移动深度学习

封面

版权信息

作者简介

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

1.1.1 安装编译好的文件

1.1.2 在Demo App中应用神经网络技术

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

1.4.1 植物花卉识别

1.4.2 奇妙的风格化效果

1.4.3 视频主体检测技术在App中的应用

1.5 在移动端应用深度学习技术的难点

1.5.1 在服务器端和移动端应用深度学习技术的难点对比

1.5.2 实现AR实时翻译功能

1.6 编译运行深度学习App

1.6.1 mobile-deep-learning项目环境简介

1.6.2 mobile-deep-learning项目整体代码结构

1.6.3 mobile-deep-learning通用环境依赖

1.7 在iOS平台上搭建深度学习框架

1.7.1 在iOS平台上搭建mobile-deep-learning项目

1.7.2 在OS X平台上编译mobile-deep-learning项目

1.7.3 iOS平台上mobile-deep-learning项目的Demo代码结构

1.8 在Android平台上搭建深度学习框架

1.8.1 Android平台上mobile-deep-learning项目的环境依赖

1.8.2 Android平台上mobile-deep-learning项目的Demo代码结构

1.8.3 用Paddle-Lite框架编译与开发Android应用

1.8.4 开发一个基于移动端深度学习框架的Android App

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

2.1.1 标准平面直角坐标系

2.1.2 改变坐标系的基向量

2.2 向量的几何意义

2.2.1 向量的加减运算

2.2.2 向量的数乘运算

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

2.11.1 点积的几何意义

2.11.2 叉积的几何意义

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

3.3.1 预测过程涉及的数学公式

3.3.2 训练过程涉及的数学公式

3.4 神经元和神经网络

3.4.1 神经元

3.4.2 神经网络

3.5 卷积神经网络

3.6 图像卷积效果

3.6.1 从全局了解视觉相关的神经网络

3.6.2 卷积核和矩阵乘法的关系

3.6.3 多通道卷积核的应用

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

3.8.1 让卷积核“出界”:padding

3.8.2 让卷积核“跳跃”: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

4.3.1 模型体积问题

4.3.2 计算量问题

4.4 尝试在App中运行GoogLeNet

4.4.1 将32位float参数转化为8位int参数以降低传输量

4.4.2 将CPU版本服务器端框架移植到移动端

4.4.3 应用在产品中的效果

4.5 轻量化模型SqueezeNet

4.5.1 SqueezeNet的优化策略

4.5.2 fire模块

4.5.3 SqueezeNet的全局

4.6 轻量高性能的MobileNet

4.6.1 什么是深度可分离卷积（Depthwise Separable Convolution）

4.6.2 MobileNet v1网络结构

4.6.3 MobileNet v2网络结构

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

5.1.1 冯·诺依曼计算机的基本结构

5.1.2 移动计算设备的分工

5.2 简单的CPU模型

5.2.1 取指过程

5.2.2 译码过程

5.2.3 执行过程