內容大鋼
本書由淺入深地介紹了如何將深度學習技術應用到移動端運算領域，書中盡量避免羅列公式，嘗試用淺顯的語言和幾何圖形去解釋相關內容。本書第1章展示了在移動端應用深度學習技術的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應用深度學習技術；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。
本書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。
作者介紹
李永會
李永會，百度App移動研發部資深工程師。2015年起在百度從事圖像搜索和語音搜索客戶端研發工作，主持了多個重要創新項目，包括百度Lens、實時翻譯等。同時負責開源移動端深度學習框架Paddle-Lite的開發，長期從事移動端AI高性能計算優化工作，在多種軟硬體平台上高性能運行深度學習技術。在工作之餘有讀史、書法等愛好。
目錄
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DemoApp中應用神經網路技術
1.2 移動端主體檢測和分類
1.3 在線上產品中以「雲+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 在伺服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平台上搭建深度學習框架
1.7.1 在iOS平台上搭建mobile-deep-learning項目
1.7.2 在OSX平台上編譯mobile-deep-learning項目
1.7.3 iOS平台上mobile-deep-learning項目的Demo代碼結構
1.8 在Android平台上搭建深度學習框架
1.8.1 Android平台上mobile-deep-learning項目的環境依賴
1.8.2 Android平台上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 開發一個基於移動端深度學習框架的AndroidApp
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 線性代數的特徵概念
2.13 抽象向量空間
第3章 什麼是機器學習和卷積神經網路
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 神經元和神經網路
3.4.1 神經元
3.4.2 神經網路
3.5 卷積神經網路
3.6 圖像卷積效果
3.6.1 從全局了解視覺相關的神經網路
3.6.2 卷積核和矩陣乘法的關係
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 移動端常見網路結構
4.1 早期的卷積神經網路
4.2 AlexNet網路結構
4.3 GoogLeNet網路結構
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版本伺服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 什麼是深度可分離卷積（DepthwiseSeparableConvolution）
4.6.2 MobileNetv1網路結構
4.6.3 MobileNetv2網路結構
4.7 移動端神經網路模型的優化方向
第5章 ARMCPU組成
5.1 現代電腦與ARMCPU架構的現狀
5.1.1 馮?諾依曼電腦的基本結構
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 解碼過程
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 彙編指令初探
5.3.1 彙編語言程序的第一行
5.3.2 這些指令是什麼
5.4 彙編指令概況
5.4.1 ARMCPU家族
5.4.2 ARMv7-A處理器架構
5.4.3 ARMv7彙編指令介紹
5.5 ARM指令集架構
5.6 ARM手機晶元的現狀與格局
第6章 存儲金字塔與ARM彙編
6.1 ARMCPU的完整結構
6.2 存儲設備的金字塔結構
6.3 ARM晶元的緩存設計原理
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彙編知識
6.4.1 ARM彙編數據類型和寄存器
6.4.2 ARM指令集
6.4.3 ARM彙編的內存操作
6.5 NEON彙編指令
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 並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 基於Winograd演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�
[