欢迎光临澳大利亚新华书店网 [登录 | 免费注册]

    • AI嵌入式系统(算法优化与实现)/电子与嵌入式系统设计丛书
      • 作者:编者:应忍冬//刘佩林|责编:赵亮宇
      • 出版社:机械工业
      • ISBN:9787111693253
      • 出版日期:2022/01/01
      • 页数:337
    • 售价:39.6
  • 内容大纲

        本书介绍嵌入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。内容涵盖通用嵌入式优化技术,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、AI推理算法优化及基于神经网络的AI算法训练一推理联合的优化理论与方法。其中信号处理层面优化介绍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、基于数据二进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;对基于神经网络的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入训练代价函数,从算法训练端减少运算量以提升AI嵌入式系统的运行效率。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入式环境下机器学习算法自动优化和部署工具开发的基本知识,通过应用示例和大量代码说明了AI算法在通用嵌入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嵌入式系统开发的知识与技能。
  • 作者介绍

  • 目录

    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