移动深度学习

作品简介

本书由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试用浅显的语言和几何图形去解释相关内容。本书第1章展示了在移动端应用深度学习技术的Demo，帮助读者建立直观的认识；第2章至第4章讲述了如何在移动端项目中应用深度学习技术；第5章至第8章的难度略大，主要讲述如何深入地调整框架，适配并定制自己的框架。本书适合移动端研发工程师阅读，也适合所有对移动端运算领域感兴趣的朋友阅读。

李永会，百度App移动研发部资深工程师。2015年起在百度从事图像搜索和语音搜索客户端研发工作，主持了多个重要创新项目，包括百度Lens、实时翻译等。同时负责开源移动端深度学习框架Paddle-Lite的开发，长期从事移动端AI高性能计算优化工作，在多种软硬件平台上高性能运行深度学习技术。在工作之余有读史、书法等爱好。

作品目录

• 内容简介
• 推荐序一
• 推荐序二
• 前言
• 读者服务
• 第1章　初窥移动端深度学习技术的应用
• 1.1　本书示例代码简介
• 1.2　移动端主体检测和分类
• 1.3　在线上产品中以“云+端计算”的方式应用深度学习技术
• 1.4　在移动端应用深度学习技术的业界案例
• 1.5　在移动端应用深度学习技术的难点
• 1.6　编译运行深度学习App
• 1.7　在iOS平台上搭建深度学习框架
• 1.8　在Android平台上搭建深度学习框架
• 第2章　以几何方式理解线性代数基础知识
• 2.1　线性代数基础
• 2.2　向量的几何意义
• 2.3　线性组合的几何意义
• 2.4　线性空间
• 2.5　矩阵和变换
• 2.6　矩阵乘法
• 2.7　行列式
• 2.8　矩阵的逆
• 2.9　秩
• 2.10　零空间
• 2.11　点积和叉积的几何表示与含义
• 2.12　线性代数的特征概念
• 2.13　抽象向量空间
• 第3章　什么是机器学习和卷积神经网络
• 3.1　移动端机器学习的全过程
• 3.2　预测过程
• 3.3　数学表达
• 3.4　神经元和神经网络
• 3.5　卷积神经网络
• 3.6　图像卷积效果
• 3.7　卷积后的图片效果
• 3.8　卷积相关的两个重要概念：padding和stride
• 3.9　卷积后的降维操作：池化
• 3.10　卷积的重要性
• 第4章　移动端常见网络结构
• 4.1　早期的卷积神经网络
• 4.2　AlexNet网络结构
• 4.3　GoogLeNet网络结构
• 4.4　尝试在App中运行GoogLeNet
• 4.5　轻量化模型SqueezeNet
• 4.6　轻量高性能的MobileNet
• 4.7　移动端神经网络模型的优化方向
• 第5章　ARM CPU组成
• 5.1　现代计算机与ARM CPU架构的现状
• 5.2　简单的CPU模型
• 5.3　汇编指令初探
• 5.4　汇编指令概况
• 5.5　ARM指令集架构
• 5.6　ARM手机芯片的现状与格局
• 第6章　存储金字塔与ARM汇编
• 6.1　ARM CPU的完整结构
• 6.2　存储设备的金字塔结构
• 6.3　ARM芯片的缓存设计原理
• 6.4　ARM汇编知识
• 6.5　NEON汇编指令
• 第7章　移动端CPU预测性能优化
• 7.1　工具及体积优化
• 7.2　CPU高性能通用优化
• 7.3　卷积性能优化方式
• 7.4　开发问题与经验总结
• 第8章　移动端GPU编程及深度学习框架落地实践
• 8.1　异构计算编程框架OpenCL
• 8.2　移动端视觉搜索研发
• 8.3　解决历史问题：研发Paddle-Lite框架