移动终端人工智能技术与应用开发

封面

版权信息

作者简介

前言

第1章 移动终端人工智能技术概述

1.1 人工智能技术发展概况

1.1.1 人工智能技术的发展历程

1.1.2 数据和算法成为主要驱动力

1.1.3 人工智能技术的应用趋势

1.2 机器学习与软件框架技术概述

1.2.1 机器学习

1.2.2 深度学习

1.2.3 深度学习为多个应用技术领域带来突破

1.2.4 自动化机器学习

1.2.5 算法与模型

1.2.6 训练与推理

1.2.7 深度学习框架

1.3 移动终端人工智能应用

1.3.1 AI移动终端快速发展

1.3.2 移动终端的典型AI应用

1.3.3 移动终端的AI推理

1.4 小结

参考文献

第2章 移动终端人工智能技术架构

2.1 移动终端人工智能技术的特点和分层架构

2.2 各层功能概述

2.2.1 应用层

2.2.2 框架层

2.2.3 驱动层

2.2.4 硬件层

2.3 小结

参考文献

第3章 神经网络模型

3.1 神经网络模型概述

3.1.1 神经网络算法

3.1.2 神经网络模型的构成

3.1.3 获取移动终端神经网络模型

3.2 典型神经网络模型介绍

3.2.1 图像分类

3.2.2 目标检测

3.2.3 图像分割

3.2.4 其他神经网络模型简介

3.3 小结

参考文献

第4章 移动终端推理框架

4.1 推理框架的工作原理

4.1.1 神经网络模型转换原理

4.1.2 深度学习编译器执行原理

4.2 推理框架的工作流程

4.2.1 模型转换

4.2.2 数据预处理

4.2.3 执行推理

4.2.4 结果输出

4.3 主要移动终端推理框架介绍

4.3.1 TensorFlow Lite

4.3.2 PyTorch Mobile

4.3.3 Paddle Lite

4.3.4 VCAP

4.3.5 高通SNPE

4.3.6 华为HiAI Foundation

4.3.7 旷视天元

4.3.8 苹果Core ML框架

4.3.9 其他深度学习推理框架

4.4 小结

参考文献

第5章 深度学习编译器

5.1 深度学习编译器的概念

5.1.1 传统编译器

5.1.2 移动端深度学习编译器

5.2 主流编译器介绍

5.2.1 Android神经网络接口NN API

5.2.2 高通SNPE编译技术

5.2.3 华为HiAI Foundation编译技术

5.2.4 百度Paddle Lite编译技术

5.2.5 其他深度学习编译器

5.2.6 不同深度学习编译器的差异

5.3 小结

第6章 移动终端AI推理应用开发过程

6.1 总体开发过程

6.2 需求阶段

6.3 设计阶段

6.4 编码开发阶段

6.5 调试阶段

6.5.1 功能调试

6.5.2 性能调试

6.6 小结

第7章 移动终端推理应用开发实例

7.1 基于TensorFlow Lite框架的图像分类应用

7.1.1 创建工程

7.1.2 模型转换

7.1.3 模型推理

7.1.4 结果展示

7.2 基于PyTorch Mobile框架的应用实例

7.2.1 创建工程

7.2.2 模型转换

7.2.3 模型推理

7.2.4 结果展示

7.3 基于Paddle Lite引擎的应用实例

7.3.1 创建工程

7.3.2 模型转换