万本电子书0元读

万本电子书0元读

顶部广告

AI嵌入式系统:算法优化与实现电子书

1.本书面向人工智能的嵌式应用,涵盖了基于运算量,内存,功耗等多维度的机器学习算法优化理论与技术。从算法底层单元到机器学习算法训练-推理联合优化及自动优化部署算法等方面行阐述,并结合通用嵌式处理器行了验证。本书集机器学习算法优化理论和应用实践为一体,为实现高效的人工智能嵌式系统提供了基础理论与方法。2.本书作者常年从事嵌式教学与研究,书中的内容凝练了他们长期从事人工智能算法研究与系统设计的研究与经验,为人工智能应用普及提供了详实的学习和研究指南。3。本书配套的源代码和教辅材料可在华章网站的本书下载。

售       价:¥

纸质售价:¥89.10购买纸书

58人正在读 | 0人评论 6.6

作       者:应忍冬,刘佩林

出  版  社:机械工业出版社

出版时间:2021-10-01

字       数:23.4万

所属分类: 科技 > 计算机/网络 > 软件系统

温馨提示:数字商品不支持退换货,不提供源文件,不支持导出打印

为你推荐

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书介绍在嵌式系统中的机器学习算法优化原理、设计方法及其实现技术。内容涵盖通用嵌式优化技术,包括基于SIMD指令集的优化、内存访问模式优化、参数量化等。并在此基础上介绍了信号处理层面的优化,包括AI推理算法及基于神经网络的AI算法训练-推理联合的优化理论与方法。其中信号处理层面优化包括了基于线性代数的快速近似算法、基于多项式的快速卷积构造技术、基于数据二制结构的快速乘法算法等;在AI推理层面,介绍了机器学习推理模型共性结构、运算图中各个算子的计算优化途径;另外对基于神经网络AI算法,阐述了如何将推理阶段的运算量约束以及底层数据量化约束加训练代价函数,从算法训练端减少运算量以提升AI嵌式系统的运行效率;此外本书还通过多个自动搜索优化参数并生成C代码的例子介绍了通用的嵌式环境下机器学习算法自动优化和部署工具发的基本知识;本书通过应用例子和大量代码说明AI算法在通用嵌式系统中的实现方法,力求让读者在理解算法的基础上,通过实践掌握高效的AI嵌式系统发的知识与技能。<br/>【推荐语】<br/>适读人群: 本书可作为嵌式领域工程技术人员、机器学习算法的底层算法软件发人员的参考书,也可作为计算机、电子信息、自动控制等相关专业高年级本科学生的参考教材。   配套PPT 代码 数据获取方式: 1、微信关注“华章计算机” 2、在后台回复关键词:69325   一、本书面向人工智能的嵌式应用,涵盖了基于运算量,内存,功耗等多维度的机器学习算法优化理论与技术。从算法底层单元到机器学习算法训练-推理联合优化及自动优化部署算法等方面行阐述,并结合通用嵌式处理器行了验证。本书集机器学习算法优化理论和应用实践为一体,为实现高效的人工智能嵌式系统提供了基础理论与方法。 二、本书作者常年从事嵌式教学与研究,书中的内容凝练了他们长期从事人工智能算法研究与系统设计的研究与经验,为人工智能应用普及提供了详实的学习和研究指南。 三、本书配套的PPT、源代码和训练数据均可下载并持续更新。 四、作者荣获51CTO 2021年度“受读者喜爱的IT图书作者”奖。本书荣获51CTO 2021年度“受读者喜爱的IT图书”奖。<br/>【作者】<br/>应忍冬 上海交通大学电子信息与电气工程学院副教授,硕士生导师。长期从事嵌式系统和数字电路教学与科研工作。主要研究领域包括数字信号处理VLSI架构、3D视觉信号处理、类脑智能算法及嵌式实现技术等。主持或参加过多项国家重科研项目,在数字信号处理理论和工程实现方面拥有丰富经验。 刘佩林 上海交通大学电子信息与电气工程学院教授,博士生导师。研究领域包括音频、视频、3D信号处理与智能分析,面向机器人的环境感知、人机交互、定位与导航,以及类脑计算与低功耗电路设计等。2017年起任上海交通大学类脑智能应用技术研究中心主任。<br/>
目录展开

作者简介

前言

第1章 绪论

1.1 AI嵌入式系统的概念与特点

1.2 机器学习在嵌入式系统中的实现

1.3 本书内容概述

第2章 嵌入式软件编程模式和优化

2.1 嵌入式软件编程模式

2.1.1 基于周期调用的运行模式

2.1.2 基于中断的前后台运行模式

2.1.3 基于事件队列的运行模式

2.1.4 带时间信息的事件队列运行模式

2.1.5 计算图运行模式

2.2 通用软件优化方法

2.2.1 循环结构优化

2.2.2 时间空间平衡

2.2.3 运算精度和性能平衡

2.2.4 底层运算的快速实现算法

2.2.5 内存使用优化

2.3 小结

参考文献

第3章 机器学习算法概述

3.1 高斯朴素贝叶斯分类器

3.1.1 原理概述

3.1.2 模型训练和推理

3.2 感知器

3.2.1 原理概述

3.2.2 模型训练和推理

3.3 SVM分类器

3.3.1 原理概述

3.3.2 模型训练和推理

3.4 决策树

3.4.1 原理概述

3.4.2 模型训练和推理

3.4.3 决策树分类器的代码实现

3.5 线性数据降维

3.5.1 原理概述

3.5.2 模型训练和推理

3.6 神经网络

3.6.1 原理概述

3.6.2 模型训练和推理

3.7 小结

参考文献

第4章 数值的表示和运算

4.1 浮点数

4.1.1 单精度和双精度浮点数

4.1.2 16位浮点数

4.2 定点数

4.2.1 定点数的二进制表示形式

4.2.2 定点数的运算

4.2.3 给定算法的定点化方法

4.3 仿射映射量化

4.3.1 量化数据表示

4.3.2 量化数据运算

4.3.3 基于量化数据的矩阵运算

4.4 常数整数乘法优化

4.4.1 基于正则有符号数的常数整数乘法优化

4.4.2 基于运算图的常数整数乘法优化

4.4.3 多常数整数乘法优化

4.4.4 浮点数和整数常数乘法优化

4.4.5 常数整数乘法优化的应用

4.5 小结

参考文献

第5章 卷积运算优化

5.1 卷积运算的定义

5.1.1 一维线性卷积

5.1.2 一维循环卷积

5.1.3 二维线性卷积

5.1.4 二维循环卷积

5.2 快速卷积算法

5.2.1 一维循环卷积频域快速算法

5.2.2 短序列一维线性卷积快速算法

5.2.3 长序列一维线性卷积的构建

5.2.4 快速FIR滤波器算法

5.2.5 二维快速卷积算法

5.3 近似卷积算法

5.3.1 基于卷积核低秩分解的二维快速卷积

5.3.2 矩形卷积核近似卷积

5.3.3 分段线性卷积核近似

5.3.4 卷积核的分段近似

5.3.5 基于IIR滤波器的近似卷积

5.3.6 基于卷积核低秩近似的二维近似快速卷积

5.3.7 基于二维矩形卷积核的近似快速卷积

5.4 小结

参考文献

第6章 矩阵乘法优化

6.1 机器学习算法中的矩阵乘法

6.2 Strassen矩阵相乘算法

6.3 Winograd矩阵相乘算法

6.4 低秩矩阵乘法

6.5 循环矩阵乘法

6.6 近似矩阵乘法

6.6.1 基于矩阵低秩近似的矩阵乘法

6.6.2 基于数据统计相关性的近似矩阵乘法

6.6.3 基于向量量化的近似矩阵乘法

6.7 小结

参考文献

第7章 神经网络的实现与优化

7.1 神经网络基本运算及软件实现

7.1.1 全连接层运算

7.1.2 卷积层运算

7.1.3 BN层运算

7.1.4 激活层运算

7.1.5 池化层运算

7.1.6 神经网络示例

7.2 神经网络的权重系数优化

7.2.1 权重系数二值化

7.2.2 权重系数的定点数量化

7.2.3 权重系数量化和神经网络训练结合

7.3 神经网络结构优化

7.3.1 剪枝优化

7.3.2 卷积结构优化

7.3.3 知识蒸馏

7.4 小结

参考文献

第8章 ARM平台上的机器学习编程

8.1 CMSIS软件框架概述

8.2 CMSIS-DSP软件框架和编程

8.2.1 矩阵运算

8.2.2 高斯朴素贝叶斯算法实现

8.2.3 SVM算法实现

8.2.4 数据降维

8.3 基于CMSIS-NN的神经网络编程

8.3.1 基于卷积神经网络的手写数字识别算法

8.3.2 CMSIS-NN的卷积神经网络实现

8.3.3 卷积神经网络的定点化

8.3.4 数据存储和格式转换

8.4 ARM Compute Library软件框架和编程

8.4.1 基于ACL库的图像处理编程

8.4.2 基于ACL库的神经网络编程

8.5 ARM NN软件框架和编程

8.5.1 基于ARM NN运行神经网络模型

8.5.2 基于ONNX格式的机器学习模型构建

8.6 ARM的SIMD指令编程

8.6.1 NEON编程的基本概念和数据寄存器

8.6.2 基于C语言的NEON编程

8.7 小结

附录A 补充数据和列表

附录B 技术术语表

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部