译者序

移动端人工智能和机器学习（On-Device AI and Machine Learning）是指把人工智能和机器学习的应用放在移动端来做。这里的“移动端”是相对于云服务而言的。它可以是手机，也可以是IoT（物联网）设备等。

由于模型大小、计算能力等方面的问题，传统的机器学习很多都是放在服务器端做的，服务器端一般安装有计算能力强劲的Nvidia GPU。而随着以手机为代表的移动端算力的提高，以及模型设计本身的改进，能力更强的模型逐渐能够部署到移动端上运行。

2017年5月，Google在年度I/O大会上宣布会推出TensorFlow Lite，其运行在下一代Android系统将会新增的Neural Network API之上，使得开发者可以将TensorFlow深度学习框架创建的模型移植到移动端上运行。

Apple在2017 WWDC大会上宣布更新iOS 11时一并推出了面向开发者的全新机器学习框架——Core ML，声称能让本地数据处理更加方便快捷。据介绍，Core ML提供支持人脸追踪、人脸检测、地标检测、文本检测、条码识别、物体追踪、图像匹配等任务的API。

由上述内容可以看到，两大移动设备操作系统提供商Google和Apple，以及深度学习框架社区，都为On Device AI做了很多准备，而且从GitHub和国内外的开发者博客上，我们可以看到非常多的基于Core ML、TensorFlow Lite等深度学习框架的移动端应用案例，其体现了开发者对这个趋势的极大热情。无论我们是哪个移动平台的开发者，都应该清晰地认识到这个趋势，及时点亮自己的技能点，为用户提供更智能、更人性化的应用。

现在移动设备已成为大多数人的主要计算设备，移动开发者掌握AI技能在职业生涯中至关重要。本书是你在iOS和Android等流行移动平台上创建和运行AI模型的指南。

本书作者在Google领导AI Advocacy。本书详细介绍了机器学习的技术和工具，引导你使用ML Kit、TensorFlow Lite和Core ML等工具编写由常见模型（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，那么本书会极大地帮助你加入当今的机器学习革命。

作者还在GitHub上发布了本书的示例代码（参见https://github.com/lmoroney/odmlbook）。读者可以直接下载编译，极为便利。译者目前在比利时某科研机构从事嵌入式实时人工智能、计算机视觉和深度学习异构平台上的编程框架等方面的研究工作，虽然在机器学习和计算机视觉方面有多年研究和开发经验，但由于本书中所涉及的专业术语与概念大部分尚无公认的中文译法，因此我们参考了一些网络上和研究论文中常用的译法。在翻译过程中，虽然我们力求准确反映原著内容，但由于水平有限，错误或者遗漏之处恳请读者批评指正。读者可以通过电子邮件songnh@outlook.com和我们取得联系。

最后感谢机械工业出版社编辑的大力支持，他们为保证本书的质量做了大量的编辑和审校工作，在此深表谢意。

宋能辉