深度學(xué)習(xí)框架及系統(tǒng)部署實戰(zhàn)（微課視頻版）

第1章邊緣計算
1．1云計算與邊緣計算
1．2邊緣計算的挑戰(zhàn)
1．2．1DNN模型設(shè)計
1．2．2DNN模型輕量化
1．2．3硬件優(yōu)化部署
1．3云邊端任務(wù)協(xié)作
1．4本章小結(jié)
1．5習(xí)題
第2章嵌入式AI系統(tǒng)
2．1嵌入式AI系統(tǒng)的概念
2．2嵌入式AI系統(tǒng)的硬件結(jié)構(gòu)
2．3嵌入式AI系統(tǒng)的軟件結(jié)構(gòu)
2．3．1驅(qū)動層
2．3．2操作系統(tǒng)層
2．3．3中間件層
2．3．4應(yīng)用層
2．4嵌入式深度學(xué)習(xí)技術(shù)
2．5嵌入式AI系統(tǒng)的應(yīng)用
2．5．1車載輔助駕駛系統(tǒng)
2．5．2無人機智能巡檢系統(tǒng)
2．5．3VR設(shè)備
2．6嵌入式AI系統(tǒng)的需求與挑戰(zhàn)
2．7本章小結(jié)
2．8習(xí)題
深度學(xué)習(xí)框架及系統(tǒng)部署實戰(zhàn)（微課視頻版）
目錄
第3章嵌入式AI系統(tǒng)的硬件解決方案
3．1通用類芯片——GPU
3．2半定制化芯片——FPGA
3．3全定制化芯片——ASIC 
3．4類腦芯片
3．5對四大類型AI芯片的總結(jié)與展望
3．5．1對AI芯片的總結(jié)
3．5．2對AI芯片的展望
3．6本章小結(jié)
3．7習(xí)題
第4章深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)模型的構(gòu)建及實現(xiàn)
4．1神經(jīng)網(wǎng)絡(luò)的概念及發(fā)展歷史
4．1．1神經(jīng)元的結(jié)構(gòu)
4．1．2感知機
4．1．3BP算法
4．1．4神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史
4．2深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)
4．2．1深度學(xué)習(xí)的概念
4．2．2DCNN的概念
4．2．3DCNN的構(gòu)成
4．2．4DCNN的訓(xùn)練
4．3幾種常用的DNN模型結(jié)構(gòu)
4．3．1AlexNet
4．3．2VGG
4．3．3GoogLeNet
4．3．4ResNet
4．3．5網(wǎng)絡(luò)模型對比
4．3．6遷移學(xué)習(xí)
4．4圖像識別項目實戰(zhàn)
4．5本章小結(jié)
4．6習(xí)題
第5章輕量級DCNN模型
5．1MobileNet系列
5．1．1MobileNet V1
5．1．2MobileNet V2
5．1．3MobileNet V3
5．2ShuffleNet系列
5．2．1ShuffleNet V1
5．2．2ShuffleNet V2
5．3輕量級DCNN模型對比
5．4項目實戰(zhàn)
5．4．1MobileNet V3模型構(gòu)建
5．4．2ShuffleNet V2模型構(gòu)建
5．5本章小結(jié)
5．6習(xí)題
第6章深度學(xué)習(xí)模型輕量化方法及實現(xiàn)
6．1網(wǎng)絡(luò)模型剪枝
6．1．1基本原理
6．1．2網(wǎng)絡(luò)模型的剪枝分類
6．1．3剪枝標(biāo)準(zhǔn)
6．1．4剪枝流程
6．1．5代碼實現(xiàn)
6．2參數(shù)量化
6．2．1基本原理
6．2．2參數(shù)量化算法的分類
6．2．3參數(shù)量化流程
6．2．4代碼實現(xiàn)
6．3知識蒸餾法
6．3．1基本原理
6．3．2知識蒸餾算法流程
6．3．3代碼實現(xiàn)
6．4本章小結(jié)
6．5習(xí)題
第7章AI模型的硬件部署
7．1開放神經(jīng)網(wǎng)絡(luò)交換(ONNX)格式
7．1．1ONNX模型
7．1．2Torch模型轉(zhuǎn)ONNX模型實例
7．1．3ONNX 工作原理
7．1．4ONNX模型推理
7．1．5推理速度對比
7．2Intel系列芯片部署方法
7．2．1OpenVINO的簡介
7．2．2OpenVINO的安裝
7．2．3OpenVINO工作流程
7．2．4OpenVINO推理示例
7．3NVIDIA系列芯片部署方法
7．3．1TensorRT的簡介
7．3．2TensorRT的安裝
7．3．3TensorRT模型轉(zhuǎn)換
7．3．4部署TensorRT模型
7．4本章小結(jié)
7．5習(xí)題