlow開發者，且想要把新作好的TensorFlow模型運行在行動裝置上的話，本書就是為您而寫。最後，如果您想了解TensorFlow Lite、Core ML或如何在Raspberry Pi運行TensorFlow的話，本書保證讓您收穫滿滿。 

深度學習原理與 TensorFlow實踐

為了解決tensorflow應用的問題，作者黃理燦 這樣論述：

本書介紹了深度學習原理與TensorFlow實踐。著重講述了當前學術界和工業界的深度學習核心知識：機器學習概論、神經網路、深度學習。著重講述了深度學習的實現以及深度學習框架TensorFlow：Python 程式設計基礎、TensorFlow程式設計基礎、TensorFlow模型、 TensorFlow程式設計實踐、TensorFlowLite 和 TensorFlow.js、TensorFlow案例--醫學應用和Seq2Seq attention 模型及其應用案例。 本書特色是既有由淺入深的理論知識，又有從入門到高深的應用程式設計的技術知識。本書涵蓋了深度學習的理論、Python 程式設計

語言以及TensorFlow程式設計知識和代碼解讀，為深度學習初學者以及進階人員提供了詳盡的必要知識。 本書可用于大學本科生高年級以及研究生人工智慧教材，也可作為應用領域技術人員、工程技術人員和科學研究工作者的參考資料。   黃理燦 浙江理工大學網路與分散式運算研究所所長， 曾任浙江省資訊化促進會理事長，International Conference on Networking and Distributed Computing(ICNDC)網路與分散式運算國際會議主席。一直從事網路與分散式運算研究。IEEE高級會員，域搜雲平臺創始人。   第 1

章 緒論 1 11 引言2 12 深度學習的發展歷程 3 13 TensorFlow 應用現狀 5 習題 6 第 2 章 機器學習概論7 21 機器學習相關的數學知識 8 211 微積分8  212 線性代數11  213 概率論14  22 機器學習方法15 221 監督學習16 222 無監督學習24  223 半監督學習 26  224 強化學習28  23 資料的預處理方法31 習題34 第 3 章 神經網路35 31 神經網路基礎知識36 311 MP 模型36  312 感知機38  313 三層感知機41  32 神經網路模型53 321 徑向基函數網路 54  322 Ho

pfield 神經網路56  323 Elman 神經網路56  324 玻爾茲曼機57  325 自動編碼器60  326 生成對抗網路 62  習題64 第 4 章 深度學習65 41 多層感知機神經網路 66 42 啟動函數、損失函數和過擬合 71 421 啟動函數71  422 損失函數（代價函數） 74  423 防止過擬合78  43 卷積神經網路80 431 卷積神經網路原理 81  432 卷積神經網路 BP 演算法的數學推導 86  44 迴圈神經網路  89 441 迴圈神經網路模型原理90  442 BPTT 演算法 91  443 雙向迴圈神經網路 95  444 深

度迴圈神經網路 96  445 長短時記憶網路 96  446 門控迴圈單元網路 98  45 深度置信網路  99 451 RBM 原理99  452 RBM 求解演算法100  453 對比散度演算法101  454 公式推導101  455 深度置信網路訓練105  46 深度學習框架 106 461 TensorFlow107  462 Caffe107  463 Theano108 464 Keras 109  習題110 第 5 章 Python 程式設計基礎111 51 Python 環境搭建112 511 Python 安裝112  512 Jupyter Notebook

程式設計器安裝使用112  52 Python 程式設計基礎知識117 521 Python 識別字 117  522 Python 標準資料類型 118  523 Python 語句118  524 Python 運算子 119  525 代碼組121  526 Python 流程控制 122  527 Python 函數 123  528 Python 模組126  529 Python 類127  5210 命名空間和作用域131  53 Python 標準庫132 54 Python 機器學習庫132 541 NumPy 132  542 Scipy140  543 Pandas 14

3  544 Scikit-learn148  習題153 第 6 章 TensorFlow 程式設計基礎155 61 TensorFlow 的發展歷程與演進156 62 TensorFlow 的搭建配置158 621 在 Windows 系統環境下安裝TensorFlow158  622 在 Mac OS 系統環境下安裝TensorFlow158  623 在 Linux 系統環境下安裝TensorFlow159  63 TensorFlow 程式設計基礎知識 159 631 張量159  632 符號式程式設計160  633 變數和常量 161  634 會話（Session） 161

  635 預留位置（placeholder）、獲取（Fetch）和饋送（Feed）  162  636 Variable 類163  637 常量、序列以及隨機值 164  638 執行圖（Running Graphs）166  639 操作運算167  6310 基本數學函數170  6311 矩陣數學函數 171  6312 張量數學函數 176  6313 張量 Reduction 操作176  6314 累加和累積 179  6315 張量拆分操作 179  6316 序列比較與索引 182  6317 張量資料類型轉換 183  6318 TensorFlow 張量形狀的確定與改變

184  64 TensorFlow 系統架構及源碼結構185 65 Eager Execution 188 66 TensorFlow 示例代碼 189 661 簡單回歸擬合 189  662 波士頓房價預測 191  習題193 第 7 章 TensorFlow 模型 194 71 TensorFlow 模型程式設計模式 195 711 tfnn 模組  195 712 tflayers 模組207  713 tfestimator 模組210  714 tfkeras 模組211  72 讀取數據212 721 載入數據 212  722 創建反覆運算器 214  723 使用 da

taset 資料216  73 TensorFlow 模型搭建218 74 TensorFlow 模型訓練220 741 損失函數——tflosses 模組220  742 優化器——tftrain 模組220  743 訓練示例222  75 TensorFlow 評估222 751 評價指標222  752 評估函數——tfmetrics 模組225  76 TensorFlow 模型載入、保存及調用227 77 視覺化分析和評估模型229 771 tfsummary 模組 229  772 TensorBoard 視覺化評估工具229  773 TensorBoard 使用案例 230 

78 示例——鳶尾花分類239 習題242 第 8 章 TensorFlow 程式設計實踐243 81 MNIST 手寫數位識別 244 811 使用 tfnn 模組實現 MNIST手寫數位識別245  812 使用 tfestimator 模組實現MNIST手寫數位識別 248  82 Fashion MNIST253 821 Keras 序列模型 253  822 Fashion MNIST 代碼  259  83 RNN 簡筆劃識別  265 習題275 第 9 章 TensorFlow Lite 和TensorFlowjs 276 91 TensorFlow Lite 277 9

11 轉化訓練好的模型為tflite文件 278  912 編寫自訂操作代碼 279  913 在 TensorFlow Lite 的移動端進行安卓開發280  914 在 TensorFlow Lite 的移動端進行iOS 開發  283  92 TensorFlowjs  284 921 TensorFlowjs JavaScript 庫引入 284  922 TensorFlowjs 基礎知識 285  923 TensorFlowjs 示例 289  習題302 第 10 章 TensorFlow 案例——醫學應用303 101 開源醫學圖像分析平臺 DLTK的安裝運行304 102

開源醫學圖像分析平臺 DLTK的使用305 103 開源醫學圖像分析平臺 DLTK案例310 104 開源醫學圖像分析平臺 DLTK模型312 習題323 第 11 章 Seq2Seq attention模型及其應用案例324 111 Seq2Seq 和 attention 模型325 112 TensorFlow 自動文本摘要生成327 1121 TextSum 安裝運行 328  1122 TextSum 整體結構 329  113 聊天機器人 350 1131 DeepQA350  1132 Stanford TensorFlow Chatbot356  習題356  

具對話與視覺辨識之履帶型機器人之研究

為了解決tensorflow應用的問題，作者黃國欽 這樣論述：

摘要 IABSTRACT II致謝 III目錄 IV圖目錄 VI表目錄 IX第一章 諸論 11.1 研究動機與目的 11.2 文獻回顧 31.3 本文架構 5第二章 系統架構 62.1 硬體架構 62.1.1 樹莓派(Raspberry Pi) 單晶片電腦 62.1.2 樹莓派(Rapsberry Pi) 鏡頭 92.1.3 Google AIY Voice HAT 122.1.4 L298N馬達驅動器 152.1.5 電源 162.1.6 履帶型機器人 172.2 軟體架構 192.2.1 TensorFlow 192.2

.2 Dialogflow 222.2.3 Flask 23第三章 研究方法 243.1 系統架構圖 243.2 語意分析與語音辨識 253.3 對話訊息傳送/接收 313.4 物件辨識 333.5 履帶型機器人控制方法 37第四章 實驗結果 394.1 人機對話介面 394.2 視覺辨識 404.3 聊天機器人對話 424.4 語意控制機器人 46第五章 結論與未來展望 525.1 結論 525.2 未來展望 53參考文獻 54