最新章節

• 專家力薦
• 8.3.3 視覺搜索的高級形態：實時視頻流式搜索
• 8.3.2 工程結構編碼前重新設計
• 8.3.1 體積壓縮
• 8.3 解決歷史問題：研發Paddle-Lite框架
• 8.2.4 通過AI工程技術提升視覺搜索體驗

• 專家力薦 更新時間：2019-12-05 14:23:08
• 8.3.3 視覺搜索的高級形態：實時視頻流式搜索
• 8.3.2 工程結構編碼前重新設計
• 8.3.1 體積壓縮
• 8.3 解決歷史問題：研發Paddle-Lite框架
• 8.2.4 通過AI工程技術提升視覺搜索體驗
• 8.2.3 使用深度學習技術提速視覺搜索
• 8.2.2 取消拍照按鈕，提升視覺搜索體驗
• 8.2.1 初次探索移動端AI能力
• 8.2 移動端視覺搜索研發
• 8.1.2 OpenCL中的一些概念
• 8.1.1 開發移動端GPU應用程序
• 8.1 異構計算編程框架OpenCL
• 第8章 移動端GPU編程及深度學習框架落地實踐
• 7.4 開發問題與經驗總結
• 7.3.4 卷積計算基本優化
• 7.3.3 快速傅里葉變換
• 7.3.2 基于Winograd算法進行卷積性能優化
• 7.3.1 滑窗卷積和GEMM性能對比
• 7.3 卷積性能優化方式
• 7.2.4 并行優化與流水線重排
• 7.2.3 循環展開
• 7.2.2 內存性能和耗電量優化
• 7.2.1 編譯選項優化
• 7.2 CPU高性能通用優化
• 7.1.3 深度學習庫文件體積優化
• 7.1.2 模型體積優化
• 7.1.1 工具使用
• 7.1 工具及體積優化
• 第7章 移動端CPU預測性能優化
• 6.5.6 運用NEON指令計算矩陣乘法
• 6.5.5 NEON乘法指令
• 6.5.4 NEON通用算術操作指令
• 6.5.3 NEON通用數據操作指令
• 6.5.2 NEON存儲操作指令
• 6.5.1 NEON寄存器與指令類型
• 6.5 NEON匯編指令
• 6.4.3 ARM匯編的內存操作
• 6.4.2 ARM指令集
• 6.4.1 ARM匯編數據類型和寄存器
• 6.4 ARM匯編知識
• 6.3.4 利用一個簡單的公式優化訪存性能
• 6.3.3 靈活高效的緩存結構：組相聯映射
• 6.3.2 簡單的緩存映射結構：直接映射
• 6.3.1 緩存的基本理解
• 6.3 ARM芯片的緩存設計原理
• 6.2 存儲設備的金字塔結構
• 6.1 ARM CPU的完整結構
• 第6章 存儲金字塔與ARM匯編
• 5.6 ARM手機芯片的現狀與格局
• 5.5 ARM指令集架構
• 5.4.3 ARMv7匯編指令介紹
• 5.4.2 ARMv7-A處理器架構
• 5.4.1 ARM CPU家族
• 5.4 匯編指令概況
• 5.3.2 這些指令是什么
• 5.3.1 匯編語言程序的第一行
• 5.3 匯編指令初探
• 5.2.5 細化分工：流水線技術
• 5.2.4 回寫過程
• 5.2.3 執行過程
• 5.2.2 譯碼過程
• 5.2.1 取指過程
• 5.2 簡單的CPU模型
• 5.1.2 移動計算設備的分工
• 5.1.1 馮·諾依曼計算機的基本結構
• 5.1 現代計算機與ARM CPU架構的現狀
• 第5章 ARM CPU組成
• 4.7 移動端神經網絡模型的優化方向
• 4.6.3 MobileNet v2網絡結構
• 4.6.2 MobileNet v1網絡結構
• 4.6.1 什么是深度可分離卷積（Depthwise Separable Convolution）
• 4.6 輕量高性能的MobileNet
• 4.5.3 SqueezeNet的全局
• 4.5.2 fire模塊
• 4.5.1 SqueezeNet的優化策略
• 4.5 輕量化模型SqueezeNet
• 4.4.3 應用在產品中的效果
• 4.4.2 將CPU版本服務器端框架移植到移動端
• 4.4.1 將32位float參數轉化為8位int參數以降低傳輸量
• 4.4 嘗試在App中運行GoogLeNet
• 4.3.2 計算量問題
• 4.3.1 模型體積問題
• 4.3 GoogLeNet網絡結構
• 4.2 AlexNet網絡結構
• 4.1 早期的卷積神經網絡
• 第4章 移動端常見網絡結構
• 3.10 卷積的重要性
• 3.9 卷積后的降維操作：池化
• 3.8.2 讓卷積核“跳躍”:stride
• 3.8.1 讓卷積核“出界”:padding
• 3.8 卷積相關的兩個重要概念：padding和stride
• 3.7 卷積后的圖片效果
• 3.6.3 多通道卷積核的應用
• 3.6.2 卷積核和矩陣乘法的關系
• 3.6.1 從全局了解視覺相關的神經網絡
• 3.6 圖像卷積效果
• 3.5 卷積神經網絡
• 3.4.2 神經網絡
• 3.4.1 神經元
• 3.4 神經元和神經網絡
• 3.3.2 訓練過程涉及的數學公式
• 3.3.1 預測過程涉及的數學公式
• 3.3 數學表達
• 3.2 預測過程
• 3.1 移動端機器學習的全過程
• 第3章 什么是機器學習和卷積神經網絡
• 2.13 抽象向量空間
• 2.12 線性代數的特征概念
• 2.11.2 叉積的幾何意義
• 2.11.1 點積的幾何意義
• 2.11 點積和叉積的幾何表示與含義
• 2.10 零空間
• 2.9 秩
• 2.8 矩陣的逆
• 2.7 行列式
• 2.6 矩陣乘法
• 2.5 矩陣和變換
• 2.4 線性空間
• 2.3 線性組合的幾何意義
• 2.2.2 向量的數乘運算
• 2.2.1 向量的加減運算
• 2.2 向量的幾何意義
• 2.1.2 改變坐標系的基向量
• 2.1.1 標準平面直角坐標系
• 2.1 線性代數基礎
• 第2章 以幾何方式理解線性代數基礎知識
• 1.8.4 開發一個基于移動端深度學習框架的Android App
• 1.8.3 用Paddle-Lite框架編譯與開發Android應用
• 1.8.2 Android平臺上mobile-deep-learning項目的Demo代碼結構
• 1.8.1 Android平臺上mobile-deep-learning項目的環境依賴
• 1.8 在Android平臺上搭建深度學習框架
• 1.7.3 iOS平臺上mobile-deep-learning項目的Demo代碼結構
• 1.7.2 在OS X平臺上編譯mobile-deep-learning項目
• 1.7.1 在iOS平臺上搭建mobile-deep-learning項目
• 1.7 在iOS平臺上搭建深度學習框架
• 1.6.3 mobile-deep-learning通用環境依賴
• 1.6.2 mobile-deep-learning項目整體代碼結構
• 1.6.1 mobile-deep-learning項目環境簡介
• 1.6 編譯運行深度學習App
• 1.5.2 實現AR實時翻譯功能
• 1.5.1 在服務器端和移動端應用深度學習技術的難點對比
• 1.5 在移動端應用深度學習技術的難點
• 1.4.3 視頻主體檢測技術在App中的應用
• 1.4.2 奇妙的風格化效果
• 1.4.1 植物花卉識別
• 1.4 在移動端應用深度學習技術的業界案例
• 1.3 在線上產品中以“云+端計算”的方式應用深度學習技術
• 1.2 移動端主體檢測和分類
• 1.1.2 在Demo App中應用神經網絡技術
• 1.1.1 安裝編譯好的文件
• 1.1 本書示例代碼簡介
• 第1章 初窺移動端深度學習技術的應用
• 讀者服務
• 前言
• 推薦序二
• 推薦序一
• 作者簡介
• 版權信息
• 封面

• 封面
• 版權信息
• 作者簡介
• 推薦序一
• 推薦序二
• 前言
• 讀者服務
• 第1章 初窺移動端深度學習技術的應用
• 1.1 本書示例代碼簡介
• 1.1.1 安裝編譯好的文件
• 1.1.2 在Demo App中應用神經網絡技術
• 1.2 移動端主體檢測和分類
• 1.3 在線上產品中以“云+端計算”的方式應用深度學習技術
• 1.4 在移動端應用深度學習技術的業界案例
• 1.4.1 植物花卉識別
• 1.4.2 奇妙的風格化效果
• 1.4.3 視頻主體檢測技術在App中的應用
• 1.5 在移動端應用深度學習技術的難點
• 1.5.1 在服務器端和移動端應用深度學習技術的難點對比
• 1.5.2 實現AR實時翻譯功能
• 1.6 編譯運行深度學習App
• 1.6.1 mobile-deep-learning項目環境簡介
• 1.6.2 mobile-deep-learning項目整體代碼結構
• 1.6.3 mobile-deep-learning通用環境依賴
• 1.7 在iOS平臺上搭建深度學習框架
• 1.7.1 在iOS平臺上搭建mobile-deep-learning項目
• 1.7.2 在OS X平臺上編譯mobile-deep-learning項目
• 1.7.3 iOS平臺上mobile-deep-learning項目的Demo代碼結構
• 1.8 在Android平臺上搭建深度學習框架
• 1.8.1 Android平臺上mobile-deep-learning項目的環境依賴
• 1.8.2 Android平臺上mobile-deep-learning項目的Demo代碼結構
• 1.8.3 用Paddle-Lite框架編譯與開發Android應用
• 1.8.4 開發一個基于移動端深度學習框架的Android App
• 第2章 以幾何方式理解線性代數基礎知識
• 2.1 線性代數基礎
• 2.1.1 標準平面直角坐標系
• 2.1.2 改變坐標系的基向量
• 2.2 向量的幾何意義
• 2.2.1 向量的加減運算
• 2.2.2 向量的數乘運算
• 2.3 線性組合的幾何意義
• 2.4 線性空間
• 2.5 矩陣和變換
• 2.6 矩陣乘法
• 2.7 行列式
• 2.8 矩陣的逆
• 2.9 秩
• 2.10 零空間
• 2.11 點積和叉積的幾何表示與含義
• 2.11.1 點積的幾何意義
• 2.11.2 叉積的幾何意義
• 2.12 線性代數的特征概念
• 2.13 抽象向量空間
• 第3章 什么是機器學習和卷積神經網絡
• 3.1 移動端機器學習的全過程
• 3.2 預測過程
• 3.3 數學表達
• 3.3.1 預測過程涉及的數學公式
• 3.3.2 訓練過程涉及的數學公式
• 3.4 神經元和神經網絡
• 3.4.1 神經元
• 3.4.2 神經網絡
• 3.5 卷積神經網絡
• 3.6 圖像卷積效果
• 3.6.1 從全局了解視覺相關的神經網絡
• 3.6.2 卷積核和矩陣乘法的關系
• 3.6.3 多通道卷積核的應用
• 3.7 卷積后的圖片效果
• 3.8 卷積相關的兩個重要概念：padding和stride
• 3.8.1 讓卷積核“出界”:padding
• 3.8.2 讓卷積核“跳躍”:stride
• 3.9 卷積后的降維操作：池化
• 3.10 卷積的重要性
• 第4章 移動端常見網絡結構
• 4.1 早期的卷積神經網絡
• 4.2 AlexNet網絡結構
• 4.3 GoogLeNet網絡結構
• 4.3.1 模型體積問題
• 4.3.2 計算量問題
• 4.4 嘗試在App中運行GoogLeNet
• 4.4.1 將32位float參數轉化為8位int參數以降低傳輸量
• 4.4.2 將CPU版本服務器端框架移植到移動端
• 4.4.3 應用在產品中的效果
• 4.5 輕量化模型SqueezeNet
• 4.5.1 SqueezeNet的優化策略
• 4.5.2 fire模塊
• 4.5.3 SqueezeNet的全局
• 4.6 輕量高性能的MobileNet
• 4.6.1 什么是深度可分離卷積（Depthwise Separable Convolution）
• 4.6.2 MobileNet v1網絡結構
• 4.6.3 MobileNet v2網絡結構
• 4.7 移動端神經網絡模型的優化方向
• 第5章 ARM CPU組成
• 5.1 現代計算機與ARM CPU架構的現狀
• 5.1.1 馮·諾依曼計算機的基本結構
• 5.1.2 移動計算設備的分工
• 5.2 簡單的CPU模型
• 5.2.1 取指過程
• 5.2.2 譯碼過程
• 5.2.3 執行過程
• 5.2.4 回寫過程
• 5.2.5 細化分工：流水線技術
• 5.3 匯編指令初探
• 5.3.1 匯編語言程序的第一行
• 5.3.2 這些指令是什么
• 5.4 匯編指令概況
• 5.4.1 ARM CPU家族
• 5.4.2 ARMv7-A處理器架構
• 5.4.3 ARMv7匯編指令介紹
• 5.5 ARM指令集架構
• 5.6 ARM手機芯片的現狀與格局
• 第6章 存儲金字塔與ARM匯編
• 6.1 ARM CPU的完整結構
• 6.2 存儲設備的金字塔結構
• 6.3 ARM芯片的緩存設計原理
• 6.3.1 緩存的基本理解
• 6.3.2 簡單的緩存映射結構：直接映射
• 6.3.3 靈活高效的緩存結構：組相聯映射
• 6.3.4 利用一個簡單的公式優化訪存性能
• 6.4 ARM匯編知識
• 6.4.1 ARM匯編數據類型和寄存器
• 6.4.2 ARM指令集
• 6.4.3 ARM匯編的內存操作
• 6.5 NEON匯編指令
• 6.5.1 NEON寄存器與指令類型
• 6.5.2 NEON存儲操作指令
• 6.5.3 NEON通用數據操作指令
• 6.5.4 NEON通用算術操作指令
• 6.5.5 NEON乘法指令
• 6.5.6 運用NEON指令計算矩陣乘法
• 第7章 移動端CPU預測性能優化
• 7.1 工具及體積優化
• 7.1.1 工具使用
• 7.1.2 模型體積優化
• 7.1.3 深度學習庫文件體積優化
• 7.2 CPU高性能通用優化
• 7.2.1 編譯選項優化
• 7.2.2 內存性能和耗電量優化
• 7.2.3 循環展開
• 7.2.4 并行優化與流水線重排
• 7.3 卷積性能優化方式
• 7.3.1 滑窗卷積和GEMM性能對比
• 7.3.2 基于Winograd算法進行卷積性能優化
• 7.3.3 快速傅里葉變換
• 7.3.4 卷積計算基本優化
• 7.4 開發問題與經驗總結
• 第8章 移動端GPU編程及深度學習框架落地實踐
• 8.1 異構計算編程框架OpenCL
• 8.1.1 開發移動端GPU應用程序
• 8.1.2 OpenCL中的一些概念
• 8.2 移動端視覺搜索研發
• 8.2.1 初次探索移動端AI能力
• 8.2.2 取消拍照按鈕，提升視覺搜索體驗
• 8.2.3 使用深度學習技術提速視覺搜索
• 8.2.4 通過AI工程技術提升視覺搜索體驗
• 8.3 解決歷史問題：研發Paddle-Lite框架
• 8.3.1 體積壓縮
• 8.3.2 工程結構編碼前重新設計
• 8.3.3 視覺搜索的高級形態：實時視頻流式搜索
• 專家力薦 更新時間：2019-12-05 14:23:08