嵌入式人工智能 - 城邦阅读花园






	購買中國簡體書籍請注意： 1. 因裝幀品質及貨運條件未臻完善，中國簡體書可能有出現磨痕、凹痕、折痕等問題，故簡體字館除封面破損、內頁脫落、缺頁等較嚴重的狀態外，其餘所有商品將正常出貨。


	目錄第一篇原理第1章人工智慧與人工神經網路3 1.1什麼是人工智慧3 1.2什麼是人工神經網路4 1.3人類大腦5 1.4人工神經網路的基本構成7 1.4.1人工神經元7 1.4.2人工神經網路的結構8 1.5人工神經網路的學習機制9 1.6人工神經網路的類型10 1.7人工神經網路的優勢24 1.8深度神經網路25 1.8.1什麼是深度神經網路25 1.8.2常見的深度神經網路27 1.8.3卷積神經網路27 1.9神經網路架構搜索31 1.9.1搜索空間31 1.9.2強化學習搜索32 1.9.3漸進式搜索33 1.9.4離散搜索35 1.10遷移學習37 1.10.1什麼是遷移學習37 1.10.2遷移學習的類型38 1.10.3遷移學習的優勢39 1.10.4遷移學習的方式40 1.10.5遷移學習與嵌入式人工智慧40 第2章嵌入式人工智慧41 2.1什麼是嵌入式人工智慧41 2.2為什麼需要嵌入式人工智慧42 2.3最初的嘗試: 雲計算模式45 2.4從雲端到設備: 本地模式47 2.5嵌入式人工智慧的技術挑戰50 2.6嵌入式人工智慧的實現途徑53 目錄2.7嵌入式人工智慧的實現組件54 第3章嵌入式AI晶片原理56 3.1平行計算56 3.2脈動陣列57 3.3多級緩存59 3.4資料流程60 第4章羽量級神經網路64 4.1降低計算複雜度64 4.1.1分組卷積65 4.1.2深度方向卷積65 4.1.3點向卷積66 4.1.4深度可分離卷積66 4.1.5通道亂序混合67 4.2SqueezeNet67 4.2.1核心思想67 4.2.2網路結構68 4.2.3性能70 4.3Xception70 4.3.1核心思想70 4.3.2網路結構71 4.3.3性能71 4.4MobileNet v172 4.4.1核心思想73 4.4.2網路結構73 4.4.3性能74 4.5MobileNet v275 4.5.1核心思想75 4.5.2網路結構75 4.5.3性能77 4.6MnasNet77 4.6.1核心思想78 4.6.2網路結構78 4.6.3性能80 4.7MobileNet v381 4.7.1核心思想81 4.7.2網路結構81 4.7.3性能83 4.8羽量級神經網路的應用84 第5章深度神經網路壓縮86 5.1神經網路壓縮的一般方法86 5.1.1剪枝86 5.1.2權重共用88 5.1.3量化90 5.1.4二值/三值化92 5.1.5Winograd卷積93 5.2壓縮編譯協同設計94 5.2.1壓縮編譯協同設計的概念94 5.2.2壓縮器95 5.2.3編譯器98 5.2.4壓縮編譯協同設計的優勢99 第6章嵌入式神經網路應用程式框架101 6.1分層級聯系統的構成102 6.2分層級聯系統的效率103 6.3基於CNN的分層人臉識別系統104 6.4本地雲協同模式107 第7章終生深度學習109 7.1傳統深度學習的缺陷及原因109 7.2終生深度學習的目標111 7.3終生深度學習的特性112 7.4神經生物學的啟示112 7.5終生深度神經網路的實現113 7.5.1雙重學習系統113 7.5.2即時更新114 7.5.3記憶合併115 7.5.4適應真實場景115 7.6終生深度學習與嵌入式神經網路117 第二篇平臺第8章嵌入式神經網路硬體加速器121 8.1概述121 8.2NVIDIA Jetson122 8.2.1Jetson模組簡介122 8.2.2Jetson模組內部結構124 8.2.3Jetson性能133 8.3Intel Movidius136 8.3.1Movidius Myriad X VPU晶片137 8.3.2Intel Movidius神經計算棒141 8.4Google Edge TPU142 8.4.1Google Edge TPU簡介142 8.4.2Google Edge TPU工作原理144 8.5XILINX DPU151 8.6ARM Ethos NPU157 8.6.1ARM機器學習處理器157 8.6.2EthosN系列159 8.6.3EthosU系列161 8.7小結163 第9章嵌入式神經網路軟體框架166 9.1TensorFlow Lite166 9.1.1TensorFlow Lite簡介166 9.1.2TensorFlow Lite工作原理168 9.2TensorRT170 9.2.1TensorRT簡介170 9.2.2TensorRT如何應用174 9.3OpenVINO176 9.3.1OpenVINO簡介176 9.3.2OpenVINO的構成177 9.3.3OpenVINO應用開發178 9.4XILINX Vitis180 9.5uTensor184 9.6Apache TVM186 9.7小結188 第三篇實現第10章搭建嵌入式神經網路開發環境193 10.1嵌入式AI開發流程193 10.2NVIDIA JetSon開發流程 194 第11章優化嵌入式神經網路模型197 11.1TensorFlow 模型優化197 11.1.1訓練後優化197 11.1.2訓練時優化198 11.2TensorRT模型優化215 11.2.1與主流深度學習框架組成215 11.2.2部署到嵌入式系統220 11.2.3TensorRT API221 11.2.4TensorRT應用示例232 11.2.5模型轉換器249 11.3兩種模型優化技術的對比261 第12章在嵌入式設備上執行推理262 12.1從原始程式碼構建項目262 12.2使用ImageNet實現圖像分類267 12.2.1靜態圖像分類267 12.2.2攝像機即時視頻分類277 12.3使用DetectNet實現目標檢測284 12.3.1靜態圖像目標檢測284 12.3.2攝像機即時視頻目標檢測286 12.4使用SegNet實現語義分割294 12.4.1靜態圖像語義分割294 12.4.2視頻語義分割304 12.5使用PyTorch實現遷移學習313 12.6使用轉換的模型335 第13章嵌入式神經網路應用示例337 13.1應用場景337 13.2硬體選型338 13.3模型開發338結束語萬物智慧344參考文獻346