新書推薦：
《
萧条中的生存策略
》
售價：HK$
57.4
《
银色瀑布：美国兵工厂与中途岛海战
》
售價：HK$
79.4
《
乔丹法则
》
售價：HK$
80.3
《
如何不被一杯水淹没
》
售價：HK$
67.9
《
流人系列03：猛虎 午夜文库
》
售價：HK$
90.9
《
洛克现代性政治学之根
》
售價：HK$
109.3
《
奥登诗精选
》
售價：HK$
112.7
《
《你的名字。》美术画集
》
售價：HK$
124.2
|
| 編輯推薦： |
融合智能，释放未来！
从理论到实践，理解并掌握高效部署深度学习模型的关键策略与技巧。
揭示将人工智能引入现实世界的无限潜力，让智能变革触手可及。
|
| 內容簡介： |
|
在数字化时代，嵌入式人工智能系统和深度学习等技术变得越来越重要。在嵌入式平台上进行深度学习推理时会受到计算能力、存储空间、能耗等资源限制的挑战。本书从深度学习模型在资源受限的硬件平台上部署的角度，介绍嵌入式AI系统的基本概念、需求、挑战，以及其软硬件解决方案。 本书共分为7章。第1章介绍了边缘计算； 第2章介绍了嵌入式AI系统的基本概念及其面临的需求与挑战； 第3章介绍了嵌入式AI系统的硬件解决方案； 第4~6章介绍了嵌入式AI系统的软件解决方案，包括DNN模型的构建及实现、轻量级DNN模型的构建、模型轻量化方法及实现； 第7章介绍了DNN模型的硬件部署。本书提供了基于Python语言和Torch API的大量代码解析，并针对Intel系列和NVIDIA系列芯片的硬件部署分别进行介绍。 本书适合作为高等院校计算机专业、软件工程专业的教材，也可供对深度学习、计算机视觉、嵌入式AI系统等感兴趣的开发人员、广大科技工作者和研究人员参考。
|
| 目錄：
|
第1章边缘计算
1．1云计算与边缘计算
1．2边缘计算的挑战
1．2．1DNN模型设计
1．2．2DNN模型轻量化
1．2．3硬件优化部署
1．3云边端任务协作
1．4本章小结
1．5习题
第2章嵌入式AI系统
2．1嵌入式AI系统的概念
2．2嵌入式AI系统的硬件结构
2．3嵌入式AI系统的软件结构
2．3．1驱动层
2．3．2操作系统层
2．3．3中间件层
2．3．4应用层
2．4嵌入式深度学习技术
2．5嵌入式AI系统的应用
2．5．1车载辅助驾驶系统
2．5．2无人机智能巡检系统
2．5．3VR设备
2．6嵌入式AI系统的需求与挑战
2．7本章小结
2．8习题
深度学习框架及系统部署实战（微课视频版）
目录
第3章嵌入式AI系统的硬件解决方案
3．1通用类芯片——GPU
3．2半定制化芯片——FPGA
3．3全定制化芯片——ASIC
3．4类脑芯片
3．5对四大类型AI芯片的总结与展望
3．5．1对AI芯片的总结
3．5．2对AI芯片的展望
3．6本章小结
3．7习题
第4章深度卷积神经网络(DCNN)模型的构建及实现
4．1神经网络的概念及发展历史
4．1．1神经元的结构
4．1．2感知机
4．1．3BP算法
4．1．4神经网络的发展历史
4．2深度卷积神经网络(DCNN)
4．2．1深度学习的概念
4．2．2DCNN的概念
4．2．3DCNN的构成
4．2．4DCNN的训练
4．3几种常用的DNN模型结构
4．3．1AlexNet
4．3．2VGG
4．3．3GoogLeNet
4．3．4ResNet
4．3．5网络模型对比
4．3．6迁移学习
4．4图像识别项目实战
4．5本章小结
4．6习题
第5章轻量级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轻量级DCNN模型对比
5．4项目实战
5．4．1MobileNet V3模型构建
5．4．2ShuffleNet V2模型构建
5．5本章小结
5．6习题
第6章深度学习模型轻量化方法及实现
6．1网络模型剪枝
6．1．1基本原理
6．1．2网络模型的剪枝分类
6．1．3剪枝标准
6．1．4剪枝流程
6．1．5代码实现
6．2参数量化
6．2．1基本原理
6．2．2参数量化算法的分类
6．2．3参数量化流程
6．2．4代码实现
6．3知识蒸馏法
6．3．1基本原理
6．3．2知识蒸馏算法流程
6．3．3代码实现
6．4本章小结
6．5习题
第7章AI模型的硬件部署
7．1开放神经网络交换(ONNX)格式
7．1．1ONNX模型
7．1．2Torch模型转ONNX模型实例
7．1．3ONNX 工作原理
7．1．4ONNX模型推理
7．1．5推理速度对比
7．2Intel系列芯片部署方法
7．2．1OpenVINO的简介
7．2．2OpenVINO的安装
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的简介
7．3．2TensorRT的安装
7．3．3TensorRT模型转换
7．3．4部署TensorRT模型
7．4本章小结
7．5习题
|
| 內容試閱：
|
全球正在进入数字化新时代，以云计算、大数据、人工智能与物联网为代表的数字技术已经快速发展。数字化时代的到来使得深度学习和嵌入式人工智能技术变得越来越重要。嵌入式人工智能是指设备可以在不依赖于互联网且不通过云端数据中心的情况下进行智能计算，利用本地的计算资源来实现深度学习模型的推理。嵌入式人工智能可以完成实时的环境感知、人机交互和决策控制。然而，在嵌入式平台上进行深度学习推理时，由于算力、能耗、存储空间等方面的限制，人工智能系统在推理环节会遇到许多挑战。本书旨在介绍深度学习模型如何在嵌入式平台上完成部署，包括软硬件两个方面。本书介绍的内容有边缘计算、人工智能计算芯片、常用的深度卷积神经网络模型、轻量级深度卷积神经网络、深度学习模型轻量化的方法以及深度学习模型的硬件部署。
本书采用结构性思维，提供多张框图，使整书脉络清晰、环环相扣，读者可以快速把握本书的结构脉络并关注细节。另外，书中采用大量生动的图表来说明枯燥的理论，并引用大量的实验结果比较不同方法之间的性能差异，这些都可以让一本枯燥的技术书籍更加易于理解。作者从大量的科研论文中寻找相关资料，并将论文中看起来比较枯燥的公式、图、表变得更有趣、易懂。同时，本书采用简洁、平实并且有趣的方式来叙述，采用结构图、原理图来表达比较复杂的理论或公式。本书可以帮助读者快速建立起知识体系。
本书提供了可运行的代码示例，注释清晰、详细，配备视频教程，并附有相关注释，为读者打造全方位的学习体验，使读者在建立知识体系的同时掌握算法设计、模型压缩以及模型部署的方法。近年来，作者在承担40余项与人工智能系统研发相关的科研项目，并成功研制多款计算机视觉产品的过程中，深刻感受到在深度学习模型部署方面可用于系统性学习的相关资料非常有限。作者在查阅大量英文论文、产品说明书、Facebook官网、NVIDIA官网、Intel官网及相关博文等的基础上，完成了本书的撰写，希望为人工智能从业人员、初学者，以及希望系统性开始人工智能领域学习的朋友提供帮助。
感谢北京交通大学的同事和学生们的积极参与，感谢你们针对本书理论内容和实践代码提出的宝贵建议、意见和测试反馈，让本书内容更显精彩。
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
