鏈接：https://pan.baidu.com/s/158KjuI9oyf6FrchTtAsn2Q?pwd=se3x?

提取碼：se3x

本書旨在培養(yǎng)讀者在深度學(xué)習(xí)算法及硬件加速方案設(shè)計(jì)方面的工程實(shí)踐能力，適合具備不同基礎(chǔ)的讀者學(xué)習(xí)。書中理論與實(shí)踐相結(jié)合，詳細(xì)講解了深度學(xué)習(xí)基礎(chǔ)理論，同時(shí)深入分析了處理梯度消失與過擬合現(xiàn)象、選擇合適初始值、優(yōu)化損失函數(shù)等深度學(xué)習(xí)算法設(shè)計(jì)中的關(guān)鍵技術(shù)，以及深度學(xué)習(xí)算法的硬件加速方案。

通過閱讀本書，你將了解：

l 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)，LeNet、AlexNet、VGGNet、GoogLeNet與ResNet等卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的相關(guān)理論與技術(shù)；

l R-CNN、Fast R-CNN、Faster R-CNN、YOLO、SSD等不同類型的目標(biāo)檢測算法的網(wǎng)絡(luò)結(jié)構(gòu)、工作原理以及不同算法間的異同點(diǎn)等；

l 深度學(xué)習(xí)算法設(shè)計(jì)中的關(guān)鍵技術(shù)，包括處理梯度消失與梯度爆炸、消除過擬合、選擇初始值、調(diào)整學(xué)習(xí)速度、優(yōu)化損失函數(shù)等；

l 網(wǎng)絡(luò)模型優(yōu)化、計(jì)算精度降低與網(wǎng)絡(luò)剪枝技術(shù)、SIMD計(jì)算架構(gòu)與GPU加速、TPU計(jì)算架構(gòu)與TPU加速、ASIC AI計(jì)算架構(gòu)與FPGA加速等深度學(xué)習(xí)加速技術(shù)的基礎(chǔ)理論；

l OpenCL技術(shù)基礎(chǔ)與平臺(tái)環(huán)境搭建、OpenCL異構(gòu)并行計(jì)算架構(gòu)、OpenCL語言基本語法與程序設(shè)計(jì)以及基于OpenCL的FPGA異構(gòu)并行計(jì)算實(shí)現(xiàn)方法等OpenCL異構(gòu)并行計(jì)算技術(shù)；

l OpenVINO技術(shù)基礎(chǔ)與加速架構(gòu)、OpenVINO平臺(tái)環(huán)境搭建、OpenVINO模型優(yōu)化器以及OpenVINO推理引擎等OpenVINO深度學(xué)習(xí)加速技術(shù)。

內(nèi)容簡介

本書緊密圍繞深度學(xué)習(xí)及加速技術(shù)的基礎(chǔ)理論與應(yīng)用案例展開敘述，實(shí)現(xiàn)了深度學(xué)習(xí)算法設(shè)計(jì)與硬件加速技術(shù)的有機(jī)統(tǒng)一，是一本基礎(chǔ)理論與實(shí)踐案例相結(jié)合的實(shí)用圖書。其具體內(nèi)容涉及人工智能基本概念，神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)基礎(chǔ)、神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)與學(xué)習(xí)策略、反向傳播算法數(shù)學(xué)原理與訓(xùn)練機(jī)制等神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論，以及一些高級(jí)主題和實(shí)踐。本書可作為從事人工智能領(lǐng)域算法研究、架構(gòu)設(shè)計(jì)與應(yīng)用實(shí)現(xiàn)等工作的科研人員、工程師以及高等院校師生的參考書籍。

作者簡介

白　創(chuàng)

工學(xué)博士。2006年畢業(yè)于西安交通大學(xué)電子信息工程學(xué)院信息工程專業(yè)，獲學(xué)士學(xué)位；2009年畢業(yè)于國防科技大學(xué)計(jì)算機(jī)學(xué)院軟件工程專業(yè)，獲碩士學(xué)位；2015年畢業(yè)于華中科技大學(xué)光學(xué)與電子信息學(xué)院微電子學(xué)與固體電子學(xué)專業(yè)，獲博士學(xué)位?，F(xiàn)為長沙理工大學(xué)物理與電子科學(xué)學(xué)院電子科學(xué)與技術(shù)專業(yè)教師。主要研究方向?yàn)槌笠?guī)模集成電路開發(fā)、機(jī)器視覺與模式識(shí)別技術(shù)，具體包括芯片指紋和硬件防偽等安全領(lǐng)域芯片、射頻無線通信芯片的研究與設(shè)計(jì)，以及深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法及硬件加速、目標(biāo)檢測與缺陷識(shí)別等人工智能領(lǐng)域技術(shù)的研究。主持包括國家自然科學(xué)基金項(xiàng)目、湖南省教育廳科學(xué)研究項(xiàng)目等國家與地方項(xiàng)目6項(xiàng)，在國內(nèi)外專業(yè)學(xué)術(shù)刊物和會(huì)議上發(fā)表研究論文20余篇，獲得專利3項(xiàng)，編寫專著2部。

目錄

CONTENTS
目　　錄

前言
理論篇
第1章　人工智能簡介 2
1.1　人工智能概念 2
1.1.1　人工智能定義 2
1.1.2　人工智能發(fā)展歷程 3
1.2　人工智能與深度學(xué)習(xí) 4
1.2.1　人工智能與深度學(xué)習(xí)之間
的關(guān)系 4
1.2.2　圖靈機(jī)與丘奇-圖靈論題 5
1.3　人工智能發(fā)展階段 6
1.3.1　人工智能1.0——知識(shí)＋
算法＋算力 6
1.3.2　人工智能2.0——數(shù)據(jù)＋
算法＋算力 7
1.3.3　人工智能3.0——知識(shí)＋
數(shù)據(jù)＋算法＋算力 7
1.3.4　人工智能4.0——存算
一體化 8
1.4　人工智能應(yīng)用 9
1.4.1　工業(yè)零部件尺寸測量與
缺陷檢測 9
1.4.2　目標(biāo)檢測與跟蹤 9
1.4.3　人臉比對(duì)與識(shí)別 10
1.4.4　三維影像重構(gòu) 10
第2章　神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)基礎(chǔ) 12
2.1　線性向量空間 12
2.2　內(nèi)積 14
2.3　線性變換與矩陣表示 15
2.4　梯度 17
第3章　神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)規(guī)則 20
3.1　神經(jīng)元模型與網(wǎng)絡(luò)結(jié)構(gòu) 20
3.1.1　神經(jīng)元模型 20
3.1.2　神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 22
3.2　感知機(jī)學(xué)習(xí) 24
3.2.1　感知機(jī)定義及結(jié)構(gòu) 24
3.2.2　感知機(jī)學(xué)習(xí)規(guī)則 25
3.3　Hebb學(xué)習(xí) 28
3.3.1　無監(jiān)督Hebb學(xué)習(xí) 28
3.3.2　有監(jiān)督Hebb學(xué)習(xí) 29
3.4　性能學(xué)習(xí) 30
3.4.1　性能指數(shù) 30
3.4.2　梯度下降法 31
3.4.3　隨機(jī)梯度下降法 32
第4章　反向傳播 33
4.1　LMS算法 33
4.2　反向傳播算法 35
4.2.1　性能指數(shù) 36
4.2.2　鏈?zhǔn)椒▌t 36
4.2.3　反向傳播計(jì)算敏感性 38
4.2.4　反向傳播算法總結(jié) 39
4.3　反向傳播算法變形 39
4.3.1　批數(shù)據(jù)訓(xùn)練法 40
4.3.2　動(dòng)量訓(xùn)練法 40
4.3.3　標(biāo)準(zhǔn)數(shù)值優(yōu)化技術(shù) 42
4.4　反向傳播算法實(shí)例分析 42
第5章　卷積神經(jīng)網(wǎng)絡(luò) 45
5.1　卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 45
5.1.1　全連接神經(jīng)網(wǎng)絡(luò)與卷積
神經(jīng)網(wǎng)絡(luò) 45
5.1.2　卷積神經(jīng)網(wǎng)絡(luò)組成結(jié)構(gòu) 46
5.1.3　卷積神經(jīng)網(wǎng)絡(luò)進(jìn)化史 50
5.2　LeNet 50
5.2.1　LeNet結(jié)構(gòu) 51
5.2.2　LeNet特點(diǎn) 52
5.3　AlexNet 52
5.3.1　AlexNet結(jié)構(gòu) 52
5.3.2　AlexNet特點(diǎn) 54
5.4　VGGNet 54
5.4.1　VGG16結(jié)構(gòu) 55
5.4.2　VGG16特點(diǎn) 57
5.5　GoogLeNet 57
5.5.1　Inception結(jié)構(gòu) 57
5.5.2　GoogLeNet結(jié)構(gòu)——基于Inception V1模塊 59
5.5.3　GoogLeNet特點(diǎn) 62
5.6　ResNet 62
5.6.1　ResNet殘差塊結(jié)構(gòu) 63
5.6.2　ResNet結(jié)構(gòu) 63
5.6.3　ResNet特點(diǎn) 66
第6章　目標(biāo)檢測與識(shí)別 67
6.1　R-CNN 67
6.1.1　基于SS方法的候選區(qū)域
選擇 68
6.1.2　候選區(qū)域預(yù)處理 68
6.1.3　CNN特征提取 69
6.1.4　SVM目標(biāo)分類 69
6.1.5　Bounding box回歸 70
6.2　Fast R-CNN 70
6.2.1　基于SS方法的候選區(qū)域
生成 71
6.2.2　CNN分類與回歸 71
6.2.3　Fast R-CNN目標(biāo)檢測
　算法特點(diǎn) 72
6.3　Faster R-CNN 73
6.3.1　CNN特征提取 73
6.3.2　RPN候選框生成 74
6.3.3　CNN分類與回歸 74
6.3.4　Faster R-CNN目標(biāo)檢測
算法特點(diǎn) 75
6.4　YOLO 75
6.4.1　YOLOv1 75
6.4.2　YOLOv2 77
6.4.3　YOLOv3 80
第7章　深度學(xué)習(xí)優(yōu)化技術(shù) 83
7.1　梯度消失 83
7.2　過擬合 85
7.2.1　增加訓(xùn)練數(shù)據(jù)集 85
7.2.2　regularization 86
7.2.3　dropout技術(shù) 88
7.3　初始值與學(xué)習(xí)速度 89
7.3.1　初始值選擇規(guī)則 89
7.3.2　可變的學(xué)習(xí)速度 91
7.4　損失函數(shù) 92
7.4.1　均方誤差損失函數(shù) 92
7.4.2　cross-entropy損失函數(shù) 93
7.4.3　log-likelyhood損失函數(shù) 95
第8章　深度學(xué)習(xí)加速技術(shù) 96
8.1　軟件模型優(yōu)化技術(shù) 96
8.1.1　網(wǎng)絡(luò)模型優(yōu)化 96
8.1.2　計(jì)算精度降低 97
8.1.3　網(wǎng)絡(luò)剪枝技術(shù) 97
8.2　GPU加速技術(shù) 98
8.3　TPU加速技術(shù) 100
8.4　FPGA加速技術(shù) 102
8.4.1　全連接神經(jīng)網(wǎng)絡(luò)加速 102
8.4.2　卷積神經(jīng)網(wǎng)絡(luò)加速 103
應(yīng)用篇
第9章　基于OpenCL的FPGA異構(gòu)
并行計(jì)算技術(shù) 106
9.1　OpenCL技術(shù)基礎(chǔ)與環(huán)境搭建 106
9.1.1　OpenCL技術(shù)基礎(chǔ) 106
9.1.2　OpenCL環(huán)境搭建 107
9.2　OpenCL異構(gòu)并行計(jì)算架構(gòu) 115
9.2.1　平臺(tái)模型 116
9.2.2　執(zhí)行模型 116
9.2.3　內(nèi)存模型 117
9.3　OpenCL C語言基本語法與程序
設(shè)計(jì) 118
9.3.1　基本語法與關(guān)鍵字 118
9.3.2　數(shù)據(jù)類型 119
9.3.3　維度與工作項(xiàng) 122
9.3.4　其他注意事項(xiàng) 123
9.4　基于OpenCL的FPGA異構(gòu)并行
計(jì)算實(shí)現(xiàn)方法 123
9.4.1　主程序設(shè)計(jì) 123
9.4.2　內(nèi)核程序設(shè)計(jì) 139
第10章　基于OpenCL的FPGA異構(gòu)
并行計(jì)算應(yīng)用案例 140
10.1　整體描述 140
10.2　內(nèi)核

查看全部↓