幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

AI嵌入式系統(演算法優化與實現)/電子與嵌入式系統設計叢書

  • 作者：編者:應忍冬//劉佩林|責編:趙亮宇
  • 出版社：機械工業
  • ISBN：9787111693253
  • 出版日期：2022/01/01
  • 裝幀：平裝
  • 頁數：337
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書介紹嵌入式系統中的機器學習演算法優化原理、設計方法及其實現技術。內容涵蓋通用嵌入式優化技術，包括基於SIMD指令集的優化、內存訪問模式優化、參數量化等，並在此基礎上介紹了信號處理層面的優化、AI推理演算法優化及基於神經網路的AI演算法訓練一推理聯合的優化理論與方法。其中信號處理層面優化介紹了基於線性代數的快速近似演算法、基於多項式的快速卷積構造技術、基於數據二進位結構的快速乘法演算法等；在AI推理層面，介紹了機器學習推理模型共性結構、運算圖中各個運算元的計算優化途徑；對基於神經網路的AI演算法，闡述了如何將推理階段的運算量約束以及底層數據量化約束加入訓練代價函數，從演算法訓練端減少運算量以提升AI嵌入式系統的運行效率。此外，本書還通過多個自動搜索優化參數並生成C代碼的例子介紹了通用的嵌入式環境下機器學習演算法自動優化和部署工具開發的基本知識，通過應用示例和大量代碼說明了AI演算法在通用嵌入式系統中的實現方法，力求讓讀者在理解演算法的基礎上，通過實踐掌握高效的AI嵌入式系統開發的知識與技能。
作者介紹
編者:應忍冬//劉佩林|責編:趙亮宇
目錄
前言
第1章  緒論
  1.1  AI嵌入式系統的概念與特點
  1.2  機器學習在嵌入式系統中的實現
  1.3  本書內容概述
第2章  嵌入式軟體編程模式和優化
  2.1  嵌入式軟體編程模式
    2.1.1  基於周期調用的運行模式
    2.1.2  基於中斷的前後台運行模式
    2.1.3  基於事件隊列的運行模式
    2.1.4  帶時間信息的事件隊列運行模式
    2.1.5  計算圖運行模式
  2.2  通用軟體優化方法
    2.2.1  循環結構優化
    2.2.2  時間空間平衡
    2.2.3  運算精度和性能平衡
    2.2.4  底層運算的快速實現演算法
    2.2.5  內存使用優化
  2.3  小結
  參考文獻
第3章  機器學習演算法概述
  3.1  高斯樸素貝葉斯分類器
    3.1.1  原理概述
    3.1.2  模型訓練和推理
  3.2  感知器
    3.2.1  原理概述
    3.2.2  模型訓練和推理
  3.3  SVM分類器
    3.3.1  原理概述
    3.3.2  模型訓練和推理
  3.4  決策樹
    3.4.1  原理概述
    3.4.2  模型訓練和推理
    3.4.3  決策樹分類器的代碼實現
  3.5  線性數據降維
    3.5.1  原理概述
    3.5.2  模型訓練和推理
  3.6  神經網路
    3.6.1  原理概述
    3.6.2  模型訓練和推理
  3.7  小結
  參考文獻
第4章  數值的表示和運算
  4.1  浮點數
    4.1.1  單精度和雙精度浮點數
    4.1.2  16位浮點數
  4.2  定點數
    4.2.1  定點數的二進位表示形式
    4.2.2  定點數的運算
    4.2.3  給定演算法的定點化方法

  4.3  仿射映射量化
    4.3.1  量化數據表示
    4.3.2  量化數據運算
    4.3.3  基於量化數據的矩陣運算
  4.4  常數整數乘法優化
    4.4.1  基於正則有符號數的常數整數乘法優化
    4.4.2  基於運算圖的常數整數乘法優化
    4.4.3  多常數整數乘法優化
    4.4.4  浮點數和整數常數乘法優化
    4.4.5  常數整數乘法優化的應用
  4.5  小結
  參考文獻
第5章  卷積運算優化
  5.1  卷積運算的定義
    5.1.1  一維線性卷積
    5.1.2  一維循環卷積
    5.1.3  二維線性卷積
    5.1.4  二維循環卷積
  5.2  快速卷積演算法
    5.2.1  一維循環卷積頻域快速演算法
    5.2.2  短序列一維線性卷積快速演算法
    5.2.3  長序列一維線性卷積的構建
    5.2.4  快速FIR濾波器演算法
    5.2.5  二維快速卷積演算法
  5.3  近似卷積演算法
    5.3.1  基於卷積核低秩分解的二維快速卷積
    5.3.2  矩形卷積核近似卷積
    5.3.3  分段線性卷積核近似
    5.3.4  卷積核的分段近似
    5.3.5  基於IIR濾波器的近似卷積
    5.3.6  基於卷積核低秩近似的二維近似快速卷積
    5.3.7  基於二維矩形卷積核的近似快速卷積
  5.4  小結
  參考文獻
第6章  矩陣乘法優化
  6.1  機器學習演算法中的矩陣乘法
  6.2  Strassen矩陣相乘演算法
  6.3  Winograd矩陣相乘演算法
  6.4  低秩矩陣乘法
  6.5  循環矩陣乘法
  6.6  近似矩陣乘法
    6.6.1  基於矩陣低秩近似的矩陣乘法
    6.6.2  基於數據統計相關性的近似矩陣乘法
    6.6.3  基於向量量化的近似矩陣乘法
  6.7  小結
  參考文獻
第7章  神經網路的實現與優化
  7.1  神經網路基本運算及軟體實現
    7.1.1  全連接層運算
    7.1.2  卷積層運算

    7.1.3  BN層運算
    7.1.4  激活層運算
    7.1.5  池化層運算
    7.1.6  神經網路示例
  7.2  神經網路的權重係數優化
    7.2.1  權重係數二值化
    7.2.2  權重係數的定點數量化
    7.2.3  權重係數量化和神經網路訓練結合
  7.3  神經網路結構優化
    7.3.1  剪枝優化
    7.3.2  卷積結構優化
    7.3.3  知識蒸餾
  7.4  小結
  參考文獻
第8章  ARM平台上的機器學習編程
  8.1  CMSIS軟體框架概述
  8.2  CMSIS-DSP軟體框架和編程
    8.2.1  矩陣運算
    8.2.2  高斯樸素貝葉斯演算法實現
    8.2.3  SVM演算法實現
    8.2.4  數據降維
  8.3  基於CMSIS-NN的神經網路編程
    8.3.1  基於卷積神經網路的手寫數字識別演算法
    8.3.2  CMSIS-NN的卷積神經網路實現
    8.3.3  卷積神經網路的定點化
    8.3.4  數據存儲和格式轉換
  8.4  ARM Compute Library軟體框架和編程
    8.4.1  基於ACL庫的圖像處理編程
    8.4.2  基於ACL庫的神經網路編程
  8.5  ARM NN軟體框架和編程
    8.5.1  基於ARM NN運行神經網路模型
    8.5.2  基於ONNX格式的機器學習模型構建
  8.6  ARM的SIMD指令編程
    8.6.1  NEON編程的基本概念和數據寄存器
    8.6.2  基於C語言的NEON編程
  8.7  小結
附錄A  補充數據和列表
附錄B  技術術語表

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032