深度学习及加速技术：入门与实践
全新正版 极速发货
￥ 52 7.5折 ￥ 69 全新
库存2件
浙江嘉兴
认证卖家担保交易快速发货售后保障
作者白创 编著
出版社机械工业
ISBN9787111728719
出版时间2023-06
装帧其他
开本其他
定价69元
货号31772122
上书时间2024-12-26
商品详情
- 品相描述：全新
- 商品描述
-
目录
CONTENTS<br />目 录<br /><br />前言<br />理论篇<br />第1章 人工智能简介2<br />1.1 人工智能概念2<br />1.1.1 人工智能定义2<br />1.1.2 人工智能发展历程3<br />1.2 人工智能与深度学习4<br />1.2.1 人工智能与深度学习之间<br />的关系4<br />1.2.2 图灵机与丘奇-图灵论题5<br />1.3 人工智能发展阶段6<br />1.3.1 人工智能1.0——知识＋<br />算法＋算力6<br />1.3.2 人工智能2.0——数据＋<br />算法＋算力7<br />1.3.3 人工智能3.0——知识＋<br />数据＋算法＋算力7<br />1.3.4 人工智能4.0——存算<br />一体化8<br />1.4 人工智能应用9<br />1.4.1 工业零部件尺寸测量与<br />缺陷检测9<br />1.4.2 目标检测与跟踪9<br />1.4.3 人脸比对与识别10<br />1.4.4 三维影像重构10<br />第2章 神经网络数学基础12<br />2.1 线性向量空间12<br />2.2 内积14<br />2.3 线性变换与矩阵表示15<br />2.4 梯度17<br />第3章 神经网络与学习规则20<br />3.1 神经元模型与网络结构20<br />3.1.1 神经元模型20<br />3.1.2 神经网络结构22<br />3.2 感知机学习24<br />3.2.1 感知机定义及结构24<br />3.2.2 感知机学习规则25<br />3.3 Hebb学习28<br />3.3.1 无监督Hebb学习28<br />3.3.2 有监督Hebb学习29<br />3.4 性能学习30<br />3.4.1 性能指数30<br />3.4.2 梯度下降法31<br />3.4.3 随机梯度下降法32<br />第4章 反向传播33<br />4.1 LMS算法33<br />4.2 反向传播算法35<br />4.2.1 性能指数36<br />4.2.2 链式法则36<br />4.2.3 反向传播计算敏感性38<br />4.2.4 反向传播算法总结39<br />4.3 反向传播算法变形39<br />4.3.1 批数据训练法40<br />4.3.2 动量训练法40<br />4.3.3 标准数值优化技术42<br />4.4 反向传播算法实例分析42<br />第5章 卷积神经网络45<br />5.1 卷积神经网络基础45<br />5.1.1 全连接神经网络与卷积<br />神经网络45<br />5.1.2 卷积神经网络组成结构46<br />5.1.3 卷积神经网络进化史50<br />5.2 LeNet50<br />5.2.1 LeNet结构51<br />5.2.2 LeNet特点52<br />5.3 AlexNet52<br />5.3.1 AlexNet结构52<br />5.3.2 AlexNet特点54<br />5.4 VGGNet54<br />5.4.1 VGG16结构55<br />5.4.2 VGG16特点57<br />5.5 GoogLeNet57<br />5.5.1 Inception结构57<br />5.5.2 GoogLeNet结构——基于Inception V1模块59<br />5.5.3 GoogLeNet特点62<br />5.6 ResNet62<br />5.6.1 ResNet残差块结构63<br />5.6.2 ResNet结构63<br />5.6.3 ResNet特点66<br />第6章 目标检测与识别67<br />6.1 R-CNN67<br />6.1.1 基于SS方法的候选区域<br />选择68<br />6.1.2 候选区域预处理68<br />6.1.3 CNN特征提取69<br />6.1.4 SVM目标分类69<br />6.1.5 Bounding box回归70<br />6.2 Fast R-CNN70<br />6.2.1 基于SS方法的候选区域<br />生成71<br />6.2.2 CNN分类与回归71<br />6.2.3 Fast R-CNN目标检测<br /> 算法特点72<br />6.3 Faster R-CNN73<br />6.3.1 CNN特征提取73<br />6.3.2 RPN候选框生成74<br />6.3.3 CNN分类与回归74<br />6.3.4 Faster R-CNN目标检测<br />算法特点75<br />6.4 YOLO75<br />6.4.1 YOLOv175<br />6.4.2 YOLOv277<br />6.4.3 YOLOv380<br />第7章 深度学习优化技术83<br />7.1 梯度消失83<br />7.2 过拟合85<br />7.2.1 增加训练数据集85<br />7.2.2 regularization86<br />7.2.3 dropout技术88<br />7.3 初始值与学习速度89<br />7.3.1 初始值选择规则89<br />7.3.2 可变的学习速度91<br />7.4 损失函数92<br />7.4.1 均方误差损失函数92<br />7.4.2 cross-entropy损失函数93<br />7.4.3 log-likelyhood损失函数 95<br />第8章 深度学习加速技术96<br />8.1 软件模型优化技术96<br />8.1.1 网络模型优化96<br />8.1.2 计算精度降低97<br />8.1.3 网络剪枝技术97<br />8.2 GPU加速技术98<br />8.3 TPU加速技术100<br />8.4 FPGA加速技术102<br />8.4.1 全连接神经网络加速102<br />8.4.2 卷积神经网络加速103<br />应用篇<br />第9章 基于OpenCL的FPGA异构<br />并行计算技术106<br />9.1 OpenCL技术基础与环境搭建106<br />9.1.1 OpenCL技术基础106<br />9.1.2 OpenCL环境搭建107<br />9.2 OpenCL异构并行计算架构115<br />9.2.1 平台模型116<br />9.2.2 执行模型116<br />9.2.3 内存模型117<br />9.3 OpenCL C语言基本语法与程序<br />设计118<br />9.3.1 基本语法与关键字118<br />9.3.2 数据类型119<br />9.3.3 维度与工作项122<br />9.3.4 其他注意事项123<br />9.4 基于OpenCL的FPGA异构并行<br />计算实现方法123<br />9.4.1 主程序设计123<br />9.4.2 内核程序设计139<br />第10章 基于OpenCL的FPGA异构<br />并行计算应用案例140<br />10.1 整体描述140<br />10.2 内核程序设计141<br />10.3 主程序设计142<br />10.3.1 子函数142<br />10.3.2 主函数147<br />10.4 执行与结果分析150<br />第11章 基于OpenVINO的FPGA<br />深度学习加速技术152<br />11.1 OpenVINO技术基础与加速<br />架构152<br />11.1.1 OpenVINO技术基础152<br />11.1.2 OpenVINO加速架构154<br />11.2 OpenVINO平台环境搭建156<br />11.2.1 OpenVINO工具安装156<br />11.2.2 OpenVINO工具测试164<br />11.2.3 Quartus软件安装166<br />11.2.4 Starter Platform环境<br />安装170<br />11.2.5 Starter Platform环境<br />配置174<br />11.3 OpenVINO模型优化器176<br />11.4 OpenVINO推理引擎177<br />第12章 基于OpenVINO的FPGA<br />深度学习加速应用案例183<br />12.1 整体描述183<br />12.2 中间表示IR生成183<br />12.3 推理引擎程序设计185<br />12.4 执行与结果分析194<br />参考文献198
内容摘要
本书紧密围绕深度学习及加速技术的基础理论与应用案例展开叙述，实现了深度学习算法设计与硬件加速技术的有机统一，是一本基础理论与实践案例相结合的实用图书。其具体内容涉及人工智能基本概念，神经网络数学基础、神经网络基本结构与学习策略、反向传播算法数学原理与训练机制等神经网络基础理论，以及一些高级主题和实践。本书可作为从事人工智能领域算法研究、架构设计与应用实现等工作的科研人员、工程师以及高等院校师生的参考书籍。
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价