嵌入式人工智能

图书标准信息

• 作者 李斌
• 出版社 清华大学出版社
• 出版时间 2023-05
• 版次 1
• ISBN 9787302627968
• 定价 69.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 364页
• 字数 526.000千字

【内容简介】

本书将近距离观察嵌入式人工智能的**进展，总结嵌入式人工智能的原理、实现方法和途径，介绍嵌入式人工智能芯片及开发平台，并针对典型应用进行深入研究和详细介绍。

【作者简介】

，北京理工大学模式识别与人工智能专业硕士，曾在多家有名it/互联网企业担任关键技术岗位。是20余篇外发明专利的发明人，研究领域涵盖网络通信、人工智能、智能硬件等。

【目录】

篇

章人工智能与人工神经网络3

1.1什么是人工智能3

1.2什么是人工神经网络4

1.3人类大脑5

1.4人工神经网络的基本构成7

1.4.1人工神经元7

1.4.2人工神经网络的结构8

1.5人工神经网络的学机制9

1.6人工神经网络的类型10

1.7人工神经网络的优势24

1.8深度神经网络25

1.8.1什么是深度神经网络25

1.8.2常见的深度神经网络27

1.8.3卷积神经网络27

1.9神经网络架构搜索31

1.9.1搜索空间31

1.9.2强化学搜索32

1.9.3渐进式搜索33

1.9.4离散搜索35

1.10迁移学37

1.10.1什么是迁移学37

1.10.2迁移学的类型38

1.10.3迁移学的优势39

1.10.4迁移学的方式40

1.10.5迁移学与嵌入式人工智能40

第2章嵌入式人工智能41

2.1什么是嵌入式人工智能41

2.2为什么需要嵌入式人工智能42

2.3初的尝试: 云计算模式45

2.4从云端到设备: 本地模式47

2.5嵌入式人工智能的技术挑战50

2.6嵌入式人工智能的实现途径53

2.7嵌入式人工智能的实现组件54

第3章嵌入式ai芯片56

3.1并行计算56

3.2脉动阵列57

3.3多级缓存59

3.4数据流60

第4章轻量级神经网络64

4.1降低计算复杂度64

4.1.1分组卷积65

4.1.2深度方向卷积65

4.1.3点向卷积66

4.1.4深度可分离卷积66

4.1.5通道乱序混合67

4.2squeeze67

4.2.1核心思想67

4.2.2网络结构68

4.2.3能70

4.3xception70

4.3.1核心思想70

4.3.2网络结构71

4.3.3能71

4.4mobile v172

4.4.1核心思想73

4.4.2网络结构73

4.4.3能74

4.5mobile v275

4.5.1核心思想75

4.5.2网络结构75

4.5.3能77

4.6mnas77

4.6.1核心思想78

4.6.2网络结构78

4.6.3能80

4.7mobile v381

4.7.1核心思想81

4.7.2网络结构81

4.7.3能83

4.8轻量级神经网络的应用84

第5章深度神经网络压缩86

5.1神经网络压缩的一般方法86

5.1.1剪枝86

5.1.2权重共享88

5.1.3量化90

5.1.4二值/三值化92

5.1.5winograd卷积93

5.2压缩-编译协同设计94

5.2.1压缩-编译协同设计的概念94

5.2.2压缩器95

5.2.3编译器98

5.2.4压缩-编译协同设计的优势99

第6章嵌入式神经网络应用程序框架101

6.1分层级联系统的构成102

6.2分层级联系统的效率103

6.3基于n的分层人脸识别系统104

6.4本地-云协同模式107

第7章终生深度学109

7.1传统深度学的缺陷及原因109

7.2终生深度学的目标111

7.3终生深度学的特112

7.4神经生物学的启示112

7.5终生深度神经网络的实现113

7.5.1双重学系统113

7.5.2实时更新114

7.5.3记忆合并115

7.5.4适应真实场景115

7.6终生深度学与嵌入式神经网络117

第二篇台

第8章嵌入式神经网络硬件加速器121

8.1概述121

8.2nvidia jetson122

8.2.1jetson模块简介122

8.2.2jetson模块结构124

8.2.3jetson能133

8.3intel movidius136

8.3.1movidius myriad x vpu芯片137

8.3.2intel movidius神经计算棒141

8.4google edge tpu142

8.4.1google edge tpu简介142

8.4.2google edge tpu工作144

8.5linx dpu151

8.6arm ethos npu157

8.6.1arm机器学处理器157

8.6.2ethos-n系列159

8.6.3ethos-u系列161

8.7小结163

第9章嵌入式神经网络软件框架166

9.1tensorflow lite166

9.1.1tensorflow lite简介166

9.1.2tensorflow li作168

9.2tensorrt170

9.2.1tensorrt简介170

9.2.2tensorrt如何应用174

9.3openvi76

9.3.1openvino简介176

9.3.2openvino的构成177

9.3.3openvino应用开发178

9.4linx vitis180

9.5utensor184

9.6apache tvm186

9.7小结188

第三篇实现

0章搭建嵌入式神经网络开发环境193

10.1嵌入式ai开发流程193

10.2nvidia jetson开发流程194

1章优化嵌入式神经网络模型197

11.1tensorflow 模型优化197

11.1.1训练后优化197

11.1.2训练时优化198

11.2tensorrt模型优化215

11.2.1与主流深度学框架集成215

11.2.2部署到嵌入式系统220

11.2.3tensorrt api221

11.2.4tensorrt应用示例232

11.2.5模型转换器249

11.3两种模型优化技术的对比261

2章在嵌入式设备上执行推理262

12.1从源代码构建项目262

12.2使用image实现图像分类267

12.2.1静态图像分类267

12.2.2摄像机实时分类277

12.3使用detect实现目标检测284

12.3.1静态图像目标检测284

12.3.2摄像机实时目标检测286

12.4使用seg实现语义分割294

12.4.1静态图像语义分割294

12.4.2语义分割304

12.5使用pytorch实现迁移学313

12.6使用转换的模型335

3章嵌入式神经网络应用示例337

13.1应用场景337

13.2硬件选型338

13.3模型开发338

结束语万物智能344

参文献346