-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
AI芯片應用開發實踐:深度學習算法與芯片設計 版權信息
- ISBN:9787111773542
- 條形碼:9787111773542 ; 978-7-111-77354-2
- 裝幀:平裝-膠訂
- 冊數:暫無
- 重量:暫無
- 所屬分類:>
AI芯片應用開發實踐:深度學習算法與芯片設計 本書特色
系統講解人工智能芯片分類和結構,Al芯片的模型推理框架和應用開發框架
特別介紹異構智能芯片技術的應用和實踐
豐富的配套學習資源
AI芯片應用開發實踐:深度學習算法與芯片設計 內容簡介
本書是一本關于AI芯片的綜合指南,不僅系統介紹了AI芯片的基礎知識和發展趨勢,還重點介紹了AI芯片在各個領域的應用與開發。 本書共分為9章,包括:認識AI芯片、AI芯片開發平臺、數據預處理、AI芯片應用開發框架、AI芯片常用模型的訓練與輕量化、模型的推理框架——ONNX Runtime、 FPGA類AI芯片的開發實踐、同構智能芯片平臺應用開發實踐和異構智能芯片平臺應用開發實踐。 本書理論聯系實際,突出了AI芯片應用的實踐特色,能夠很好地滿足高校人工智能、電子信息工程、智能制造工程等專業AI芯片與應用開發人才的培養的需求,也非常適合AI芯片開發工程師技能提升的需求。
AI芯片應用開發實踐:深度學習算法與芯片設計AI芯片應用開發實踐:深度學習算法與芯片設計 前言
在數字化時代背景下,人工智能技術正以前所未有的速度改變著世界的面貌。AI芯片作為人工智能的硬件基石,對于推動深度學習算法的發展和優化起到了至關重要的作用。本書正是在這樣的背景下應運而生,旨在為讀者提供一個全面、深入的AI芯片開發指南,幫助讀者掌握嵌入式AI芯片的開發和應用方法,以及設計FPGA芯片并將其應用于AI領域方法。
全書共9章,主要內容如下。
第1章“認識AI芯片”:介紹了AI芯片的基本概念、分類和開發流程,以及AI芯片開發的通用流程和常用功能加速模塊。為讀者提供了AI芯片領域的基礎知識和開發背景。
第2章“AI芯片開發平臺”:介紹了AI芯片硬件平臺的分類,以及常用的外設,如網絡設備、顯示模塊和攝像頭模塊等。幫助讀者了解不同硬件平臺的特點和應用場景。
第3章“數據預處理”:介紹了深度學習數據預處理和常用方法,同時詳細介紹了視頻處理工具GStreamer的使用方法和編寫插件的技巧。
AI芯片應用開發實踐:深度學習算法與芯片設計 目錄
前言
1.認識AI芯片/
11AI芯片概述/
12AI芯片分類/
121傳統中央微處理器——MPU/
122通用芯片——GPU/
123半定制化芯片——FPGA/
13AI芯片開發的通用流程/
131選擇AI芯片開發平臺/
132數據預處理/
133模型訓練與模型的輕量化/
134框架選擇與模型推理/
135芯片環境配置與模型部署/
14AI芯片常用功能加速模塊/
141功能加速模塊概述/
142視覺處理加速器——VPAC/
143深度和運動感知加速器——DMPAC/
144深度學習加速器——DLA/
145視覺加速器——PVA/
15本章小結/
16本章習題/
2.AI芯片開發平臺/
21AI芯片硬件平臺的分類/
211同構AI芯片硬件平臺/
212異構AI芯片硬件平臺/
22AI芯片開發平臺的常用外設/
221網絡設備/
222顯示模塊和攝像頭模塊/
223模數轉換器模塊ADC/
224通用輸入/輸出模塊GPIO/
225IIC控制器/
23本章小結/
24本章習題/
3.數據預處理/
31深度學習數據預處理概述/
32常用的數據預處理方法/
321零均值化(中心化)/
322歸一化(標準化)/
323主成分分析(PCA)/
324白化(Whitening)/
33視頻數據預處理——基于GStreamer/
331GStreamer概述/
332GStreamer工具/
333GStreamer的使用方法/
334編寫GStreamer的插件/
34本章小結/
35本章習題/
4.AI芯片應用開發框架/
41AI芯片應用開發框架概述/
42常用的AI芯片應用開發框架/
421基于NVIDIA的開發框架TensorRT/
422Google Research的開發框架MediaPipe/
423英特爾的開發框架OpenVINO/
424針對手機端的開發框架NCNN/
43開發框架應用示例:車牌識別/
431數據集/
432車牌區域檢測/
433車牌識別算法/
434模型訓練/
435模型部署/
44本章小結/
45本章習題/
5.AI芯片常用模型的訓練與輕量化/
51常用的網絡模型/
511深度神經網絡(DNN)/
512卷積神經網絡(CNN)/
513殘差網絡(ResNet)/
514生成對抗網絡(GAN)/
515循環神經網絡(RNN)/
516長短記憶網絡(LSTM)/
517Transformer/
518大語言模型GPT/
52常用的模型學習類型/
521監督學習/
522半監督學習/
523無監督學習/
524強化學習/
53模型的輕量化方法/
531模型輕量化的概念與作用/
532基于結構優化的輕量化方法/
533基于參數量化的輕量化方法/
534基于網絡剪枝的輕量化方法/
535基于知識蒸餾技術的輕量化方法/
54輕量化模型設計實例:YOLOFire目標檢測算法/
541YOLOFire檢測算法設計/
542網絡整體結構/
543基于相關性的損失函數/
544模型訓練/
545實驗過程與結果/
55本章小結/
56本章習題/
6.模型的推理框架——ONNX Runtime/
61ONNX Runtime概述/
62ONNX Runtime推理流程/
621安裝環境/
622訓練模型/
623將模型轉換導出為ONNX格式/
624使用ONNX Runtime加載運行模型/
63ONNX格式轉換工具/
631MXNet轉換成ONNX/
632TensorFlow轉換成ONNX/
633PyTorch轉換成ONNX/
64ONNX Runtime示例:邏輯回歸算法(基于scikitlearn的實現)/
641ONNX Runtime模型運行過程/
642訓練模型/
643將模型轉換導出為ONNX格式/
644使用ONNX Runtime加載運行模型/
645ONNX Runtime中實現邏輯回歸算法實例/
65本章小結/
66本章習題/
7.FPGA類AI芯片的開發實踐/
71開發工具Vitis AI概述/
72Vitis AI的常用參數化IP核/
721DPUCZDX8G概述/
722高性能通用CNN處理引擎DPUCVDX8G/
723高吞吐量通用CNN處理引擎DPUCVDX8H/
724包含*優化的深度學習模型的Vitis AI Model Zoo/
73Vitis AI開發工具包/
731Vitis AI量化器/
732Vitis AI優化器/
733Vitis AI編譯器/
734Vitis AI Profiler(分析器)/
735Vitis AI庫/
74Vitis AI應用開發示例:應用Zynq監測道路裂縫/
75本章小結/
76本章習題/
8.同構智能芯片平臺應用開發實踐/
81Jetson Nano開發者套件簡介/
82使用前的準備/
821安裝風扇/
822安裝無線網卡/
823安裝攝像頭/
824配置系統/
83開發實踐:行人識別/
831模型訓練/
832實驗環境/
833行人檢測功能測試/
84本章小結/
85本章習題/
9.異構智能芯片平臺應用開發實踐/
91多核芯片的核間通信機制/
911IPC概述/
912IPC在多核中的實現原理/
913核間通信協議/
914多核間的接口定義以及示例代碼/
92TDA4VMSK平臺簡介/
93SDK開發軟件簡介/
931PSDK Linux軟件包簡介/
932PSDK RTOS軟件包簡介/
94使用前的準備/
941TDA4VMSK板SD卡燒錄/
942TDA4VMSK板網絡調試方法/
943NFS多核調試例程/
95本章小結/
96本章習題/
- >
莉莉和章魚
- >
月亮與六便士
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
- >
隨園食單
- >
唐代進士錄
- >
推拿
- >
名家帶你讀魯迅:故事新編
- >
羅庸西南聯大授課錄