移動深度學習

《移動深度學習》是電子工業出版社出版的圖書。

基本介紹

• 中文名：移動深度學習
• 作者：李永會
• 出版社：電子工業出版社
• 出版時間：2019年10月
• ISBN：9787121371820

圖書信息

千 字 數：267版次：01-01頁 數：204

開本：16開裝幀：

內容簡介

《移動深度學習》由淺入深地介紹了如何將深度學習技術套用到移動端運算領域，書中儘量避免羅列公式，嘗試用淺顯的語言和幾何圖形去解釋相關內容。本書第1章展示了在移動端套用深度學習技術的Demo，幫助讀者建立直觀的認識；第2章至第4章講述了如何在移動端項目中套用深度學習技術；第5章至第8章的難度略大，主要講述如何深入地調整框架，適配並定製自己的框架。《移動深度學習》適合移動端研發工程師閱讀，也適合所有對移動端運算領域感興趣的朋友閱讀。

圖書目錄

第1章初窺移動端深度學習技術的套用1

1.1本書示例代碼簡介1

1.1.1安裝編譯好的檔案1

1.1.2在DemoApp中套用神經網路技術2

1.2移動端主體檢測和分類2

1.3線上上產品中以“雲+端計算”的方式套用深度學習技術4

1.4在移動端套用深度學習技術的業界案例6

1.4.1植物花卉識別6

1.4.2奇妙的風格化效果7

1.4.3視頻主體檢測技術在App中的套用7

1.5在移動端套用深度學習技術的難點8

1.5.1在伺服器端和移動端套用深度學習技術的難點對比8

1.5.2實現AR實時翻譯功能9

1.6編譯運行深度學習App12

1.6.1mobile-deep-learning項目環境簡介12

1.6.2mobile-deep-learning項目整體代碼結構13

1.6.3mobile-deep-learning通用環境依賴14

1.7在iOS平台上搭建深度學習框架15

1.7.1在iOS平台上搭建mobile-deep-learning項目15

1.7.2在OSX平台上編譯mobile-deep-learning項目16

1.7.3iOS平台上mobile-deep-learning項目的Demo代碼結構17

1.8在Android平台上搭建深度學習框架18

1.8.1Android平台上mobile-deep-learning項目的環境依賴18

1.8.2Android平台上mobile-deep-learning項目的Demo代碼結構19

1.8.3用Paddle-Lite框架編譯與開發Android套用20

1.8.4開發一個基於移動端深度學習框架的AndroidApp22

第2章以幾何方式理解線性代數基礎知識32

2.1線性代數基礎32

2.1.1標準平面直角坐標系32

2.1.2改變坐標系的基向量34

2.2向量的幾何意義35

2.2.1向量的加減運算36

2.2.2向量的數乘運算37

2.3線性組合的幾何意義38

2.4線性空間40

2.5矩陣和變換41

2.6矩陣乘法43

2.7行列式46

2.8矩陣的逆48

2.9秩49

2.10零空間50

2.11點積和叉積的幾何表示與含義51

2.11.1點積的幾何意義51

2.11.2叉積的幾何意義52

2.12線性代數的特徵概念53

2.13抽象向量空間54

第3章什麼是機器學習和卷積神經網路56

3.1移動端機器學習的全過程56

3.2預測過程57

3.3數學表達59

3.3.1預測過程涉及的數學公式59

3.3.2訓練過程涉及的數學公式60

3.4神經元和神經網路61

3.4.1神經元61

3.4.2神經網路63

3.5卷積神經網路63

3.6圖像卷積效果65

3.6.1從全局了解視覺相關的神經網路65

3.6.2卷積核和矩陣乘法的關係66

3.6.3多通道卷積核的套用69

3.7卷積後的圖片效果70

3.8卷積相關的兩個重要概念：padding和stride75

3.8.1讓卷積核“出界”：padding75

3.8.2讓卷積核“跳躍”：stride75

3.9卷積後的降維操作：池化76

3.10卷積的重要性77

第4章移動端常見網路結構78

4.1早期的卷積神經網路78

4.2AlexNet網路結構79

4.3GoogLeNet網路結構79

4.3.1模型體積問題80

4.3.2計算量問題80

4.4嘗試在App中運行GoogLeNet81

4.4.1將32位float參數轉化為8位int參數以降低傳輸量82

4.4.2將CPU版本伺服器端框架移植到移動端83

4.4.3套用在產品中的效果84

4.5輕量化模型SqueezeNet85

4.5.1SqueezeNet的最佳化策略85

4.5.2fire模組86

4.5.3SqueezeNet的全局86

4.6輕量高性能的MobileNet88

4.6.1什麼是深度可分離卷積（DepthwiseSeparableConvolution）88

4.6.2MobileNetv1網路結構89

4.6.3MobileNetv2網路結構91

4.7移動端神經網路模型的最佳化方向92

第5章ARMCPU組成94

5.1現代計算機與ARMCPU架構的現狀94

5.1.1馮?諾依曼計算機的基本結構94

5.1.2移動計算設備的分工96

5.2簡單的CPU模型98

5.2.1取指過程98

5.2.2解碼過程99

5.2.3執行過程100

5.2.4回寫過程101

5.2.5細化分工：流水線技術102

5.3彙編指令初探102

5.3.1彙編語言程式的第一行102

5.3.2這些指令是什麼105

5.4彙編指令概況106

5.4.1ARMCPU家族106

5.4.2ARMv7-A處理器架構107

5.4.3ARMv7彙編指令介紹109

5.5ARM指令集架構111

5.6ARM手機晶片的現狀與格局113

第6章存儲金字塔與ARM彙編115

6.1ARMCPU的完整結構115

6.2存儲設備的金字塔結構117

6.3ARM晶片的快取設計原理119

6.3.1快取的基本理解119

6.3.2簡單的快取映射結構：直接映射121

6.3.3靈活高效的快取結構：組相聯映射123

6.3.4利用一個簡單的公式最佳化訪存性能125

6.4ARM彙編知識126

6.4.1ARM彙編數據類型和暫存器127

6.4.2ARM指令集130

6.4.3ARM彙編的記憶體操作131

6.5NEON彙編指令133

6.5.1NEON暫存器與指令類型134

6.5.2NEON存儲操作指令135

6.5.3NEON通用數據操作指令137

6.5.4NEON通用算術操作指令138

6.5.5NEON乘法指令139

6.5.6運用NEON指令計算矩陣乘法140

第7章移動端CPU預測性能最佳化142

7.1工具及體積最佳化142

7.1.1工具使用143

7.1.2模型體積最佳化148

7.1.3深度學習庫檔案體積最佳化149

7.2CPU高性能通用最佳化150

7.2.1編譯選項最佳化150

7.2.2記憶體性能和耗電量最佳化151

7.2.3循環展開153

7.2.4並行最佳化與流水線重排154

7.3卷積性能最佳化方式157

7.3.1滑窗卷積和GEMM性能對比157

7.3.2基於Winograd算法進行卷積性能最佳化160

7.3.3快速傅立葉變換162

7.3.4卷積計算基本最佳化163

7.4開發問題與經驗總結164

第8章移動端GPU編程及深度學習框架落地實踐166

8.1異構計算編程框架OpenCL166

8.1.1開發移動端GPU應用程式167

8.1.2OpenCL中的一些概念168

8.2移動端視覺搜尋研發169

8.2.1初次探索移動端AI能力170

8.2.2取消拍照按鈕，提升視覺搜尋體驗171

8.2.3使用深度學習技術提速視覺搜尋172

8.2.4通過AI工程技術提升視覺搜尋體驗174

8.3解決歷史問題：研發Paddle-Lite框架176

8.3.1體積壓縮178

8.3.2工程結構編碼前重新設計178

8.3.3視覺搜尋的高級形態：實時視頻流式搜尋184