中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 版權信息
- ISBN：9787111641001
- 條形碼：9787111641001 ; 978-7-111-64100-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 本書特色
本書精講移動平臺深度學習系統所需核心算法、硬件級指令集、系統設計與編程實戰、海量數據處理、業界流行框架裁剪與產品級性能優化策略等，深入、翔實。 深度學習基礎（第1～4章），介紹開發機器學習系統所需重要知識點，以及開發移動平臺機器學習系統算法基石，諸如人工神經網絡、稀疏自編碼器、深度網絡、卷積神經網絡等。 移動平臺深度學習基礎（第5～6章），介紹移動平臺開發環境搭建、移動平臺開發基礎、ARM指令集加速技術，以及輕量級網絡的實現原理與實戰。 深入理解深度學習（第7～8章），剖析數據預處理原理與方法，高性能實時處理系統開發，以及基于深度神經網絡的物體檢測與識別。本篇是下一篇內容的前導與“基石”。 深入理解移動平臺深度學習（第9～12章），本篇應用前述章節的框架與技術，實現移動平臺深度學習系統的實現與集成，具體涵蓋：① 移動平臺性能優化，數據采集與訓練，為開發移動平臺圖像分類系統建立基礎；② 深入剖析TensorFlow Lite代碼體系、構建原理、集成方法以及核心代碼與裁剪分析，模型處理工具，并完成移動平臺系統集成；③ 結合實戰分析主流移動平臺機器學習框架、接口，并展望未來。
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 內容簡介
整體思路是：1、*初介紹深度學習推薦的知識點，做好基礎知識鋪墊 2、講解數據收集、清洗和預處理過程3、講解深度學習訓練4、移動端實踐：性能優化、指令集優化、移動端預測框架開發（基于caffe2、mxnet或ncnn，還未定），開發App使用預測。
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 目錄
序一
序二
前言
**篇 深度學習基礎
第1章 向未來問好 2
1.1 機器學習即正義 2
1.1.1 照本宣科 3
1.1.2 關鍵概念概述 4
1.1.3 數學之美 5
1.2 機器學習的場景和任務 6
1.3 機器學習算法 8
1.3.1 分類算法 8
1.3.2 回歸算法 8
1.3.3 聚類算法 8
1.3.4 關聯分析算法 9
1.3.5 集成算法 9
1.3.6 強化算法 10
1.4 如何掌握機器學習 10
1.4.1 學習曲線 10
1.4.2 技術棧 11
1.5 深度學習 12
1.5.1 深度學習的貢獻 12
1.5.2 深度學習框架簡介 13
1.5.3 安裝使用深度學習框架 16
1.5.4 深度學習進展 22
1.6 走進移動世界的深度學習 25
1.6.1 移動平臺機器學習概述 25
1.6.2 難度和挑戰 26
1.7 本書框架 26
1.8 本章小結 27
第2章 機器學習基礎 28
2.1 機器學習的主要任務 28
2.2 貝葉斯模型 29
2.3 Logistic回歸 33
2.3.1 線性回歸 33
2.3.2 幾率與Logit 35
2.3.3 Logistic回歸 38
2.3.4 背景溯源 39
2.3.5 實現Logistic回歸 42
2.4 本章小結 44
第3章 人工神經網絡 45
3.1 人工神經網絡簡介 45
3.2 基本結構與前向傳播 46
3.2.1 神經元 46
3.2.2 連接與網絡 47
3.2.3 神經網絡向量化 48
3.2.4 前向傳播 50
3.3 反向傳播算法 50
3.4 實現前向神經網絡 53
3.4.1 神經網絡與前向傳播實現 53
3.4.2 Softmax回歸 60
3.5 稀疏自編碼器 61
3.5.1 引子 61
3.5.2 自編碼器簡介 61
3.5.3 稀疏自編碼算法 63
3.6 神經網絡數據預處理 64
3.6.1 去均值 64
3.6.2 歸一化 65
3.7 本章小結 65
第4章 深度網絡與卷積神經網絡 66
4.1 深度網絡 66
4.1.1 自我學習 66
4.1.2 特征學習 67
4.1.3 深度神經網絡 68
4.1.4 逐層貪婪訓練方法 69
4.2 卷積神經網絡 70
4.2.1 全連接與部分連接網絡 70
4.2.2 卷積 70
4.2.3 池化 72
4.2.4 卷積神經網絡 73
4.3 卷積神經網絡實現 73
4.3.1 Layer實現 74
4.3.2 Net實現 79
4.3.3 InnerProduct實現 92
4.3.4 Convolution實現 95
4.3.5 Pooling實現 101
4.3.6 定義注冊頭文件 109
4.4 本章小結 110
第二篇 移動平臺深度學習基礎
第5章 移動平臺深度學習框架設計與實現 112
5.1 移動平臺深度學習系統開發簡介 112
5.2 ARM Linux基礎開發環境 113
5.2.1 通用ARM工具鏈安裝 114
5.2.2 Android NDK安裝 114
5.2.3 樹莓派工具鏈安裝 115
5.3 TensorFlow Lite介紹 115
5.3.1 TensorFlow Lite特性 115
5.3.2 TensorFlow Lite架構 116
5.3.3 TensorFlow Lite代碼結構 117
5.4 移動平臺性能優化基礎 118
5.4.1 ARM v8體系結構 119
5.4.2 ARM v8數據類型與寄存器 120
5.4.3 Neon指令集介紹 122
5.4.4 ARM v8內存模型 124
5.4.5 Neon指令集加速實例 127
5.5 本章小結 140
第6章 移動平臺輕量級網絡實戰 141
6.1 適用于移動平臺的輕量級網絡 141
6.2 SqueezeNet 142
6.2.1 微觀結構 142
6.2.2 宏觀結構 142
6.2.3 核心思路 143
6.2.4 實戰：用PyTorch實現SqueezeNet 144
6.3 MobileNet 153
6.4 ShuffleNet 154
6.5 MobileNet V2 155
6.5.1 MobileNet的缺陷 155
6.5.2 MobileNet V2的改進 155
6.5.3 網絡結構 156
6.5.4 實戰：用PyTorch實現MobileNet V2 157
6.6 本章小結 161
第三篇 深入理解深度學習
第7章 高性能數據預處理實戰 164
7.1 數據預處理任務 164
7.1.1 數據清理 165
7.1.2 數據集成 165
7.1.3 數據歸約 165
7.1.4 數據變換 166
7.2 數據標準化 166
7.3 PCA 167
7.3.1 PCA的現實問題 167
7.3.2 PCA的計算方法 167
7.3.3 PCA的數學理論基礎 169
7.4 在Hurricane之上實現PCA 170
7.4.1 Hurricane實時處理系統 171
7.4.2 實現Hurricane Topology 172
7.4.3 實現PCA 178
7.5 本章小結 192
第8章 基于深度神經網絡的物體檢測與識別 193
8.1 模式識別與物體識別 193
8.1.1 模式識別 193
8.1.2 模式識別系統 194
8.1.3 傳統模式識別方法 194
8.1.4 深度學習模式識別方法 197
8.2 圖像分類 197
8.2.1 LeNet 197
8.2.2 AlexNet 200
8.2.3 數據抓取整理 203
8.2.4 數據預處理 204
8.2.5 數據訓練 206
8.3 目標識別與物體檢測 207
8.3.1 目標識別簡介 207
8.3.2 R-CNN 208
8.3.3 SPP-Net 209
8.3.4 Fast R-CNN 211
8.3.5 Faster R-CNN 211
8.3.6 RetinaNet 213
8.4 檢測識別實戰 213
8.4.1 Faster R-CNN 214
8.4.2 RetinaNet 230
8.5 移動平臺檢測識別實戰 237
8.5.1 移動平臺系統開發思路 237
8.5.2 基于RetinaNet的檢測定位實現 237
8.5.3 基于AlexNet的識別分類實現 244
8.5.4 接口設計封裝 247
8.6 本章小結 258
第四篇 深入理解移動平臺深度學習
第9章 深入移動平臺性能優化 260
9.1 模型壓縮 260
9.2 權重稀疏化 262
9.2.1 Structured Sparsity Learning 262
9.2.2 Dynamic Network Surgery 262
9.2.3 Dynamic Network Surgery實現 264
9.3 模型加速 275
9.3.1 半精度與權重量化 275
9.3.2 深度壓縮 276
9.3.3 二值化網絡 278
9.3.4 三值化網絡 280
9.3.5 DoReFa-Net 282
9.3.6 編程實戰 283
9.4 嵌入式優化 287
9.4.1 算法局限與改進 287
9.4.2 理論改進 287
9.4.3 編程實戰 288
9.5 嵌入式優化代碼實現 290
9.5.1 量化分析實現 290
9.5.2 層實現 302
9.5.3 量化矩陣計算 309
9.6 本章小結 313
第10章 數據采集與模型訓練實戰 314
10.1 收集海量數據 314
10.1.1 搜索引擎工作原理 315
10.1.2 HTTP會話 316
10.1.3 解決JavaScript渲染問題 316
10.2 圖片數據爬蟲實現 317
10.2.1 獲取任務 318
10.2.2 解析圖片 320
10.2.3 圖片存儲 326
10.2.4 圖片去重 327
10.2.5 完成Topology 328
10.3 訓練與測試 330
10.3.1 模型定義 330
10.3.2 訓練 334
10.3.3 測試 342
10.3.4 封裝 344
10.4 本章小結 345
第11章 移動和嵌入式平臺引擎與工具實戰 346
11.1 TensorFlow Lite構建 346
11.2 集成TensorFlow Lite 357
11.3 核心實現分析 358
11.3.1 解釋器代碼分析 358
11.3.2 圖代碼分析 373
11.3.3 操作符注冊 381
11.3.4 操作符擴展實現 384
11.3.5 計算與優化模塊 399
11.4 模型處理工具 407
11.5 本章小結 425
第12章 移動平臺框架與接口實戰 426
12.1 Core ML 426
12.1.1 準備數據和生成模型 427
12.1.2 App實戰：引入Core ML實現 430
12.2 Android Neural Networks API 437
12.2.1 等等，Google還有一個ML Kit 437
12.2.2 NNAPI編程模型 437
12.2.3 創建網絡與計算 439
12.2.4 JNI封裝與調用 451
12.2.5 App實戰：集成NNAPI 454
12.3 實戰：實現Android圖像分類器App 459
12.3.1 JNI封裝 459
12.3.2 Java調用 474
12.4 未來之路 479
12.5 本章小結 480
展開全部
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 相關資料
譽聲和我結緣甚早，是一位很嚴謹的工程師；本書初稿曾經讓我先覽，此書技術深入，我也從書中學習了一些嶄新技術。我身居中國臺灣，非常驚喜大陸的科技出版的蓬勃和百花齊放。我們需要各式各樣的書籍，需要各個專精領域的朋友分享他們的精華知識，這是讀者的大福氣。 ——侯捷，著名C 技術專家 這本書全面介紹了移動平臺神經網絡實戰的相關知識，書中既介紹了主要算法原理和模型，又介紹了相關的工程實踐。在介紹了TensorFlow Lite、ARM指令集等相關知識后，本書進一步介紹了針對移動設備的模型優化，同時覆蓋了NN API、Core ML兩大移動平臺的機器學習框架知識。 ——顧仁民，谷歌資深軟件工程師 這是*本系統介紹深度學習模型在移動端部署的中文書籍，本書從算法和ARM硬件上的實現兩個方面介紹了提高在移動端部署深度學習模型性能的多種方法，并且給出了許多實用的參考用例，同時介紹了業界常用的多種移動端深度學習部署平臺使用方法，是一本非常適合初學者的實用深度學習入門書籍。 ——劉文志（風辰），華為高級技術專家 人工智能的爆發得益于硬件、軟件與應用技術的進步，而向端側遷移是人工智能發展的*趨勢，未來數以千億、萬億計的移動硬件的嵌入式、智能化將成為主流。本書的出現恰逢其時，它主要講解如何基于典型的ARM硬件平臺開發實現高性能的深度學習系統，并針對V8體系架構裁剪實現一個適用于移動平臺的深度學習框架，是一本非常實用的嵌入式人工智能開發圖書。 ——陳煒，ARM中國教育生態部總監
智能系統與技術叢書移動平臺深度神經網絡實戰:原理,架構與優化 作者簡介
盧譽聲 Autodesk數據平臺和計算平臺資深工程師，負責平臺架構研發工作。工作內容涵蓋大規模分布式系統的服務器后端、前端以及SDK的設計與研發，在數據處理、實時計算、分布式系統設計與實現、性能調優、高可用性和自動化等方面積累了豐富的經驗。擅長C/C 、JavaScript開發，此外對Scala、Java以及移動平臺等也有一定研究。著有《移動平臺深度神經網絡實戰：原理、架構與優化》、《分布式實時處理系統：原理架構與實現》，并譯有《高級C/C 編譯技術》和《JavaScript編程精解（原書第2版）》等。
書友推薦
- >
莉莉和章魚
- >
唐代進士錄
- >
名家帶你讀魯迅:朝花夕拾
- >
我從未如此眷戀人間
- >
月亮與六便士
- >
小考拉的故事-套裝共3冊
- >
自卑與超越
- >
史學評論
本類暢銷
