移动平台深度神经网络实战：原理、架构与优化

图书标准信息

• 作者 卢誉声 著
• 出版社 机械工业出版社
• 出版时间 2019-12
• 版次 1
• ISBN 9787111641001
• 定价 129.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 496页
• 字数 100千字

【内容简介】

本书精讲移动平台深度学习系统所需核心算法、硬件级指令集、系统设计与编程实战、海量数据处理、业界流行框架裁剪与产品级性能优化策略等，深入、翔实。

 

深度学习基础（第1～4章），介绍开发机器学习系统所需重要知识点，以及开发移动平台机器学习系统算法基石，诸如人工神经网络、稀疏自编码器、深度网络、卷积神经网络等。

 

移动平台深度学习基础（第5～6章），介绍移动平台开发环境搭建、移动平台开发基础、ARM指令集加速技术，以及轻量级网络的实现原理与实战。

 

深入理解深度学习（第7～8章），剖析数据预处理原理与方法，高性能实时处理系统开发，以及基于深度神经网络的物体检测与识别。本篇是下一篇内容的前导与“基石”。

 

深入理解移动平台深度学习（第9～12章），本篇应用前述章节的框架与技术，实现移动平台深度学习系统的实现与集成，具体涵盖：① 移动平台性能优化，数据采集与训练，为开发移动平台图像分类系统建立基础；② 深入剖析TensorFlow Lite代码体系、构建原理、集成方法以及核心代码与裁剪分析，模型处理工具，并完成移动平台系统集成；③ 结合实战分析主流移动平台机器学习框架、接口，并展望未来。

 

【作者简介】

卢誉声

 

Autodesk数据平台和计算平台资深工程师，负责平台架构研发工作。工作内容涵盖大规模分布式系统的服务器后端、前端以及SDK的设计与研发，在数据处理、实时计算、分布式系统设计与实现、性能调优、高可用性和自动化等方面积累了丰富的经验。擅长C/C++、JavaScript开发，此外对Scala、Java以及移动平台等也有一定研究。著有《移动平台深度神经网络实战：原理、架构与优化》、《分布式实时处理系统：原理架构与实现》，并译有《高级C/C++编译技术》和《JavaScript编程精解（原书第2版）》等。

 

【目录】

序一

 

序二

 

前言

 

第一篇　深度学习基础

 

第1章　向未来问好  2

 

1.1　机器学习即正义  2

 

1.1.1　照本宣科  3

 

1.1.2　关键概念概述  4

 

1.1.3　数学之美  5

 

1.2　机器学习的场景和任务  6

 

1.3　机器学习算法  8

 

1.4　如何掌握机器学习  10

 

1.4.1　学习曲线  10

 

1.4.2　技术栈  11

 

1.5　深度学习  12

 

1.6　走进移动世界的深度学习  25

 

1.7　本书框架  26

 

1.8　本章小结  27

 

第2章　机器学习基础  28

 

2.1　机器学习的主要任务  28

 

2.2　贝叶斯模型  29

 

2.3　Logistic回归  33

 

2.4　本章小结  44

 

第3章　人工神经网络  45

 

3.1　人工神经网络简介  45

 

3.2　基本结构与前向传播  46

 

3.3　反向传播算法  50

 

3.4　实现前向神经网络  53

 

3.5　稀疏自编码器  61

 

3.6　神经网络数据预处理  64

 

3.7　本章小结  65

 

第4章　深度网络与卷积神经网络  66

 

4.1　深度网络  66

 

4.2　卷积神经网络  70

 

4.3　卷积神经网络实现  73

 

4.4　本章小结  110

 

第二篇　移动平台深度学习基础

 

第5章　移动平台深度学习框架设计与实现  112

 

5.1　移动平台深度学习系统开发简介  112

 

5.2　ARM Linux基础开发环境  113

 

5.2.1　通用ARM工具链安装  114

 

5.2.2　Android NDK安装  114

 

5.2.3　树莓派工具链安装  115

 

5.3　TensorFlow Lite介绍  115

 

5.3.1　TensorFlow Lite特性  115

 

5.3.2　TensorFlow Lite架构  116

 

5.3.3　TensorFlow Lite代码结构  117

 

5.4　移动平台性能优化基础  118

 

5.4.1　ARM v8体系结构  119

 

5.4.2　ARM v8数据类型与寄存器  120

 

5.4.3　Neon指令集介绍  122

 

5.4.4　ARM v8内存模型  124

 

5.4.5　Neon指令集加速实例  127

 

5.5　本章小结  140

 

第6章　移动平台轻量级网络实战  141

 

6.1　适用于移动平台的轻量级网络  141

 

6.2　SqueezeNet  142

 

6.2.1　微观结构  142

 

6.2.2　宏观结构  142

 

6.2.3　核心思路  143

 

6.2.4　实战：用PyTorch实现SqueezeNet  144

 

6.3　MobileNet  153

 

6.4　ShuffleNet  154

 

6.5　MobileNet V2  155

 

6.5.1　MobileNet的缺陷  155

 

6.5.2　MobileNet V2的改进  155

 

6.5.3　网络结构  156

 

6.5.4　实战：用PyTorch实现MobileNet V2  157

 

6.6　本章小结  161

 

第三篇　深入理解深度学习

 

第7章　高性能数据预处理实战  164

 

7.1　数据预处理任务  164

 

7.2　数据标准化  166

 

7.3　PCA  167

 

7.4　在Hurricane之上实现PCA  170

 

7.5　本章小结  192

 

第8章　基于深度神经网络的物体检测与识别  193

 

8.1　模式识别与物体识别  193

 

8.2　图像分类  197

 

8.3　目标识别与物体检测  207

 

8.4　检测识别实战  213

 

8.5　移动平台检测识别实战  237

 

8.6　本章小结  258

 

第四篇　深入理解移动平台深度学习

 

第9章　深入移动平台性能优化  260

 

9.1　模型压缩  260

 

9.2　权重稀疏化  262

 

9.3　模型加速  275

 

9.4　嵌入式优化  287

 

9.5　嵌入式优化代码实现  290

 

9.6　本章小结  313

 

第10章　数据采集与模型训练实战  314

 

10.1　收集海量数据  314

 

10.2　图片数据爬虫实现  317

 

10.3　训练与测试  330

 

10.3.1　模型定义  330

 

10.3.2　训练  334

 

10.3.3　测试  342

 

10.3.4　封装  344

 

10.4　本章小结  345

 

第11章　移动和嵌入式平台引擎与工具实战  346

 

11.1　TensorFlow Lite构建  346

 

11.2　集成TensorFlow Lite  357

 

11.3　核心实现分析  358

 

11.4　模型处理工具  407

 

11.5　本章小结  425

 

第12章　移动平台框架与接口实战  426

 

12.1　Core ML  426

 

12.2　Android Neural Networks API  437

 

12.2.1　等等，Google还有一个ML Kit  437

 

12.2.2　NNAPI编程模型  437

 

12.2.3　创建网络与计算  439

 

12.2.4　JNI封装与调用  451

 

12.2.5　App实战：集成NNAPI  454

 

12.3　实战：实现Android图像分类器App  459

 

12.3.1　JNI封装  459

 

12.3.2　Java调用  474

 

12.4　未来之路  479

 

12.5　本章小结  480