掃一掃
關注中圖網
官方微博
>
ONNX人工智能技術與開發實踐
本類五星書更多>
-
>
貨幣大歷史:金融霸權與大國興衰六百年
-
>
(精)方力鈞作品圖錄
-
>
《藏書報》2021合訂本
-
>
(精)中國當代書畫名家作品集·范碩:書法卷+繪畫卷(全2卷)
-
>
(噴繪樓閣版)女主臨朝:武則天的權力之路
-
>
書里掉出來一只狼+狼的故事-全2冊
-
>
奇思妙想創意玩具書(精裝4冊)
ONNX人工智能技術與開發實踐 版權信息
- ISBN：9787122474315
- 條形碼：9787122474315 ; 978-7-122-47431-5
- 裝幀：平裝
- 冊數：暫無
- 重量：暫無
- 所屬分類：
ONNX人工智能技術與開發實踐 內容簡介
ONNX(Open Neural Network Exchange，開放神經網絡交換)是一種開放格式，用于存儲深度神經網絡模型。ONNX 由微軟和Facebook 于2017 年共同推出，旨在促進不同深度學習框架之間的模型交換和互操作性。ONNX 定義了一組與環境和平臺無關的標準格式，使得AI 模型可以在不同的框架和環境下交互使用。經過短短幾年的發展，ONNX 已經成為表示深度學習模型的實際標準。它還支持傳統非神經網絡機器學習模型。ONNX 有望成為整個AI 模型交換的標準。 全書包括6 章，分別為ONNX 安裝與使用、ONNX 運行時與應用開發技術、ONNX 各種功能與性能分析、ONNX 數據與操作數優化、ONNX 模型性能與應用、ONNX 創新開發案例分析。 本書適合從事AI 算法、軟件、硬件開發的工程師閱讀，也可供科研人員、高校師生、技術管理人員參考使用。
ONNX人工智能技術與開發實踐 目錄
第1章 ONNX 安裝與使用
1.1 安裝ONNX 運行時（ORT） 001
1.1.1 環境要求 001
1.1.2 使用Python 安裝ONNX 001
1.1.3 使用C# /C/C＋＋/WinML 安裝ONNX 002
1.2 使用ONNX 運行時 006
1.2.1 在Python 中使用ONNX 運行時 006
1.2.2 在C＋＋中使用ONNX 運行時 010
1.3 構建ONNX 運行時 010
1.3.1 構建ONNX 運行時的方式 010
1.3.2 ONNX 運行時API 概述 017
1.3.3 API 詳細信息 021
1.4 支持程序相關API 028第2章 ONNX 運行時與應用開發技術
2.1 ONNX 運行時支持程序 035
2.1.1 ONNX 運行時支持程序簡介 035
2.1.2 支持程序摘要 036
2.1.3 添加支持程序 036
2.2 ONNX 原理介紹 037
2.2.1 ONNX 基本概念 037
2.2.2 ONNX 的輸入、輸出、節點、初始化器、屬性 038
2.2.3 元素類型 039
2.2.4 什么是opset 版本？ 040
2.2.5 子圖、測試和循環 040
2.2.6 算子掃描 040
2.2.7 工具 041
2.3 ONNX 與Python 042
2.3.1 線性回歸示例042
2.3.2 初始化器，改進的線性規劃 046
2.3.3 遍歷ONNX 結構并檢查初始化器 048
2.4 運算符屬性 049
2.5 根據符號計算矩陣中所有浮點數的總和 052
2.6 樹集合回歸器 058
2.7 程序創建和驗證模型功能 059
2.8 ONNX 模型使用開發示例分析 059
2.8.1 開發環境 060
2.8.2 創建控制臺應用程序 060
2.8.3 時間序列異常檢測 061
2.8.4 尖峰檢測 062
2.9 在ML.NET 中使用ONNX 檢測對象 066
2.9.1 環境配置 066
2.9.2 目標檢測示例 066第3章 ONNX 各種功能與性能分析
3.1 Python API 概述 090
3.1.1 加載ONNX 模型 090
3.1.2 加載帶有外部數據的ONNX 模型 090
3.1.3 操作TensorProto 和Numpy 數組 091
3.1.4 使用輔助函數創建ONNX 模型 092
3.1.5 用于映射ONNX IR 中屬性的轉換實用程序 093
3.1.6 檢查ONNX 模型 094
3.1.7 ONNX 實用功能 096
3.1.8 ONNX 形狀推理 099
3.1.9 ONNX 模型文本語法 101
3.1.10 類型表示 102
3.1.11 ONNX 版本轉換器 103
3.2 ONNX 中的廣播 105
3.2.1 多向廣播 105
3.2.2 單向廣播 105
3.3 ONNX 操作符可區分性標簽簡短指南 106
3.3.1 差異性標簽 106
3.3.2 定義差異性標簽的方法 106
3.4 維度表示 108
3.4.1 維度表示的目的 108
3.4.2 表示定義 108
3.4.3 表示傳播 109
3.4.4 表示驗證 109
3.5 外部數據 109
3.5.1 加載帶有外部數據的ONNX 模型 109
3.5.2 將ONNX 模型轉換為外部數據 110
3.5.3 使用外部數據檢查模型 110
3.6 ONNX 模型庫 111
3.6.1 基本用法 111
3.6.2 ONNX 中心架構 113
3.7 開放神經網絡交換中間表示（ONNX IR）規范 114
3.7.1 ONNX IR 中間表示的作用 114
3.7.2 ONNX IR 中間表示組件 115
3.7.3 可擴展計算圖模型 115
3.7.4 數據流圖 119
3.7.5 張量表達式 122
3.7.6 靜態張量形狀 122
3.8 實現ONNX 后端 125
3.8.1 什么是ONNX 后端？ 125
3.8.2 統一后端接口 125
3.8.3 ONNX 后端測試 125第4章 ONNX 數據與操作數優化
4.1 管理實驗操作符和圖像類別定義 126
4.1.1 棄用的實驗操作符 126
4.1.2 圖像類別定義 126
4.2 ONNX 類型 127
4.2.1 PyTorch 中的示例 127
4.2.2 操作符慣例 129
4.3 E4M3FNUZ 和E5M2FNUZ 129
4.3.1 指數偏差問題 129
4.3.2 Cast 節點用于數據類型轉換 130
4.4 整數類型（4 位） 131
4.4.1 整數類型（4 位）概述 131
4.4.2 Cast 節點用于數據類型轉換、包裝和拆包 132
4.5 浮點數（4 位） 132
4.5.1 浮點數（4 位）概述 132
4.5.2 E2M1、包裝和拆包 132
4.6 ONNX 如何使用onnxruntime.InferenceSession 函數 133
4.6.1 操作符測試代碼示例 133
4.6.2 函數定義 134
4.6.3 函數屬性 137
4.7 自定義算子 138
4.7.1 添加算子 138
4.7.2 控制操作測試 139
4.7.3 自定義運算符 139
4.7.4 縮減運算符配置文件 145
4.8 分析工具 147
4.8.1 代碼內性能分析 147
4.8.2 支持程序分析 147
4.8.3 GPU 性能分析 148
4.8.4 記錄和跟蹤 148
4.9 線程管理 149
4.9.1 主要內容介紹 149
4.9.2 設置操作內線程數 150
4.9.3 線程旋轉規則 151
4.9.4 設置互操作線程數 151
4.9.5 設置操作內線程關聯 151
4.9.6 Numa 支持和性能調優 152
4.10 自定義線程回調與應用 152
4.10.1 自定義線程回調 152
4.10.2 在自定義操作中的I/O 綁定 153
4.11 量化ONNX 模型 155
4.11.1 量化概述 155
4.11.2 ONNX 量化表示格式 155
4.11.3 量化ONNX 模型 156
4.11.4 量化示例 158
4.11.5 方法選擇 158
4.11.6 量化為Int4/UInt4 159
4.12 創建float16 和混合精度模型 161
4.12.1 float16 轉換解析 161
4.12.2 混合精度 162第5章 ONNX 模型性能與應用
5.1 ONNX 運行時圖形優化 163
5.1.1 ONNX 運行時圖形優化概述 163
5.1.2 ONNX 運行時圖形優化使用方法 165
5.2 ORT 模型格式 166
5.2.1 ORT 模型格式是什么？ 166
5.2.2 將ONNX 模型轉換為ORT 格式 167
5.2.3 將ONNX 模型轉換為ORT 格式腳本用法 168
5.3 加載并執行ORT 格式的模型 170
5.3.1 不同平臺的運行環境 170
5.3.2 ORT 格式模型加載 170
5.3.3 從內存中的字節數組加載ORT 格式模型 171
5.3.4 ORT 格式模型運行時優化 172
5.4 BERT 模型驗證 174
5.4.1 BERT 模型驗證概述 174
5.4.2 對模型進行基準測試和分析 174
5.4.3 Olive-硬件感知模型優化工具 175
5.5 AzureML 上ONNX 運行時的高性能推理BERT 模型 179
5.5.1 AzureML 上ONNX 運行時BERT 模型概述 179
5.5.2 步驟1-預訓練、微調和導出BERT 模型（PyTorch） 179
5.5.3 步驟2-通過AzureML 使用ONNX 運行時部署BERT 模型 181
5.5.4 步驟3-檢查AzureML 環境 181
5.5.5 步驟4-在AzureML 中注冊模型 182
5.5.6 步驟5-編寫評分文件 183
5.5.7 步驟6-寫入環境文件 187
5.5.8 步驟7-在Azure 容器實例上將模型部署為Web 服務 187
5.5.9 步驟8-使用WebService 推理BERT 模型 188第6章 ONNX 創新開發案例分析
6.1 FedAS：彌合個性化聯合學習中的不一致性 190
6.1.1 概述 190
6.1.2 技術分析 190
6.1.3 結論 191
6.2 快照壓縮成像的雙先驗展開 192
6.2.1 概述 192
6.2.2 技術分析 192
6.2.3 結論 193
6.3 利用光譜空間校正改進光譜快照重建 193
6.3.1 概述 193
6.3.2 技術分析 193
6.3.3 結論 194
6.4 基于位平面切片的學習型無損圖像壓縮 194
6.4.1 概述 194
6.4.2 技術分析 195
6.4.3 結論 195
6.5 LiDAR4D：用于新型時空觀激光雷達合成的動態神經場 195
6.5.1 概述 195
6.5.2 技術分析 196
6.5.3 結論 196
6.6 用于圖像恢復的具有注意特征重構的自適應稀疏變換器 197
6.6.1 概述 197
6.6.2 技術分析 197
6.6.3 結論 198
6.7 面向目標檢測中邊界不連續性問題的再思考 198
6.7.1 概述 198
6.7.2 技術分析 199
6.7.3 結論 199
6.8 綜合、診斷和優化：邁向精細視覺語言理解 200
6.8.1 概述 200
6.8.2 技術分析 200
6.8.3 結論 201
6.9 光譜和視覺光譜偏振真實數據集 201
6.9.1 概述 201
6.9.2 技術分析 202
6.9.3 結論 203
6.10 CoSeR 橋接圖像和語言以實現認知超分辨率 204
6.10.1 概述 204
6.10.2 技術分析 204
6.10.3 結論 212
6.11 SAM-6D： 分段任意模型滿足零樣本6D 對象姿態估計 213
6.11.1 概述 213
6.11.2 技術分析 213
6.11.3 結論 214
6.12 NeISF：用于幾何和材料估計的神經入射斯托克斯場 215
6.12.1 概述 215
6.12.2 技術分析 215
6.13 Monkey 圖像分辨率和文本標簽是大型多模態模型的重要內容 217
6.13.1 概述 217
6.13.2 技術分析 218
6.13.3 結論 219
6.14 CorrMatch：通過相關性匹配進行標簽傳播，用于半監督語義分割 219
6.14.1 概述 219
6.14.2 技術分析 220
6.15 VCoder：多模態大型語言模型的多功能視覺編碼器 220
6.15.1 概述 220
6.15.2 技術分析 220
6.15.3 結論 221參考文獻
展開全部
書友推薦
- >
朝聞道
- >
詩經-先民的歌唱
- >
煙與鏡
- >
自卑與超越
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
名家帶你讀魯迅:故事新編
- >
莉莉和章魚
- >
山海經
本類暢銷
