书籍详情
深度学习嵌入式应用开发：基于RK3399Pro和RK3588
作者：王曰海
出版社：机械工业出版社
出版时间：2022-11-01
ISBN：9787111715757
定价：¥99.00
购买这本书可以去
内容简介
这是一本讲解如何基于当前主流的智能芯片RK3399Pro与RK3588进行端侧智能开发的著作，它将指导读者如何基于这两款芯片进行算法的设计与实施，瑞芯微官方推荐。理论部分，以深度学习为主线，针对零基础的读者，不仅讲解了卷积神经网络、循环神经网络等深度神经网络的原理以及它们在计算机视觉、自然语言处理、语音识别等领域的经典算法，还讲解了深度神经网络的训练和模型优化。实践部分，以基于RK3399Pro与RK3588两款智能芯片的端侧智能开发为主线，讲解了芯片的功能架构、开发板及其开发环境、Rock-X API组件库，以及基于它们的各种端侧智能应用开发，包括各种神经网络的开发、神经网络的运算加速等，让读者掌握深度学习模型从设计、训练、优化到端侧部署的完整流程，快速学会人工智能应用的开发。
作者简介
暂缺《深度学习嵌入式应用开发：基于RK3399Pro和RK3588》作者简介
目录
前言
第1章 深度学习基础 1
1.1 深度学习的现实应用 2
1.1.1 计算机视觉 2
1.1.2 自然语言处理 2
1.1.3 推荐系统 3
1.1.4 语音处理 3
1.1.5 其他领域 3
1.2 回归问题和分类问题 4
1.2.1 线性回归 5
1.2.2 Softmax分类 6
1.3 梯度下降算法 8
1.3.1 优化算法概述 8
1.3.2 随机梯度下降算法 10
1.3.3 小批量梯度下降算法 13
1.3.4 Momentum梯度下降
算法 14
1.3.5 Adam优化算法 15
1.4 神经网络 16
1.4.1 神经网络的表示 16
1.4.2 激活函数及其导数 19
1.4.3 前向传播和反向传播 23
1.4.4 神经网络的梯度下降 26
1.5 本章小结 27
第2章 卷积神经网络 28
2.1 卷积基础知识 28
2.1.1 卷积操作 29
2.1.2 池化 33
2.1.3 卷积的变种 34
2.2 深度卷积神经网络 37
2.2.1 卷积神经网络的整体
结构 37
2.2.2 残差结构和1×1卷积 38
2.2.3 经典卷积网络 41
2.3 卷积神经网络的应用 44
2.3.1 图像分类 44
2.3.2 目标检测 45
2.3.3 其他应用 49
2.4 本章小结 49
第3章 循环神经网络 50
3.1 深度循环神经网络 50
3.1.1 循环神经网络概述 51
3.1.2 基于时间的反向传播 52
3.1.3 循环神经网络的长期依赖
问题 54
3.2 循环神经网络变体 55
3.2.1 长短时记忆网络 55
3.2.2 门控循环神经网络 60
3.3 序列模型和注意力机制 61
3.3.1 Seq2Seq序列模型 62
3.3.2 注意力机制 64
3.3.3 Transformer结构 69
3.4 循环神经网络的应用 74
3.4.1 自然语言处理 74
3.4.2 语音识别 84
3.4.3 唤醒词检测 87
3.5 本章小结 88
第4章 深度神经网络的训练 90
4.1 深度学习的学习策略 90
4.1.1 数据集划分和评估指标 90
4.1.2 偏差、方差和误差 94
4.1.3 神经网络的权重初始化 95
4.2 深度学习的训练技巧 96
4.2.1 梯度消失和梯度爆炸 96
4.2.2 正则化和随机失活 97
4.2.3 归一化 99
4.2.4 自适应学习率 100
4.2.5 超参数优化 101
4.3 改善模型表现 102
4.3.1 解决数据不匹配问题 102
4.3.2 迁移学习 103
4.4 动手训练神经网络 104
4.4.1 Jupyter Notebook的
使用 104
4.4.2 训练MNIST手写数字识别模型 106
4.4.3 TensorBoard的使用 112
4.5 本章小结 115
第5章 RK3399Pro芯片功能与
架构 116
5.1 RK3399Pro芯片的整体架构 116
5.2 神经网络处理单元 121
5.2.1 神经网络处理单元的
4个模块 122
5.2.2 RKNN-Toolkit开发
套件 123
5.2.3 RKNN-API开发套件 126
5.3 视频处理单元 126
5.4 图形处理加速单元 128
5.5 本章小结 128
第6章 TB-RK3399Pro开发板 130
6.1 开发板硬件环境介绍 130
6.1.1 硬件总览 130
6.1.2 硬件规格 131
6.2 开发板开发环境搭建 134
6.2.1 开发板的启动和网络
配置 134
6.2.2 终端与软件包安装 138
6.3 本章小结 144
第7章 基于TB-RK3399Pro进行卷积神经网络实战 145
7.1 TB-RK3399Pro图像采集 145
7.1.1 原理 145
7.1.2 实战 146
7.2 TB-RK3399Pro手写数字
识别 147
7.2.1 原理 147
7.2.2 实战 150
7.3 TB-RK3399Pro YOLO目标
检测 152
7.3.1 原理 153
7.3.2 实战 154
7.4 TB-RK3399Pro人脸识别 156
7.4.1 原理 156
7.4.2 实战 162
7.5 本章小结 163
第8章 TB-RK3399Pro神经网络
运算加速 165
8.1 神经网络运算加速引擎介绍 165
8.2 神经网络模型部署和推理 166
8.2.1 模型部署 167
8.2.2 模型推理 169
8.3 神经网络模型量化 170
8.4 本章小结 173
第9章 基于TB-RK3399Pro开发板进行循环神经网络实战 174
9.1 TB-RK3399Pro开发板声音
采集 174
9.1.1 必备环境安装 174
9.1.2 声音采集 175
9.2 语音识别模型介绍 176
9.2.1 特征提取 177
9.2.2 语音识别网络 180
9.2.3 评价指标 182
9.3 TB-RK3399Pro语音识别
实战 182
9.3.1 实战目的 182
9.3.2 实战数据 182
9.3.3 实战环境 183
9.3.4 实战步骤 183
9.3.5 实战结果 187
9.4 本章小结 188
第10章 基于Rock-X API的深度
学习案例 189
10.1 Rock-X SDK介绍 189
10.2 Rock-X环境部署 190
10.3 目标检测 190
10.4 车牌识别
第1章 深度学习基础 1
1.1 深度学习的现实应用 2
1.1.1 计算机视觉 2
1.1.2 自然语言处理 2
1.1.3 推荐系统 3
1.1.4 语音处理 3
1.1.5 其他领域 3
1.2 回归问题和分类问题 4
1.2.1 线性回归 5
1.2.2 Softmax分类 6
1.3 梯度下降算法 8
1.3.1 优化算法概述 8
1.3.2 随机梯度下降算法 10
1.3.3 小批量梯度下降算法 13
1.3.4 Momentum梯度下降
算法 14
1.3.5 Adam优化算法 15
1.4 神经网络 16
1.4.1 神经网络的表示 16
1.4.2 激活函数及其导数 19
1.4.3 前向传播和反向传播 23
1.4.4 神经网络的梯度下降 26
1.5 本章小结 27
第2章 卷积神经网络 28
2.1 卷积基础知识 28
2.1.1 卷积操作 29
2.1.2 池化 33
2.1.3 卷积的变种 34
2.2 深度卷积神经网络 37
2.2.1 卷积神经网络的整体
结构 37
2.2.2 残差结构和1×1卷积 38
2.2.3 经典卷积网络 41
2.3 卷积神经网络的应用 44
2.3.1 图像分类 44
2.3.2 目标检测 45
2.3.3 其他应用 49
2.4 本章小结 49
第3章 循环神经网络 50
3.1 深度循环神经网络 50
3.1.1 循环神经网络概述 51
3.1.2 基于时间的反向传播 52
3.1.3 循环神经网络的长期依赖
问题 54
3.2 循环神经网络变体 55
3.2.1 长短时记忆网络 55
3.2.2 门控循环神经网络 60
3.3 序列模型和注意力机制 61
3.3.1 Seq2Seq序列模型 62
3.3.2 注意力机制 64
3.3.3 Transformer结构 69
3.4 循环神经网络的应用 74
3.4.1 自然语言处理 74
3.4.2 语音识别 84
3.4.3 唤醒词检测 87
3.5 本章小结 88
第4章 深度神经网络的训练 90
4.1 深度学习的学习策略 90
4.1.1 数据集划分和评估指标 90
4.1.2 偏差、方差和误差 94
4.1.3 神经网络的权重初始化 95
4.2 深度学习的训练技巧 96
4.2.1 梯度消失和梯度爆炸 96
4.2.2 正则化和随机失活 97
4.2.3 归一化 99
4.2.4 自适应学习率 100
4.2.5 超参数优化 101
4.3 改善模型表现 102
4.3.1 解决数据不匹配问题 102
4.3.2 迁移学习 103
4.4 动手训练神经网络 104
4.4.1 Jupyter Notebook的
使用 104
4.4.2 训练MNIST手写数字识别模型 106
4.4.3 TensorBoard的使用 112
4.5 本章小结 115
第5章 RK3399Pro芯片功能与
架构 116
5.1 RK3399Pro芯片的整体架构 116
5.2 神经网络处理单元 121
5.2.1 神经网络处理单元的
4个模块 122
5.2.2 RKNN-Toolkit开发
套件 123
5.2.3 RKNN-API开发套件 126
5.3 视频处理单元 126
5.4 图形处理加速单元 128
5.5 本章小结 128
第6章 TB-RK3399Pro开发板 130
6.1 开发板硬件环境介绍 130
6.1.1 硬件总览 130
6.1.2 硬件规格 131
6.2 开发板开发环境搭建 134
6.2.1 开发板的启动和网络
配置 134
6.2.2 终端与软件包安装 138
6.3 本章小结 144
第7章 基于TB-RK3399Pro进行卷积神经网络实战 145
7.1 TB-RK3399Pro图像采集 145
7.1.1 原理 145
7.1.2 实战 146
7.2 TB-RK3399Pro手写数字
识别 147
7.2.1 原理 147
7.2.2 实战 150
7.3 TB-RK3399Pro YOLO目标
检测 152
7.3.1 原理 153
7.3.2 实战 154
7.4 TB-RK3399Pro人脸识别 156
7.4.1 原理 156
7.4.2 实战 162
7.5 本章小结 163
第8章 TB-RK3399Pro神经网络
运算加速 165
8.1 神经网络运算加速引擎介绍 165
8.2 神经网络模型部署和推理 166
8.2.1 模型部署 167
8.2.2 模型推理 169
8.3 神经网络模型量化 170
8.4 本章小结 173
第9章 基于TB-RK3399Pro开发板进行循环神经网络实战 174
9.1 TB-RK3399Pro开发板声音
采集 174
9.1.1 必备环境安装 174
9.1.2 声音采集 175
9.2 语音识别模型介绍 176
9.2.1 特征提取 177
9.2.2 语音识别网络 180
9.2.3 评价指标 182
9.3 TB-RK3399Pro语音识别
实战 182
9.3.1 实战目的 182
9.3.2 实战数据 182
9.3.3 实战环境 183
9.3.4 实战步骤 183
9.3.5 实战结果 187
9.4 本章小结 188
第10章 基于Rock-X API的深度
学习案例 189
10.1 Rock-X SDK介绍 189
10.2 Rock-X环境部署 190
10.3 目标检测 190
10.4 车牌识别
猜您喜欢
