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

ONNX人工智慧技術與開發實踐

  • 作者：編者:吳建明//吳一昊|責編:張海麗
  • 出版社：化學工業
  • ISBN：9787122474315
  • 出版日期：2025/05/01
  • 裝幀：平裝
  • 頁數：228
人民幣：RMB 88 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    ONNX（Open Neural Network Exchange，開放神經網路交換）是一種開放格式，用於存儲深度神經網路模型。ONNX由微軟和Facebook于2017年共同推出，旨在促進不同深度學習框架之間的模型交換和互操作性。ONNX定義了一組與環境和平台無關的標準格式，使得AI模型可以在不同的框架和環境下交互使用。經過短短幾年的發展，ONNX已經成為表示深度學習模型的實際標準。它還支持傳統非神經網路機器學習模型。ONNX有望成為整個AI模型交換的標準。
    全書包括6章，分別為ONNX安裝與使用、ONNX運行時與應用開發技術、ONNX各種功能與性能分析、ONNX數據與操作數優化、ONNX模型性能與應用、ONNX創新開發案例分析。
    本書適合從事AI演算法、軟體、硬體開發的工程師閱讀，也可供科研人員、高校師生、技術管理人員參考使用。
作者介紹
編者:吳建明//吳一昊|責編:張海麗
目錄
第1章  ONNX安裝與使用
  1.1  安裝ONNX運行時（ORT）
    1.1.1  環境要求
    1.1.2  使用Python安裝ONNX
    1.1.3  使用C# /C/C＋＋/WinML安裝ONNX
  1.2  使用ONNX運行時
    1.2.1  在Python中使用ONNX運行時
    1.2.2  在C＋＋中使用ONNX運行時
  1.3  構建ONNX運行時
    1.3.1  構建ONNX運行時的方式
    1.3.2  ONNX運行時API概述
    1.3.3  API詳細信息
  1.4  支持程序相關API
第2章  ONNX運行時與應用開發技術
  2.1  ONNX運行時支持程序
    2.1.1  ONNX運行時支持程序簡介
    2.1.2  支持程序摘要
    2.1.3  添加支持程序
  2.2  ONNX原理介紹
    2.2.1  ONNX基本概念
    2.2.2  ONNX的輸入、輸出、節點、初始化器、屬性
    2.2.3  元素類型
    2.2.4  什麼是opset版本？
    2.2.5  子圖、測試和循環
    2.2.6  運算元掃描
    2.2.7  工具
  2.3  ONNX與Python
    2.3.1  線性回歸示例
    2.3.2  初始化器，改進的線性規劃
    2.3.3  遍歷ONNX結構並檢查初始化器
  2.4  運算符屬性
  2.5  根據符號計算矩陣中所有浮點數的總和
  2.6  樹集合回歸器
  2.7  程序創建和驗證模型功能
  2.8  ONNX模型使用開發示例分析
    2.8.1  開發環境
    2.8.2  創建控制台應用程序
    2.8.3  時間序列異常檢測
    2.8.4  尖峰檢測
  2.9  在ML.NET中使用ONNX檢測對象
    2.9.1  環境配置
    2.9.2  目標檢測示例
第3章  ONNX各種功能與性能分析
  3.1  Python API概述
    3.1.1  載入ONNX模型
    3.1.2  載入帶有外部數據的ONNX模型
    3.1.3  操作TensorProto和Numpy數組
    3.1.4  使用輔助函數創建ONNX模型
    3.1.5  用於映射ONNX IR中屬性的轉換實用程序
    3.1.6  檢查ONNX模型

    3.1.7  ONNX實用功能
    3.1.8  ONNX形狀推理
    3.1.9  ONNX模型文本語法
    3.1.10  類型表示
    3.1.11  ONNX版本轉換器
  3.2  ONNX中的廣播
    3.2.1  多向廣播
    3.2.2  單向廣播
  3.3  ONNX操作符可區分性標籤簡短指南
    3.3.1  差異性標籤
    3.3.2  定義差異性標籤的方法
  3.4  維度表示
    3.4.1  維度表示的目的
    3.4.2  表示定義
    3.4.3  表示傳播
    3.4.4  表示驗證
  3.5  外部數據
    3.5.1  載入帶有外部數據的ONNX模型
    3.5.2  將ONNX模型轉換為外部數據
    3.5.3  使用外部數據檢查模型
  3.6  ONNX模型庫
    3.6.1  基本用法
    3.6.2  ONNX中心架構
  3.7  開放神經網路交換中間表示（ONNX IR）規範
    3.7.1  ONNX IR中間表示的作用
    3.7.2  ONNX IR中間表示組件
    3.7.3  可擴展計算圖模型
    3.7.4  數據流圖
    3.7.5  張量表達式
    3.7.6  靜態張量形狀
  3.8  實現ONNX後端
    3.8.1  什麼是ONNX後端？
    3.8.2  統一後端介面
    3.8.3  ONNX後端測試
第4章  ONNX數據與操作數優化
  4.1  管理實驗操作符和圖像類別定義
    4.1.1  棄用的實驗操作符
    4.1.2  圖像類別定義
  4.2  ONNX類型
    4.2.1  PyTorch中的示例
    4.2.2  操作符慣例
  4.3  E4M3FNUZ和E5M2FNUZ
    4.3.1  指數偏差問題
    4.3.2  Cast節點用於數據類型轉換
  4.4  整數類型（4位）
    4.4.1  整數類型（4位）概述
    4.4.2  Cast節點用於數據類型轉換、包裝和拆包
  4.5  浮點數（4位）
    4.5.1  浮點數（4位）概述
    4.5.2  E2M1、包裝和拆包

  4.6  ONNX如何使用onnxruntime.InferenceSession函數
    4.6.1  操作符測試代碼示例
    4.6.2  函數定義
    4.6.3  函數屬性
  4.7  自定義運算元
    4.7.1  添加運算元
    4.7.2  控制操作測試
    4.7.3  自定義運算符
    4.7.4  縮減運算符配置文件
  4.8  分析工具
    4.8.1  代碼內性能分析
    4.8.2  支持程序分析
    4.8.3  GPU性能分析
    4.8.4  記錄和跟蹤
  4.9  線程管理
    4.9.1  主要內容介紹
    4.9.2  設置操作內線程數
    4.9.3  線程旋轉規則
    4.9.4  設置互操作線程數
    4.9.5  設置操作內線程關聯
    4.9.6  Numa支持和性能調優
  4.10  自定義線程回調與應用
    4.10.1  自定義線程回調
    4.10.2  在自定義操作中的I/O綁定
  4.11  量化ONNX模型
    4.11.1  量化概述
    4.11.2  ONNX量化表示格式
    4.11.3  量化ONNX模型
    4.11.4  量化示例
    4.11.5  方法選擇
    4.11.6  量化為Int4/UInt
  4.12  創建float16和混合精度模型
    4.12.1  float16轉換解析
    4.12.2  混合精度
第5章  ONNX模型性能與應用
  5.1  ONNX運行時圖形優化
    5.1.1  ONNX運行時圖形優化概述
    5.1.2  ONNX運行時圖形優化使用方法
  5.2  ORT模型格式
    5.2.1  ORT模型格式是什麼？
    5.2.2  將ONNX模型轉換為ORT格式
    5.2.3  將ONNX模型轉換為ORT格式腳本用法
  5.3  載入並執行ORT格式的模型
    5.3.1  不同平台的運行環境
    5.3.2  ORT格式模型載入
    5.3.3  從內存中的位元組數組載入ORT格式模型
    5.3.4  ORT格式模型運行時優化
  5.4  BERT模型驗證
    5.4.1  BERT模型驗證概述
    5.4.2  對模型進行基準測試和分析

    5.4.3  Olive-硬體感知模型優化工具
  5.5  AzureML上ONNX運行時的高性能推理BERT模型
    5.5.1  AzureML上ONNX運行時BERT模型概述
    5.5.2  步驟1-預訓練、微調和導出BERT模型（PyTorch）
    5.5.3  步驟2-通過AzureML使用ONNX運行時部署BERT模型
    5.5.4  步驟3-檢查AzureML環境
    5.5.5  步驟4-在AzureML中註冊模型
    5.5.6  步驟5-編寫評分文件
    5.5.7  步驟6-寫入環境文件
    5.5.8  步驟7-在Azure容器實例上將模型部署為Web服務
    5.5.9  步驟8-使用WebService推理BERT模型
第6章  ONNX創新開發案例分析
  6.1  FedAS：彌合個性化聯合學習中的不一致性
    6.1.1  概述
    6.1.2  技術分析
    6.1.3  結論
  6.2  快照壓縮成像的雙先驗展開
    6.2.1  概述
    6.2.2  技術分析
    6.2.3  結論
  6.3  利用光譜空間校正改進光譜快照重建
    6.3.1  概述
    6.3.2  技術分析
    6.3.3  結論
  6.4  基於位平面切片的學習型無損圖像壓縮
    6.4.1  概述
    6.4.2  技術分析
    6.4.3  結論
  6.5  LiDAR4D：用於新型時空觀激光雷達合成的動態神經場
    6.5.1  概述
    6.5.2  技術分析
    6.5.3  結論
  6.6  用於圖像恢復的具有注意特徵重構的自適應稀疏變換器
    6.6.1  概述
    6.6.2  技術分析
    6.6.3  結論
  6.7  面向目標檢測中邊界不連續性問題的再思考
    6.7.1  概述
    6.7.2  技術分析
    6.7.3  結論
  6.8  綜合、診斷和優化：邁向精細視覺語言理解
    6.8.1  概述
    6.8.2  技術分析
    6.8.3  結論
  6.9  光譜和視覺光譜偏振真實數據集
    6.9.1  概述
    6.9.2  技術分析
    6.9.3  結論
  6.10  CoSeR橋接圖像和語言以實現認知超解析度
    6.10.1  概述

    6.10.2  技術分析
    6.10.3  結論
  6.11  SAM-6D：分段任意模型滿足零樣本6D對象姿態估計
    6.11.1  概述
    6.11.2  技術分析
    6.11.3  結論
  6.12  NeISF：用於幾何和材料估計的神經入射斯托克斯場
    6.12.1  概述
    6.12.2  技術分析
  6.13  Monkey圖像解析度和文本標籤是大型多模態模型的重要內容
    6.13.1  概述
    6.13.2  技術分析
    6.13.3  結論
  6.14  CorrMatch：通過相關性匹配進行標籤傳播，用於半監督語義分割
    6.14.1  概述
    6.14.2  技術分析
  6.15  VCoder：多模態大型語言模型的多功能視覺編碼器
    6.15.1  概述
    6.15.2  技術分析
    6.15.3  結論
參考文獻

  • 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