人工智能 类型
可以朗读 语音朗读
97千字 字数
2019-10-01 发行日期
展开全部

主编推荐语

深度学习在移动端运算应用实践与框架调整指南。

内容简介

本书由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试从几何含义去解释相关内容。全书分为三部分，第一部分（第1章），展示在移动端应用深度学习技术的demo，让读者形成直观的感受。第二部分（第2章-第4章），讲述如何在移动端项目中应用深度学习技术。第三部分（第5章-第8章），难度略大，主要讲述如何深入地调整框架，适配和定制自己的框架。

目录

  • 封面
  • 书名页
  • 内容简介
  • 版权页
  • 推荐序一
  • 推荐序二
  • 前言
  • 读者服务
  • 目录
  • 第1章　初窥移动端深度学习技术的应用
  • 1.1　本书示例代码简介
  • 1.1.1　安装编译好的文件
  • 1.1.2　在Demo App中应用神经网络技术
  • 1.2　移动端主体检测和分类
  • 1.3　在线上产品中以“云+端计算”的方式应用深度学习技术
  • 1.4　在移动端应用深度学习技术的业界案例
  • 1.4.1　植物花卉识别
  • 1.4.2　奇妙的风格化效果
  • 1.4.3　视频主体检测技术在App中的应用
  • 1.5　在移动端应用深度学习技术的难点
  • 1.5.1　在服务器端和移动端应用深度学习技术的难点对比
  • 1.5.2　实现AR实时翻译功能
  • 1.6　编译运行深度学习App
  • 1.6.1　mobile-deep-learning项目环境简介
  • 1.6.2　mobile-deep-learning项目整体代码结构
  • 1.6.3　mobile-deep-learning通用环境依赖
  • 1.7　在iOS平台上搭建深度学习框架
  • 1.7.1　在iOS平台上搭建mobile-deep-learning项目
  • 1.7.2　在OS X平台上编译mobile-deep-learning项目
  • 1.7.3　iOS平台上mobile-deep-learning项目的Demo代码结构
  • 1.8　在Android平台上搭建深度学习框架
  • 1.8.1　Android平台上mobile-deep-learning项目的环境依赖
  • 1.8.2　Android平台上mobile-deep-learning项目的Demo代码结构
  • 1.8.3　用Paddle-Lite框架编译与开发Android应用
  • 1.8.4　开发一个基于移动端深度学习框架的Android App
  • 第2章　以几何方式理解线性代数基础知识
  • 2.1　线性代数基础
  • 2.1.1　标准平面直角坐标系
  • 2.1.2　改变坐标系的基向量
  • 2.2　向量的几何意义
  • 2.2.1　向量的加减运算
  • 2.2.2　向量的数乘运算
  • 2.3　线性组合的几何意义
  • 2.4　线性空间
  • 2.5　矩阵和变换
  • 2.6　矩阵乘法
  • 2.7　行列式
  • 2.8　矩阵的逆
  • 2.9　秩
  • 2.10　零空间
  • 2.11　点积和叉积的几何表示与含义
  • 2.11.1　点积的几何意义
  • 2.11.2　叉积的几何意义
  • 2.12　线性代数的特征概念
  • 2.13　抽象向量空间
  • 第3章　什么是机器学习和卷积神经网络
  • 3.1　移动端机器学习的全过程
  • 3.2　预测过程
  • 3.3　数学表达
  • 3.3.1　预测过程涉及的数学公式
  • 3.3.2　训练过程涉及的数学公式
  • 3.4　神经元和神经网络
  • 3.4.1　神经元
  • 3.4.2　神经网络
  • 3.5　卷积神经网络
  • 3.6　图像卷积效果
  • 3.6.1　从全局了解视觉相关的神经网络
  • 3.6.2　卷积核和矩阵乘法的关系
  • 3.6.3　多通道卷积核的应用
  • 3.7　卷积后的图片效果
  • 3.8　卷积相关的两个重要概念：padding和stride
  • 3.8.1　让卷积核“出界”：padding
  • 3.8.2　让卷积核“跳跃”：stride
  • 3.9　卷积后的降维操作：池化
  • 3.10　卷积的重要性
  • 第4章　移动端常见网络结构
  • 4.1　早期的卷积神经网络
  • 4.2　AlexNet网络结构
  • 4.3　GoogLeNet网络结构
  • 4.3.1　模型体积问题
  • 4.3.2　计算量问题
  • 4.4　尝试在App中运行GoogLeNet
  • 4.4.1　将32位float参数转化为8位int参数以降低传输量
  • 4.4.2　将CPU版本服务器端框架移植到移动端
  • 4.4.3　应用在产品中的效果
  • 4.5　轻量化模型SqueezeNet
  • 4.5.1　SqueezeNet的优化策略
  • 4.5.2　fire模块
  • 4.5.3　SqueezeNet的全局
  • 4.6　轻量高性能的MobileNet
  • 4.6.1　什么是深度可分离卷积（Depthwise Separable Convolution）
  • 4.6.2　MobileNet v1网络结构
  • 4.6.3　MobileNet v2网络结构
  • 4.7　移动端神经网络模型的优化方向
  • 第5章　ARM CPU组成
  • 5.1　现代计算机与ARM CPU架构的现状
  • 5.1.1　冯·诺依曼计算机的基本结构
  • 5.1.2　移动计算设备的分工
  • 5.2　简单的CPU模型
  • 5.2.1　取指过程
  • 5.2.2　译码过程
  • 5.2.3　执行过程
  • 5.2.4　回写过程
  • 5.2.5　细化分工：流水线技术
  • 5.3　汇编指令初探
  • 5.3.1　汇编语言程序的第一行
  • 5.3.2　这些指令是什么
  • 5.4　汇编指令概况
  • 5.4.1　ARM CPU家族
  • 5.4.2　ARMv7-A处理器架构
  • 5.4.3　ARMv7汇编指令介绍
  • 5.5　ARM指令集架构
  • 5.6　ARM手机芯片的现状与格局
  • 第6章　存储金字塔与ARM汇编
  • 6.1　ARM CPU的完整结构
  • 6.2　存储设备的金字塔结构
  • 6.3　ARM芯片的缓存设计原理
  • 6.3.1　缓存的基本理解
  • 6.3.2　简单的缓存映射结构：直接映射
  • 6.3.3　灵活高效的缓存结构：组相联映射
  • 6.3.4　利用一个简单的公式优化访存性能
  • 6.4　ARM汇编知识
  • 6.4.1　ARM汇编数据类型和寄存器
  • 6.4.2　ARM指令集
  • 6.4.3　ARM汇编的内存操作
  • 6.5　NEON汇编指令
  • 6.5.1　NEON寄存器与指令类型
  • 6.5.2　NEON存储操作指令
  • 6.5.3　NEON通用数据操作指令
  • 6.5.4　NEON通用算术操作指令
  • 6.5.5　NEON乘法指令
  • 6.5.6　运用NEON指令计算矩阵乘法
  • 第7章　移动端CPU预测性能优化
  • 7.1　工具及体积优化
  • 7.1.1　工具使用
  • 7.1.2　模型体积优化
  • 7.1.3　深度学习库文件体积优化
  • 7.2　CPU高性能通用优化
  • 7.2.1　编译选项优化
  • 7.2.2　内存性能和耗电量优化
  • 7.2.3　循环展开
  • 7.2.4　并行优化与流水线重排
  • 7.3　卷积性能优化方式
  • 7.3.1　滑窗卷积和GEMM性能对比
  • 7.3.2　基于Winograd算法进行卷积性能优化
  • 7.3.3　快速傅里叶变换
  • 7.3.4　卷积计算基本优化
  • 7.4　开发问题与经验总结
  • 第8章　移动端GPU编程及深度学习框架落地实践
  • 8.1　异构计算编程框架OpenCL
  • 8.1.1　开发移动端GPU应用程序
  • 8.1.2　OpenCL中的一些概念
  • 8.2　移动端视觉搜索研发
  • 8.2.1　初次探索移动端AI能力
  • 8.2.2　取消拍照按钮，提升视觉搜索体验
  • 8.2.3　使用深度学习技术提速视觉搜索
  • 8.2.4　通过AI工程技术提升视觉搜索体验
  • 8.3　解决历史问题：研发Paddle-Lite框架
  • 8.3.1　体积压缩
  • 8.3.2　工程结构编码前重新设计
  • 8.3.3　视觉搜索的高级形态：实时视频流式搜索
  • 封底
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。