《移动终端人工智能技术与应用开发》解谦 张睿 段虎才 等 | PDF下载|ePub下载

前言
第1章　移动终端人工智能技术概述1
1.1　人工智能技术发展概况1
1.1.1　人工智能技术的发展历程1
1.1.2　数据和算法成为主要驱动力3
1.1.3　人工智能技术的应用趋势6
1.2　机器学习与软件框架技术概述8
1.2.1　机器学习8
1.2.2　深度学习10
1.2.3　深度学习为多个应用技术领域
　带来突破11
1.2.4　自动化机器学习12
1.2.5　算法与模型14
1.2.6　训练与推理16
1.2.7　深度学习框架18
1.3　移动终端人工智能应用22
1.3.1　AI移动终端快速发展22
1.3.2　移动终端的典型AI应用24
1.3.3　移动终端的AI推理26
1.4　小结28
参考文献28
第2章　移动终端人工智能技术架构30
2.1　移动终端人工智能技术的特点和
　分层架构30
2.2　各层功能概述32
2.2.1　应用层32
2.2.2　框架层32
2.2.3　驱动层35
2.2.4　硬件层36
2.3　小结42
参考文献42
第3章　神经网络模型44
3.1　神经网络模型概述44
3.1.1　神经网络算法44
3.1.2　神经网络模型的构成46
3.1.3　获取移动终端神经网络
　模型48
3.2　典型神经网络模型介绍54
3.2.1　图像分类54
3.2.2　目标检测63
3.2.3　图像分割66
3.2.4　其他神经网络模型简介74
3.3　小结77
参考文献78
第4章　移动终端推理框架79
4.1　推理框架的工作原理79
4.1.1　神经网络模型转换原理79
4.1.2　深度学习编译器执行原理84
4.2　推理框架的工作流程86
4.2.1　模型转换86
4.2.2　数据预处理86
4.2.3　执行推理86
4.2.4　结果输出87
4.3　主要移动终端推理框架介绍87
4.3.1　TensorFlow Lite88
4.3.2　PyTorch Mobile97
4.3.3　Paddle Lite 102
4.3.4　VCAP 109
4.3.5　高通SNPE116
4.3.6　华为HiAI Foundation126
4.3.7　旷视天元154
4.3.8　苹果Core ML框架166
4.3.9　其他深度学习推理框架170
4.4　小结178
参考文献178
第5章　深度学习编译器180
5.1　深度学习编译器的概念180
5.1.1　传统编译器180
5.1.2　移动端深度学习编译器182
5.2　主流编译器介绍184
5.2.1　Android神经网络接口
　NN API184
5.2.2　高通SNPE编译技术187
5.2.3　华为HiAI Foundation编译
　技术192
5.2.4　百度Paddle Lite编译技术194
5.2.5　其他深度学习编译器195
5.2.6　不同深度学习编译器的
　差异196
5.3　小结197
第6章　移动终端AI推理应用开发
　过程198
6.1　总体开发过程198
6.2　需求阶段199
6.3　设计阶段200
6.4　编码开发阶段202
6.5　调试阶段202
6.5.1　功能调试203
6.5.2　性能调试204
6.6　小结205
第7章　移动终端推理应用开发
　实例206
7.1　基于TensorFlow Lite框架的
　图像分类应用206
7.1.1　创建工程206
7.1.2　模型转换211
7.1.3　模型推理211
7.1.4　结果展示213
7.2　基于PyTorch Mobile框架的应用
　实例214
7.2.1　创建工程214
7.2.2　模型转换215
7.2.3　模型推理216
7.2.4　结果展示217
7.3　基于Paddle Lite引擎的应用
　实例218
7.3.1　创建工程218
7.3.2　模型转换220
7.3.3　模型推理220
7.3.4　结果展示225
7.4　基于vivo VCAP引擎的应用
　实例225
7.4.1　创建工程225
7.4.2　模型转换228
7.4.3　模型推理229
7.4.4　结果展示232
7.5　基于高通SNPE引擎的图片分类
　应用 232
7.5.1　创建工程233
7.5.2　模型转换235
7.5.3　模型推理236
7.5.4　结果展示238
7.6　基于华为HiAI Foundation的图片
　分类应用239
7.6.1　创建工程239
7.6.2　模型转换243
7.6.3　模型推理244
7.6.4　结果展示249
7.7　基于苹果Core ML引擎的应用
　实例249
7.7.1　创建工程250
7.7.2　模型转换252
7.7.3　模型推理253
7.7.4　结果展示255
7.8　基于旷视天元的应用实例255
7.8.1　创建工程255
7.8.2　模型转换258
7.8.3　模型推理259
7.8.4　结果展示262
7.9　基于MNN引擎的应用实例263
7.9.1　创建工程263
7.9.2　模型转换265
7.9.3　模型推理265
7.9.4　结果展示271
7.10　小结272
第8章　AI应用性能调试273
8.1　AI应用性能调试方法273
8.2　AI应用性能测试负载275
8.3　AI应用性能评价指标278
8.3.1　模型类指标278
8.3.2　通用指标和硬件性能指标282
8.4　AI应用推理性能差异283
8.5　AI应用性能优化284
8.6　小结285
第9章　移动终端的AI推理性能
　评价286
9.1　不同移动终端间的AI性能基准
　测试286
9.2　AI基准测试应用介绍288
9.3　小结293
第10章　移动终端AI技术发展
　趋势294
10.1　技术发展趋势294
10.1.1　移动终端的AI训练294
10.1.2　移动终端的联邦学习300
10.2　产品发展趋势307
10.2.1　智能语音终端307
10.2.2　自然语言处理终端 308
10.2.3　智能机器人产品309
10.2.4　智能无人机310
10.2.5　智能家居产品311
10.2.6　智能医疗产品 311
10.2.7　智能安防产品 312
10.2.8　智能交通产品 313
参考文献314
附录一　移动终端推理应用开发
　示例315
附录A　TensorFlow Lite示例代码315
附录B　PyTorch示例代码315
附录C　Paddle Lite示例代码316
附录D　VCAP示例代码