深度學(xué)習(xí)框架及系統(tǒng)部署實(shí)戰(zhàn)（微課視頻版）

定　價(jià)：￥34.90

作　者：	袁雪
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書(shū)可以去

當(dāng)當(dāng)網(wǎng) (￥34.90)

ISBN：	9787302647294	出版時(shí)間：	2023-10-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　在數(shù)字化時(shí)代，嵌入式人工智能系統(tǒng)和深度學(xué)習(xí)等技術(shù)變得越來(lái)越重要。在嵌入式平臺(tái)上進(jìn)行深度學(xué)習(xí)推理時(shí)會(huì)受到計(jì)算能力、存儲(chǔ)空間、能耗等資源限制的挑戰(zhàn)。本書(shū)從深度學(xué)習(xí)模型在資源受限的硬件平臺(tái)上部署的角度，介紹嵌入式AI系統(tǒng)的基本概念、需求、挑戰(zhàn)，以及其軟硬件解決方案。本書(shū)共分為7章。第1章介紹了邊緣計(jì)算；第2章介紹了嵌入式AI系統(tǒng)的基本概念及其面臨的需求與挑戰(zhàn)；第3章介紹了嵌入式AI系統(tǒng)的硬件解決方案；第4~6章介紹了嵌入式AI系統(tǒng)的軟件解決方案，包括DNN模型的構(gòu)建及實(shí)現(xiàn)、輕量級(jí)DNN模型的構(gòu)建、模型輕量化方法及實(shí)現(xiàn)；第7章介紹了DNN模型的硬件部署。本書(shū)提供了基于Python語(yǔ)言和Torch API的大量代碼解析，并針對(duì)Intel系列和NVIDIA系列芯片的硬件部署分別進(jìn)行介紹。本書(shū)適合作為高等院校計(jì)算機(jī)專業(yè)、軟件工程專業(yè)的教材，也可供對(duì)深度學(xué)習(xí)、計(jì)算機(jī)視覺(jué)、嵌入式AI系統(tǒng)等感興趣的開(kāi)發(fā)人員、廣大科技工作者和研究人員參考。

作者簡(jiǎn)介

暫缺《深度學(xué)習(xí)框架及系統(tǒng)部署實(shí)戰(zhàn)（微課視頻版）》作者簡(jiǎn)介

圖書(shū)目錄

第1章邊緣計(jì)算
1．1云計(jì)算與邊緣計(jì)算
1．2邊緣計(jì)算的挑戰(zhàn)
1．2．1DNN模型設(shè)計(jì)
1．2．2DNN模型輕量化
1．2．3硬件優(yōu)化部署
1．3云邊端任務(wù)協(xié)作
1．4本章小結(jié)
1．5習(xí)題
第2章嵌入式AI系統(tǒng)
2．1嵌入式AI系統(tǒng)的概念
2．2嵌入式AI系統(tǒng)的硬件結(jié)構(gòu)
2．3嵌入式AI系統(tǒng)的軟件結(jié)構(gòu)
2．3．1驅(qū)動(dòng)層
2．3．2操作系統(tǒng)層
2．3．3中間件層
2．3．4應(yīng)用層
2．4嵌入式深度學(xué)習(xí)技術(shù)
2．5嵌入式AI系統(tǒng)的應(yīng)用
2．5．1車載輔助駕駛系統(tǒng)
2．5．2無(wú)人機(jī)智能巡檢系統(tǒng)
2．5．3VR設(shè)備
2．6嵌入式AI系統(tǒng)的需求與挑戰(zhàn)
2．7本章小結(jié)
2．8習(xí)題
深度學(xué)習(xí)框架及系統(tǒng)部署實(shí)戰(zhàn)（微課視頻版）
目錄
第3章嵌入式AI系統(tǒng)的硬件解決方案
3．1通用類芯片——GPU
3．2半定制化芯片——FPGA
3．3全定制化芯片——ASIC
3．4類腦芯片
3．5對(duì)四大類型AI芯片的總結(jié)與展望
3．5．1對(duì)AI芯片的總結(jié)
3．5．2對(duì)AI芯片的展望
3．6本章小結(jié)
3．7習(xí)題
第4章深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)模型的構(gòu)建及實(shí)現(xiàn)
4．1神經(jīng)網(wǎng)絡(luò)的概念及發(fā)展歷史
4．1．1神經(jīng)元的結(jié)構(gòu)
4．1．2感知機(jī)
4．1．3BP算法
4．1．4神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4．2深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)
4．2．1深度學(xué)習(xí)的概念
4．2．2DCNN的概念
4．2．3DCNN的構(gòu)成
4．2．4DCNN的訓(xùn)練
4．3幾種常用的DNN模型結(jié)構(gòu)
4．3．1AlexNet
4．3．2VGG
4．3．3GoogLeNet
4．3．4ResNet
4．3．5網(wǎng)絡(luò)模型對(duì)比
4．3．6遷移學(xué)習(xí)
4．4圖像識(shí)別項(xiàng)目實(shí)戰(zhàn)
4．5本章小結(jié)
4．6習(xí)題
第5章輕量級(jí)DCNN模型
5．1MobileNet系列
5．1．1MobileNet V1
5．1．2MobileNet V2
5．1．3MobileNet V3
5．2ShuffleNet系列
5．2．1ShuffleNet V1
5．2．2ShuffleNet V2
5．3輕量級(jí)DCNN模型對(duì)比
5．4項(xiàng)目實(shí)戰(zhàn)
5．4．1MobileNet V3模型構(gòu)建
5．4．2ShuffleNet V2模型構(gòu)建
5．5本章小結(jié)
5．6習(xí)題
第6章深度學(xué)習(xí)模型輕量化方法及實(shí)現(xiàn)
6．1網(wǎng)絡(luò)模型剪枝
6．1．1基本原理
6．1．2網(wǎng)絡(luò)模型的剪枝分類
6．1．3剪枝標(biāo)準(zhǔn)
6．1．4剪枝流程
6．1．5代碼實(shí)現(xiàn)
6．2參數(shù)量化
6．2．1基本原理
6．2．2參數(shù)量化算法的分類
6．2．3參數(shù)量化流程
6．2．4代碼實(shí)現(xiàn)
6．3知識(shí)蒸餾法
6．3．1基本原理
6．3．2知識(shí)蒸餾算法流程
6．3．3代碼實(shí)現(xiàn)
6．4本章小結(jié)
6．5習(xí)題
第7章AI模型的硬件部署
7．1開(kāi)放神經(jīng)網(wǎng)絡(luò)交換(ONNX)格式
7．1．1ONNX模型
7．1．2Torch模型轉(zhuǎn)ONNX模型實(shí)例
7．1．3ONNX 工作原理
7．1．4ONNX模型推理
7．1．5推理速度對(duì)比
7．2Intel系列芯片部署方法
7．2．1OpenVINO的簡(jiǎn)介
7．2．2OpenVINO的安裝
7．2．3OpenVINO工作流程
7．2．4OpenVINO推理示例
7．3NVIDIA系列芯片部署方法
7．3．1TensorRT的簡(jiǎn)介
7．3．2TensorRT的安裝
7．3．3TensorRT模型轉(zhuǎn)換
7．3．4部署TensorRT模型
7．4本章小結(jié)
7．5習(xí)題