移動終端人工智能技術(shù)與應(yīng)用開發(fā)

前言
第1章　移動終端人工智能技術(shù)概述1
1.1　人工智能技術(shù)發(fā)展概況1
1.1.1　人工智能技術(shù)的發(fā)展歷程1
1.1.2　數(shù)據(jù)和算法成為主要驅(qū)動力3
1.1.3　人工智能技術(shù)的應(yīng)用趨勢6
1.2　機器學習與軟件框架技術(shù)概述8
1.2.1　機器學習8
1.2.2　深度學習10
1.2.3　深度學習為多個應(yīng)用技術(shù)領(lǐng)域
　帶來突破11
1.2.4　自動化機器學習12
1.2.5　算法與模型14
1.2.6　訓練與推理16
1.2.7　深度學習框架18
1.3　移動終端人工智能應(yīng)用22
1.3.1　AI移動終端快速發(fā)展22
1.3.2　移動終端的典型AI應(yīng)用24
1.3.3　移動終端的AI推理26
1.4　小結(jié)28
參考文獻28
第2章　移動終端人工智能技術(shù)架構(gòu)30
2.1　移動終端人工智能技術(shù)的特點和
　分層架構(gòu)30
2.2　各層功能概述32
2.2.1　應(yīng)用層32
2.2.2　框架層32
2.2.3　驅(qū)動層35
2.2.4　硬件層36
2.3　小結(jié)42
參考文獻42
第3章　神經(jīng)網(wǎng)絡(luò)模型44
3.1　神經(jīng)網(wǎng)絡(luò)模型概述44
3.1.1　神經(jīng)網(wǎng)絡(luò)算法44
3.1.2　神經(jīng)網(wǎng)絡(luò)模型的構(gòu)成46
3.1.3　獲取移動終端神經(jīng)網(wǎng)絡(luò)
　模型48
3.2　典型神經(jīng)網(wǎng)絡(luò)模型介紹54
3.2.1　圖像分類54
3.2.2　目標檢測63
3.2.3　圖像分割66
3.2.4　其他神經(jīng)網(wǎng)絡(luò)模型簡介74
3.3　小結(jié)77
參考文獻78
第4章　移動終端推理框架79
4.1　推理框架的工作原理79
4.1.1　神經(jīng)網(wǎng)絡(luò)模型轉(zhuǎn)換原理79
4.1.2　深度學習編譯器執(zhí)行原理84
4.2　推理框架的工作流程86
4.2.1　模型轉(zhuǎn)換86
4.2.2　數(shù)據(jù)預處理86
4.2.3　執(zhí)行推理86
4.2.4　結(jié)果輸出87
4.3　主要移動終端推理框架介紹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　華為HiAI Foundation126
4.3.7　曠視天元154
4.3.8　蘋果Core ML框架166
4.3.9　其他深度學習推理框架170
4.4　小結(jié)178
參考文獻178
第5章　深度學習編譯器180
5.1　深度學習編譯器的概念180
5.1.1　傳統(tǒng)編譯器180
5.1.2　移動端深度學習編譯器182
5.2　主流編譯器介紹184
5.2.1　Android神經(jīng)網(wǎng)絡(luò)接口
　NN API184
5.2.2　高通SNPE編譯技術(shù)187
5.2.3　華為HiAI Foundation編譯
　技術(shù)192
5.2.4　百度Paddle Lite編譯技術(shù)194
5.2.5　其他深度學習編譯器195
5.2.6　不同深度學習編譯器的
　差異196
5.3　小結(jié)197
第6章　移動終端AI推理應(yīng)用開發(fā)
　過程198
6.1　總體開發(fā)過程198
6.2　需求階段199
6.3　設(shè)計階段200
6.4　編碼開發(fā)階段202
6.5　調(diào)試階段202
6.5.1　功能調(diào)試203
6.5.2　性能調(diào)試204
6.6　小結(jié)205
第7章　移動終端推理應(yīng)用開發(fā)
　實例206
7.1　基于TensorFlow Lite框架的
　圖像分類應(yīng)用206
7.1.1　創(chuàng)建工程206
7.1.2　模型轉(zhuǎn)換211
7.1.3　模型推理211
7.1.4　結(jié)果展示213
7.2　基于PyTorch Mobile框架的應(yīng)用
　實例214
7.2.1　創(chuàng)建工程214
7.2.2　模型轉(zhuǎn)換215
7.2.3　模型推理216
7.2.4　結(jié)果展示217
7.3　基于Paddle Lite引擎的應(yīng)用
　實例218
7.3.1　創(chuàng)建工程218
7.3.2　模型轉(zhuǎn)換220
7.3.3　模型推理220
7.3.4　結(jié)果展示225
7.4　基于vivo VCAP引擎的應(yīng)用
　實例225
7.4.1　創(chuàng)建工程225
7.4.2　模型轉(zhuǎn)換228
7.4.3　模型推理229
7.4.4　結(jié)果展示232
7.5　基于高通SNPE引擎的圖片分類
　應(yīng)用 232
7.5.1　創(chuàng)建工程233
7.5.2　模型轉(zhuǎn)換235
7.5.3　模型推理236
7.5.4　結(jié)果展示238
7.6　基于華為HiAI Foundation的圖片
　分類應(yīng)用239
7.6.1　創(chuàng)建工程239
7.6.2　模型轉(zhuǎn)換243
7.6.3　模型推理244
7.6.4　結(jié)果展示249
7.7　基于蘋果Core ML引擎的應(yīng)用
　實例249
7.7.1　創(chuàng)建工程250
7.7.2　模型轉(zhuǎn)換252
7.7.3　模型推理253
7.7.4　結(jié)果展示255
7.8　基于曠視天元的應(yīng)用實例255
7.8.1　創(chuàng)建工程255
7.8.2　模型轉(zhuǎn)換258
7.8.3　模型推理259
7.8.4　結(jié)果展示262
7.9　基于MNN引擎的應(yīng)用實例263
7.9.1　創(chuàng)建工程263
7.9.2　模型轉(zhuǎn)換265
7.9.3　模型推理265
7.9.4　結(jié)果展示271
7.10　小結(jié)272
第8章　AI應(yīng)用性能調(diào)試273
8.1　AI應(yīng)用性能調(diào)試方法273
8.2　AI應(yīng)用性能測試負載275
8.3　AI應(yīng)用性能評價指標278
8.3.1　模型類指標278
8.3.2　通用指標和硬件性能指標282
8.4　AI應(yīng)用推理性能差異283
8.5　AI應(yīng)用性能優(yōu)化284
8.6　小結(jié)285
第9章　移動終端的AI推理性能
　評價286
9.1　不同移動終端間的AI性能基準
　測試286
9.2　AI基準測試應(yīng)用介紹288
9.3　小結(jié)293
第10章　移動終端AI技術(shù)發(fā)展
　趨勢294
10.1　技術(shù)發(fā)展趨勢294
10.1.1　移動終端的AI訓練294
10.1.2　移動終端的聯(lián)邦學習300
10.2　產(chǎn)品發(fā)展趨勢307
10.2.1　智能語音終端307
10.2.2　自然語言處理終端 308
10.2.3　智能機器人產(chǎn)品309
10.2.4　智能無人機310
10.2.5　智能家居產(chǎn)品311
10.2.6　智能醫(yī)療產(chǎn)品 311
10.2.7　智能安防產(chǎn)品 312
10.2.8　智能交通產(chǎn)品 313
參考文獻314
附錄一　移動終端推理應(yīng)用開發(fā)
　示例315
附錄A　TensorFlow Lite示例代碼315
附錄B　PyTorch示例代碼315
附錄C　Paddle Lite示例代碼316
附錄D　VCAP示例代碼