《移动平台深度神经网络实战原理、架构与优化》求取 ⇩

第一篇深度学习基础2

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

1.3.1 分类算法8

1.3.2 回归算法8

1.3.3 聚类算法8

1.3.4 关联分析算法9

1.3.5 集成算法9

1.3.6 强化算法10

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

1.5.1 深度学习的贡献12

1.5.2 深度学习框架简介13

1.5.3 安装使用深度学习框架16

1.5.4 深度学习进展22

1.6走进移动世界的深度学习25

1.6.1 移动平台机器学习概述25

1.6.2 难度和挑战26

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

2.3Logistic回归33

2.3.1 线性回归33

2.3.2 几率与Logit35

2.3.3 Logistic回归38

2.3.4 背景溯源39

2.3.5 实现Logistic回归42

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

3.2.1 神经元46

3.2.2 连接与网络47

3.2.3 神经网络向量化48

3.2.4 前向传播50

3.3 反向传播算法50

3.4实现前向神经网络53

3.4.1 神经网络与前向传播实现53

3.4.2 Softmax回归60

3.5稀疏自编码器61

3.5.1 引子61

3.5.2 自编码器简介61

3.5.3 稀疏自编码算法63

3.6神经网络数据预处理64

3.6.1 去均值64

3.6.2 归一化65

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

4.1.1 自我学习66

4.1.2 特征学习67

4.1.3 深度神经网络68

4.1.4 逐层贪婪训练方法69

4.2卷积神经网络70

4.2.1 全连接与部分连接网络70

4.2.2 卷积70

4.2.3 池化72

4.2.4 卷积神经网络73

4.3卷积神经网络实现73

4.3.1 Layer实现74

4.3.2 Net实现79

4.3.3 InnerProduct实现92

4.3.4 Convolution实现95

4.3.5 Pooling实现101

4.3.6 定义注册头文件109

4.4 本章小结110

第二篇移动平台深度学习基础112

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

5.2ARM 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

5.3TensorFlow 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

6.2SqueezeNet142

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SqueezeNet144

6.3 MobileNet153

6.4 ShuffleNet154

6.5MobileNet V2155

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 V2157

6.6 本章小结161

第三篇深入理解深度学习164

第7章高性能数据预处理实战164

7.1数据预处理任务164

7.1.1 数据清理165

7.1.2 数据集成165

7.1.3 数据归约165

7.1.4 数据变换166

7.2 数据标准化166

7.3PCA167

7.3.1 PCA的现实问题167

7.3.2 PCA的计算方法167

7.3.3 PCA的数学理论基础169

7.4在Hurricane之上实现PCA170

7.4.1 Hurricane实时处理系统171

7.4.2 实现HurricaneTopology172

7.4.3 实现PCA178

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

8.1.1 模式识别193

8.1.2 模式识别系统194

8.1.3 传统模式识别方法194

8.1.4 深度学习模式识别方法197

8.2图像分类197

8.2.1 LeNet197

8.2.2 AlexNet200

8.2.3 数据抓取整理203

8.2.4 数据预处理204

8.2.5 数据训练206

8.3目标识别与物体检测207

8.3.1 目标识别简介207

8.3.2 R-CNN208

8.3.3 SPP-Net209

8.3.4 Fast R-CNN211

8.3.5 Faster R-CNN211

8.3.6 RetinaNet213

8.4检测识别实战213

8.4.1 Faster R-CNN214

8.4.2 RetinaNet230

8.5移动平台检测识别实战237

8.5.1 移动平台系统开发思路237

8.5.2 基于RetinaNet的检测定位实现237

8.5.3 基于AlexNet的识别分类实现244

8.5.4 接口设计封装247

8.6 本章小结258

第四篇深入理解移动平台深度学习260

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

9.2.1 Structured Sparsity Learning262

9.2.2 Dynamic Network Surgery262

9.2.3 Dynamic Network Surgery实现264

9.3模型加速275

9.3.1 半精度与权重量化275

9.3.2 深度压缩276

9.3.3 二值化网络278

9.3.4 三值化网络280

9.3.5 DoReFa-Net282

9.3.6 编程实战283

9.4嵌入式优化287

9.4.1 算法局限与改进287

9.4.2 理论改进287

9.4.3 编程实战288

9.5嵌入式优化代码实现290

9.5.1 量化分析实现290

9.5.2 层实现302

9.5.3 量化矩阵计算309

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

10.1.1 搜索引擎工作原理315

10.1.2 HTTP会话316

10.1.3 解决JavaScript渲染问题316

10.2图片数据爬虫实现317

10.2.1 获取任务318

10.2.2 解析图片320

10.2.3 图片存储326

10.2.4 图片去重327

10.2.5 完成Topology328

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TensorFlowLite357

11.3核心实现分析358

11.3.1 解释器代码分析358

11.3.2 图代码分析373

11.3.3 操作符注册381

11.3.4 操作符扩展实现384

11.3.5 计算与优化模块399

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

12.1Core ML426

12.1.1 准备数据和生成模型427

12.1.2 App实战：引入Core ML实现430

12.2Android Neural Networks API437

12.2.1 等等，Google还有一个ML Kit437

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NNAPI454

12.3实战：实现Android图像分类器App459

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