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
深度學習及加速技術:入門與實踐 版權信息
- ISBN：9787111728719
- 條形碼：9787111728719 ; 978-7-111-72871-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習及加速技術:入門與實踐 本書特色
本書旨在培養讀者在深度學習算法及硬件加速方案設計方面的工程實踐能力，適合具備不同基礎的讀者學習。書中理論與實踐相結合，詳細講解了深度學習基礎理論，同時深入分析了處理梯度消失與過擬合現象、選擇合適初始值、優化損失函數等深度學習算法設計中的關鍵技術，以及深度學習算法的硬件加速方案。 通過閱讀本書，你將了解：卷積神經網絡基礎，LeNet、AlexNet、VGGNet、GoogLeNet與ResNet等卷積神經網絡結構的相關理論與技術； R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等不同類型的目標檢測算法的網絡結構、工作原理以及不同算法間的異同點等； 深度學習算法設計中的關鍵技術，包括處理梯度消失與梯度爆炸、消除過擬合、選擇初始值、調整學習速度、優化損失函數等； 網絡模型優化、計算精度降低與網絡剪枝技術、SIMD計算架構與GPU加速、TPU計算架構與TPU加速、ASIC AI計算架構與FPGA加速等深度學習加速技術的基礎理論； OpenCL技術基礎與平臺環境搭建、OpenCL異構并行計算架構、OpenCL語言基本語法與程序設計以及基于OpenCL的FPGA異構并行計算實現方法等OpenCL異構并行計算技術； OpenVINO技術基礎與加速架構、OpenVINO平臺環境搭建、OpenVINO模型優化器以及OpenVINO推理引擎等OpenVINO深度學習加速技術。
深度學習及加速技術:入門與實踐 內容簡介
本書緊密圍繞深度學習及加速技術的基礎理論與應用案例展開敘述，實現了深度學習算法設計與硬件加速技術的有機統一，是一本基礎理論與實踐案例相結合的實用圖書。其具體內容涉及人工智能基本概念，神經網絡數學基礎、神經網絡基本結構與學習策略、反向傳播算法數學原理與訓練機制等神經網絡基礎理論，以及一些高級主題和實踐。本書可作為從事人工智能領域算法研究、架構設計與應用實現等工作的科研人員、工程師以及高等院校師生的參考書籍。
深度學習及加速技術:入門與實踐 目錄
CONTENTS
目 錄
前言
理論篇
第1章 人工智能簡介 2
1.1 人工智能概念 2
1.1.1 人工智能定義 2
1.1.2 人工智能發展歷程 3
1.2 人工智能與深度學習 4
1.2.1 人工智能與深度學習之間
的關系 4
1.2.2 圖靈機與丘奇-圖靈論題 5
1.3 人工智能發展階段 6
1.3.1 人工智能1.0——知識＋
算法＋算力 6
1.3.2 人工智能2.0——數據＋
算法＋算力 7
1.3.3 人工智能3.0——知識＋
數據＋算法＋算力 7
1.3.4 人工智能4.0——存算
一體化 8
1.4 人工智能應用 9
1.4.1 工業零部件尺寸測量與
缺陷檢測 9
1.4.2 目標檢測與跟蹤 9
1.4.3 人臉比對與識別 10
1.4.4 三維影像重構 10
第2章 神經網絡數學基礎 12
2.1 線性向量空間 12
2.2 內積 14
2.3 線性變換與矩陣表示 15
2.4 梯度 17
第3章 神經網絡與學習規則 20
3.1 神經元模型與網絡結構 20
3.1.1 神經元模型 20
3.1.2 神經網絡結構 22
3.2 感知機學習 24
3.2.1 感知機定義及結構 24
3.2.2 感知機學習規則 25
3.3 Hebb學習 28
3.3.1 無監督Hebb學習 28
3.3.2 有監督Hebb學習 29
3.4 性能學習 30
3.4.1 性能指數 30
3.4.2 梯度下降法 31
3.4.3 隨機梯度下降法 32
第4章 反向傳播 33
4.1 LMS算法 33
4.2 反向傳播算法 35
4.2.1 性能指數 36
4.2.2 鏈式法則 36
4.2.3 反向傳播計算敏感性 38
4.2.4 反向傳播算法總結 39
4.3 反向傳播算法變形 39
4.3.1 批數據訓練法 40
4.3.2 動量訓練法 40
4.3.3 標準數值優化技術 42
4.4 反向傳播算法實例分析 42
第5章 卷積神經網絡 45
5.1 卷積神經網絡基礎 45
5.1.1 全連接神經網絡與卷積
神經網絡 45
5.1.2 卷積神經網絡組成結構 46
5.1.3 卷積神經網絡進化史 50
5.2 LeNet 50
5.2.1 LeNet結構 51
5.2.2 LeNet特點 52
5.3 AlexNet 52
5.3.1 AlexNet結構 52
5.3.2 AlexNet特點 54
5.4 VGGNet 54
5.4.1 VGG16結構 55
5.4.2 VGG16特點 57
5.5 GoogLeNet 57
5.5.1 Inception結構 57
5.5.2 GoogLeNet結構——基于Inception V1模塊 59
5.5.3 GoogLeNet特點 62
5.6 ResNet 62
5.6.1 ResNet殘差塊結構 63
5.6.2 ResNet結構 63
5.6.3 ResNet特點 66
第6章 目標檢測與識別 67
6.1 R-CNN 67
6.1.1 基于SS方法的候選區域
選擇 68
6.1.2 候選區域預處理 68
6.1.3 CNN特征提取 69
6.1.4 SVM目標分類 69
6.1.5 Bounding box回歸 70
6.2 Fast R-CNN 70
6.2.1 基于SS方法的候選區域
生成 71
6.2.2 CNN分類與回歸 71
6.2.3 Fast R-CNN目標檢測
算法特點 72
6.3 Faster R-CNN 73
6.3.1 CNN特征提取 73
6.3.2 RPN候選框生成 74
6.3.3 CNN分類與回歸 74
6.3.4 Faster R-CNN目標檢測
算法特點 75
6.4 YOLO 75
6.4.1 YOLOv1 75
6.4.2 YOLOv2 77
6.4.3 YOLOv3 80
第7章 深度學習優化技術 83
7.1 梯度消失 83
7.2 過擬合 85
7.2.1 增加訓練數據集 85
7.2.2 regularization 86
7.2.3 dropout技術 88
7.3 初始值與學習速度 89
7.3.1 初始值選擇規則 89
7.3.2 可變的學習速度 91
7.4 損失函數 92
7.4.1 均方誤差損失函數 92
7.4.2 cross-entropy損失函數 93
7.4.3 log-likelyhood損失函數 95
第8章 深度學習加速技術 96
8.1 軟件模型優化技術 96
8.1.1 網絡模型優化 96
8.1.2 計算精度降低 97
8.1.3 網絡剪枝技術 97
8.2 GPU加速技術 98
8.3 TPU加速技術 100
8.4 FPGA加速技術 102
8.4.1 全連接神經網絡加速 102
8.4.2 卷積神經網絡加速 103
應用篇
第9章 基于OpenCL的FPGA異構
并行計算技術 106
9.1 OpenCL技術基礎與環境搭建 106
9.1.1 OpenCL技術基礎 106
9.1.2 OpenCL環境搭建 107
9.2 OpenCL異構并行計算架構 115
9.2.1 平臺模型 116
9.2.2 執行模型 116
9.2.3 內存模型 117
9.3 OpenCL C語言基本語法與程序
設計 118
9.3.1 基本語法與關鍵字 118
9.3.2 數據類型 119
9.3.3 維度與工作項 122
9.3.4 其他注意事項 123
9.4 基于OpenCL的FPGA異構并行
計算實現方法 123
9.4.1 主程序設計 123
9.4.2 內核程序設計 139
第10章 基于OpenCL的FPGA異構
并行計算應用案例 140
10.1 整體描述 140
10.2 內核
目 錄
前言
理論篇
第1章 人工智能簡介 2
1.1 人工智能概念 2
1.1.1 人工智能定義 2
1.1.2 人工智能發展歷程 3
1.2 人工智能與深度學習 4
1.2.1 人工智能與深度學習之間
的關系 4
1.2.2 圖靈機與丘奇-圖靈論題 5
1.3 人工智能發展階段 6
1.3.1 人工智能1.0——知識＋
算法＋算力 6
1.3.2 人工智能2.0——數據＋
算法＋算力 7
1.3.3 人工智能3.0——知識＋
數據＋算法＋算力 7
1.3.4 人工智能4.0——存算
一體化 8
1.4 人工智能應用 9
1.4.1 工業零部件尺寸測量與
缺陷檢測 9
1.4.2 目標檢測與跟蹤 9
1.4.3 人臉比對與識別 10
1.4.4 三維影像重構 10
第2章 神經網絡數學基礎 12
2.1 線性向量空間 12
2.2 內積 14
2.3 線性變換與矩陣表示 15
2.4 梯度 17
第3章 神經網絡與學習規則 20
3.1 神經元模型與網絡結構 20
3.1.1 神經元模型 20
3.1.2 神經網絡結構 22
3.2 感知機學習 24
3.2.1 感知機定義及結構 24
3.2.2 感知機學習規則 25
3.3 Hebb學習 28
3.3.1 無監督Hebb學習 28
3.3.2 有監督Hebb學習 29
3.4 性能學習 30
3.4.1 性能指數 30
3.4.2 梯度下降法 31
3.4.3 隨機梯度下降法 32
第4章 反向傳播 33
4.1 LMS算法 33
4.2 反向傳播算法 35
4.2.1 性能指數 36
4.2.2 鏈式法則 36
4.2.3 反向傳播計算敏感性 38
4.2.4 反向傳播算法總結 39
4.3 反向傳播算法變形 39
4.3.1 批數據訓練法 40
4.3.2 動量訓練法 40
4.3.3 標準數值優化技術 42
4.4 反向傳播算法實例分析 42
第5章 卷積神經網絡 45
5.1 卷積神經網絡基礎 45
5.1.1 全連接神經網絡與卷積
神經網絡 45
5.1.2 卷積神經網絡組成結構 46
5.1.3 卷積神經網絡進化史 50
5.2 LeNet 50
5.2.1 LeNet結構 51
5.2.2 LeNet特點 52
5.3 AlexNet 52
5.3.1 AlexNet結構 52
5.3.2 AlexNet特點 54
5.4 VGGNet 54
5.4.1 VGG16結構 55
5.4.2 VGG16特點 57
5.5 GoogLeNet 57
5.5.1 Inception結構 57
5.5.2 GoogLeNet結構——基于Inception V1模塊 59
5.5.3 GoogLeNet特點 62
5.6 ResNet 62
5.6.1 ResNet殘差塊結構 63
5.6.2 ResNet結構 63
5.6.3 ResNet特點 66
第6章 目標檢測與識別 67
6.1 R-CNN 67
6.1.1 基于SS方法的候選區域
選擇 68
6.1.2 候選區域預處理 68
6.1.3 CNN特征提取 69
6.1.4 SVM目標分類 69
6.1.5 Bounding box回歸 70
6.2 Fast R-CNN 70
6.2.1 基于SS方法的候選區域
生成 71
6.2.2 CNN分類與回歸 71
6.2.3 Fast R-CNN目標檢測
算法特點 72
6.3 Faster R-CNN 73
6.3.1 CNN特征提取 73
6.3.2 RPN候選框生成 74
6.3.3 CNN分類與回歸 74
6.3.4 Faster R-CNN目標檢測
算法特點 75
6.4 YOLO 75
6.4.1 YOLOv1 75
6.4.2 YOLOv2 77
6.4.3 YOLOv3 80
第7章 深度學習優化技術 83
7.1 梯度消失 83
7.2 過擬合 85
7.2.1 增加訓練數據集 85
7.2.2 regularization 86
7.2.3 dropout技術 88
7.3 初始值與學習速度 89
7.3.1 初始值選擇規則 89
7.3.2 可變的學習速度 91
7.4 損失函數 92
7.4.1 均方誤差損失函數 92
7.4.2 cross-entropy損失函數 93
7.4.3 log-likelyhood損失函數 95
第8章 深度學習加速技術 96
8.1 軟件模型優化技術 96
8.1.1 網絡模型優化 96
8.1.2 計算精度降低 97
8.1.3 網絡剪枝技術 97
8.2 GPU加速技術 98
8.3 TPU加速技術 100
8.4 FPGA加速技術 102
8.4.1 全連接神經網絡加速 102
8.4.2 卷積神經網絡加速 103
應用篇
第9章 基于OpenCL的FPGA異構
并行計算技術 106
9.1 OpenCL技術基礎與環境搭建 106
9.1.1 OpenCL技術基礎 106
9.1.2 OpenCL環境搭建 107
9.2 OpenCL異構并行計算架構 115
9.2.1 平臺模型 116
9.2.2 執行模型 116
9.2.3 內存模型 117
9.3 OpenCL C語言基本語法與程序
設計 118
9.3.1 基本語法與關鍵字 118
9.3.2 數據類型 119
9.3.3 維度與工作項 122
9.3.4 其他注意事項 123
9.4 基于OpenCL的FPGA異構并行
計算實現方法 123
9.4.1 主程序設計 123
9.4.2 內核程序設計 139
第10章 基于OpenCL的FPGA異構
并行計算應用案例 140
10.1 整體描述 140
10.2 內核
展開全部
深度學習及加速技術:入門與實踐 作者簡介
白 創 工學博士。2006年畢業于西安交通大學電子信息工程學院信息工程專業，獲學士學位；2009年畢業于國防科技大學計算機學院軟件工程專業，獲碩士學位；2015年畢業于華中科技大學光學與電子信息學院微電子學與固體電子學專業，獲博士學位。現為長沙理工大學物理與電子科學學院電子科學與技術專業教師。主要研究方向為超大規模集成電路開發、機器視覺與模式識別技術，具體包括芯片指紋和硬件防偽等安全領域芯片、射頻無線通信芯片的研究與設計，以及深度神經網絡學習算法及硬件加速、目標檢測與缺陷識別等人工智能領域技術的研究。主持包括國家自然科學基金項目、湖南省教育廳科學研究項目等國家與地方項目6項，在國內外專業學術刊物和會議上發表研究論文20余篇，獲得專利3項，編寫專著2部。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
經典常談
- >
隨園食單
- >
唐代進士錄
- >
月亮與六便士
- >
莉莉和章魚
- >
回憶愛瑪儂
本類暢銷
