logo
分类于: 人工智能 设计

简介

移动深度学习: 博文视点AI系列

移动深度学习: 博文视点AI系列 0.0分

资源最后更新于 2020-03-29 04:32:16

作者:李永会

出版社:出版社电子工业出版社

出版日期:2019-10

ISBN:9787121371820

文件格式: pdf

标签: 人工智能 限时特价 AI 深度学习 移动终端 博文视点AI系列

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,尝试用浅显的语言和几何图形去解释相关内容。本书第1章展示了在移动端应用深度学习技术的Demo,帮助读者建立直观的认识;第2章至第4章讲述了如何在移动端项目中应用深度学习技术;第5章至第8章的难度略大,主要讲述如何深入地调整框架,适配并定制自己的框架。本书适合移动端研发工程师阅读,也适合所有对移动端运算领域感兴趣的朋友阅读。李永会,百度App移动研发部资深工程师。2015年起在百度从事图像搜索和语音搜索客户端研发工作,主持了多个重要创新项目,包括百度Lens、实时翻译等。同时负责开源移动端深度学习框架Paddle-Lite的开发,长期从事移动端AI高性能计算优化工作,在多种软硬件平台上高性能运行深度学习技术。在工作之余有读史、书法等爱好。

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

  1. 内容简介
  2. 推荐序一
  3. 推荐序二
  4. 前言
  5. 读者服务
  6. 第1章 初窥移动端深度学习技术的应用
  7. 1.1 本书示例代码简介
  8. 1.2 移动端主体检测和分类
  9. 1.3 在线上产品中以“云+端计算”的方式应用深度学习技术
  10. 1.4 在移动端应用深度学习技术的业界案例
  11. 1.5 在移动端应用深度学习技术的难点
  12. 1.6 编译运行深度学习App
  13. 1.7 在iOS平台上搭建深度学习框架
  14. 1.8 在Android平台上搭建深度学习框架
  15. 第2章 以几何方式理解线性代数基础知识
  16. 2.1 线性代数基础
  17. 2.2 向量的几何意义
  18. 2.3 线性组合的几何意义
  19. 2.4 线性空间
  20. 2.5 矩阵和变换
  21. 2.6 矩阵乘法
  22. 2.7 行列式
  23. 2.8 矩阵的逆
  24. 2.9 秩
  25. 2.10 零空间
  26. 2.11 点积和叉积的几何表示与含义
  27. 2.12 线性代数的特征概念
  28. 2.13 抽象向量空间
  29. 第3章 什么是机器学习和卷积神经网络
  30. 3.1 移动端机器学习的全过程
  31. 3.2 预测过程
  32. 3.3 数学表达
  33. 3.4 神经元和神经网络
  34. 3.5 卷积神经网络
  35. 3.6 图像卷积效果
  36. 3.7 卷积后的图片效果
  37. 3.8 卷积相关的两个重要概念:padding和stride
  38. 3.9 卷积后的降维操作:池化
  39. 3.10 卷积的重要性
  40. 第4章 移动端常见网络结构
  41. 4.1 早期的卷积神经网络
  42. 4.2 AlexNet网络结构
  43. 4.3 GoogLeNet网络结构
  44. 4.4 尝试在App中运行GoogLeNet
  45. 4.5 轻量化模型SqueezeNet
  46. 4.6 轻量高性能的MobileNet
  47. 4.7 移动端神经网络模型的优化方向
  48. 第5章 ARM CPU组成
  49. 5.1 现代计算机与ARM CPU架构的现状
  50. 5.2 简单的CPU模型
  51. 5.3 汇编指令初探
  52. 5.4 汇编指令概况
  53. 5.5 ARM指令集架构
  54. 5.6 ARM手机芯片的现状与格局
  55. 第6章 存储金字塔与ARM汇编
  56. 6.1 ARM CPU的完整结构
  57. 6.2 存储设备的金字塔结构
  58. 6.3 ARM芯片的缓存设计原理
  59. 6.4 ARM汇编知识
  60. 6.5 NEON汇编指令
  61. 第7章 移动端CPU预测性能优化
  62. 7.1 工具及体积优化
  63. 7.2 CPU高性能通用优化
  64. 7.3 卷积性能优化方式
  65. 7.4 开发问题与经验总结
  66. 第8章 移动端GPU编程及深度学习框架落地实践
  67. 8.1 异构计算编程框架OpenCL
  68. 8.2 移动端视觉搜索研发
  69. 8.3 解决历史问题:研发Paddle-Lite框架