移动终端人工智能技术与应用开发

作者简介

附录二 技术术语表

附录I MNN示例代码

附录H MegEngine示例代码

附录G CoreML示例代码

附录F HiAI Foundation示例代码

附录E SNPE示例代码

附录D VCAP示例代码

附录C Paddle Lite示例代码

附录B PyTorch示例代码

附录A TensorFlow Lite示例代码

附录一 移动终端推理应用开发示例

参考文献

10.2.8 智能交通产品

10.2.7 智能安防产品

10.2.6 智能医疗产品

10.2.5 智能家居产品

10.2.4 智能无人机

10.2.3 智能机器人产品

10.2.2 自然语言处理终端

10.2.1 智能语音终端

10.2 产品发展趋势

10.1.2 移动终端的联邦学习

10.1.1 移动终端的AI训练

10.1 技术发展趋势

第10章 移动终端AI技术发展趋势

9.3 小结

9.2 AI基准测试应用介绍

9.1 不同移动终端间的AI性能基准测试

第9章 移动终端的AI推理性能评价

8.6 小结

8.5 AI应用性能优化

8.4 AI应用推理性能差异

8.3.2 通用指标和硬件性能指标

8.3.1 模型类指标

8.3 AI应用性能评价指标

8.2 AI应用性能测试负载

8.1 AI应用性能调试方法

第8章 AI应用性能调试

7.10 小结

7.9.4 结果展示

7.9.3 模型推理

7.9.2 模型转换

7.9.1 创建工程

7.9 基于MNN引擎的应用实例

7.8.4 结果展示

7.8.3 模型推理

7.8.2 模型转换

7.8.1 创建工程

7.8 基于旷视天元的应用实例

7.7.4 结果展示

7.7.3 模型推理

7.7.2 模型转换

7.7.1 创建工程

7.7 基于苹果Core ML引擎的应用实例

7.6.4 结果展示

7.6.3 模型推理

7.6.2 模型转换

7.6.1 创建工程

7.6 基于华为HiAI Foundation的图片分类应用

7.5.4 结果展示

7.5.3 模型推理

7.5.2 模型转换

7.5.1 创建工程

7.5 基于高通SNPE引擎的图片分类应用

7.4.4 结果展示

7.4.3 模型推理

7.4.2 模型转换

7.4.1 创建工程

7.4 基于vivo VCAP引擎的应用实例

7.3.4 结果展示

7.3.3 模型推理

7.3.2 模型转换

7.3.1 创建工程

7.3 基于Paddle Lite引擎的应用实例

7.2.4 结果展示

7.2.3 模型推理

7.2.2 模型转换

7.2.1 创建工程

7.2 基于PyTorch Mobile框架的应用实例

7.1.4 结果展示

7.1.3 模型推理

7.1.2 模型转换

7.1.1 创建工程

7.1 基于TensorFlow Lite框架的图像分类应用

第7章 移动终端推理应用开发实例

6.6 小结

6.5.2 性能调试

6.5.1 功能调试

6.5 调试阶段

6.4 编码开发阶段

6.3 设计阶段

6.2 需求阶段

6.1 总体开发过程

第6章 移动终端AI推理应用开发过程

5.3 小结

5.2.6 不同深度学习编译器的差异

5.2.5 其他深度学习编译器

5.2.4 百度Paddle Lite编译技术

5.2.3 华为HiAI Foundation编译技术

5.2.2 高通SNPE编译技术

5.2.1 Android神经网络接口NN API

5.2 主流编译器介绍

5.1.2 移动端深度学习编译器

5.1.1 传统编译器

5.1 深度学习编译器的概念

第5章 深度学习编译器

参考文献

4.4 小结

4.3.9 其他深度学习推理框架

4.3.8 苹果Core ML框架

4.3.7 旷视天元

4.3.6 华为HiAI Foundation

4.3.5 高通SNPE

4.3.4 VCAP

4.3.3 Paddle Lite

4.3.2 PyTorch Mobile

4.3.1 TensorFlow Lite

4.3 主要移动终端推理框架介绍

4.2.4 结果输出

4.2.3 执行推理

4.2.2 数据预处理

4.2.1 模型转换

4.2 推理框架的工作流程

4.1.2 深度学习编译器执行原理

4.1.1 神经网络模型转换原理

4.1 推理框架的工作原理

第4章 移动终端推理框架

参考文献

3.3 小结

3.2.4 其他神经网络模型简介

3.2.3 图像分割

3.2.2 目标检测

3.2.1 图像分类

3.2 典型神经网络模型介绍

3.1.3 获取移动终端神经网络模型

3.1.2 神经网络模型的构成

3.1.1 神经网络算法

3.1 神经网络模型概述

第3章 神经网络模型

参考文献

2.3 小结

2.2.4 硬件层

2.2.3 驱动层

2.2.2 框架层

2.2.1 应用层

2.2 各层功能概述

2.1 移动终端人工智能技术的特点和分层架构

第2章 移动终端人工智能技术架构

参考文献

1.4 小结

1.3.3 移动终端的AI推理

1.3.2 移动终端的典型AI应用

1.3.1 AI移动终端快速发展

1.3 移动终端人工智能应用

1.2.7 深度学习框架

1.2.6 训练与推理

1.2.5 算法与模型

1.2.4 自动化机器学习

1.2.3 深度学习为多个应用技术领域带来突破

1.2.2 深度学习

1.2.1 机器学习

1.2 机器学习与软件框架技术概述

1.1.3 人工智能技术的应用趋势

1.1.2 数据和算法成为主要驱动力

1.1.1 人工智能技术的发展历程

1.1 人工智能技术发展概况

第1章 移动终端人工智能技术概述

前言

作者简介

版权信息

封面

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

7.3.3 模型推理

7.3.4 结果展示

7.4 基于vivo VCAP引擎的应用实例

7.4.1 创建工程

7.4.2 模型转换

7.4.3 模型推理

7.4.4 结果展示

7.5 基于高通SNPE引擎的图片分类应用

7.5.1 创建工程

7.5.2 模型转换

7.5.3 模型推理

7.5.4 结果展示

7.6 基于华为HiAI Foundation的图片分类应用

7.6.1 创建工程

7.6.2 模型转换

7.6.3 模型推理

7.6.4 结果展示

7.7 基于苹果Core ML引擎的应用实例

7.7.1 创建工程

7.7.2 模型转换

7.7.3 模型推理

7.7.4 结果展示

7.8 基于旷视天元的应用实例

7.8.1 创建工程

7.8.2 模型转换

7.8.3 模型推理

7.8.4 结果展示

7.9 基于MNN引擎的应用实例

7.9.1 创建工程

7.9.2 模型转换

7.9.3 模型推理

7.9.4 结果展示

7.10 小结

第8章 AI应用性能调试

8.1 AI应用性能调试方法

8.2 AI应用性能测试负载

8.3 AI应用性能评价指标

8.3.1 模型类指标

8.3.2 通用指标和硬件性能指标

8.4 AI应用推理性能差异

8.5 AI应用性能优化

8.6 小结

第9章 移动终端的AI推理性能评价

9.1 不同移动终端间的AI性能基准测试

9.2 AI基准测试应用介绍

9.3 小结

第10章 移动终端AI技术发展趋势

10.1 技术发展趋势

10.1.1 移动终端的AI训练

10.1.2 移动终端的联邦学习

10.2 产品发展趋势

10.2.1 智能语音终端

10.2.2 自然语言处理终端

10.2.3 智能机器人产品

10.2.4 智能无人机

10.2.5 智能家居产品

10.2.6 智能医疗产品

10.2.7 智能安防产品

10.2.8 智能交通产品

参考文献

附录一 移动终端推理应用开发示例

附录A TensorFlow Lite示例代码

附录B PyTorch示例代码

附录C Paddle Lite示例代码

附录D VCAP示例代码

附录E SNPE示例代码

附录F HiAI Foundation示例代码

附录G CoreML示例代码

附录H MegEngine示例代码

附录I MNN示例代码

附录二 技术术语表

作者简介