序一
序二
前言
第一篇　深度学习基础
第1章　向未来问好 2
1.1　机器学习即正义 2
1.1.1　照本宣科 3
1.1.2　关键概念概述 4
1.1.3　数学之美 5
1.2　机器学习的场景和任务 6
1.3　机器学习算法 8
1.3.1　分类算法 8
1.3.2　回归算法 8
1.3.3　聚类算法 8
1.3.4　关联分析算法 9
1.3.5　集成算法 9
1.3.6　强化算法 10
1.4　如何掌握机器学习 10
1.4.1　学习曲线 10
1.4.2　技术栈 11
1.5　深度学习 12
1.5.1　深度学习的贡献 12
1.5.2　深度学习框架简介 13
1.5.3　安装使用深度学习框架 16
1.5.4　深度学习进展 22
1.6　走进移动世界的深度学习 25
1.6.1　移动平台机器学习概述 25
1.6.2　难度和挑战 26
1.7　本书框架 26
1.8　本章小结 27
第2章　机器学习基础 28
2.1　机器学习的主要任务 28
2.2　贝叶斯模型 29
2.3　Logistic回归 33
2.3.1　线性回归 33
2.3.2　几率与Logit 35
2.3.3　Logistic回归 38
2.3.4　背景溯源 39
2.3.5　实现Logistic回归 42
2.4　本章小结 44
第3章　人工神经网络 45
3.1　人工神经网络简介 45
3.2　基本结构与前向传播 46
3.2.1　神经元 46
3.2.2　连接与网络 47
3.2.3　神经网络向量化 48
3.2.4　前向传播 50
3.3　反向传播算法 50
3.4　实现前向神经网络 53
3.4.1　神经网络与前向传播实现 53
3.4.2　Softmax回归 60
3.5　稀疏自编码器 61
3.5.1　引子 61
3.5.2　自编码器简介 61
3.5.3　稀疏自编码算法 63
3.6　神经网络数据预处理 64
3.6.1　去均值 64
3.6.2　归一化 65
3.7　本章小结 65
第4章　深度网络与卷积神经网络 66
4.1　深度网络 66
4.1.1　自我学习 66
4.1.2　特征学习 67
4.1.3　深度神经网络 68
4.1.4　逐层贪婪训练方法 69
4.2　卷积神经网络 70
4.2.1　全连接与部分连接网络 70
4.2.2　卷积 70
4.2.3　池化 72
4.2.4　卷积神经网络 73
4.3　卷积神经网络实现 73
4.3.1　Layer实现 74
4.3.2　Net实现 79
4.3.3　InnerProduct实现 92
4.3.4　Convolution实现 95
4.3.5　Pooling实现 101
4.3.6　定义注册头文件 109
4.4　本章小结 110
第二篇　移动平台深度学习基础
第5章　移动平台深度学习框架设计与实现 112
5.1　移动平台深度学习系统开发简介 112
5.2　ARM Linux基础开发环境 113
5.2.1　通用ARM工具链安装 114
5.2.2　Android NDK安装 114
5.2.3　树莓派工具链安装 115
5.3　TensorFlow Lite介绍 115
5.3.1　TensorFlow Lite特性 115
5.3.2　TensorFlow Lite架构 116
5.3.3　TensorFlow Lite代码结构 117
5.4　移动平台性能优化基础 118
5.4.1　ARM v8体系结构 119
5.4.2　ARM v8数据类型与寄存器 120
5.4.3　Neon指令集介绍 122
5.4.4　ARM v8内存模型 124
5.4.5　Neon指令集加速实例 127
5.5　本章小结 140
第6章　移动平台轻量级网络实战 141
6.1　适用于移动平台的轻量级网络 141
6.2　SqueezeNet 142
6.2.1　微观结构 142
6.2.2　宏观结构 142
6.2.3　核心思路 143
6.2.4　实战：用PyTorch实现SqueezeNet 144
6.3　MobileNet 153
6.4　ShuffleNet 154
6.5　MobileNet V2 155
6.5.1　MobileNet的缺陷 155
6.5.2　MobileNet V2的改进 155
6.5.3　网络结构 156
6.5.4　实战：用PyTorch实现MobileNet V2 157
6.6　本章小结 161
第三篇　深入理解深度学习
第7章　高性能数据预处理实战 164
7.1　数据预处理任务 164
7.1.1　数据清理 165
7.1.2　数据集成 165
7.1.3　数据归约 165
7.1.4　数据变换 166
7.2　数据标准化 166
7.3　PCA 167
7.3.1　PCA的现实问题 167
7.3.2　PCA的计算方法 167
7.3.3　PCA的数学理论基础 169
7.4　在Hurricane之上实现PCA 170
7.4.1　Hurricane实时处理系统 171
7.4.2　实现Hurricane Topology 172
7.4.3　实现PCA 178
7.5　本章小结 192
第8章　基于深度神经网络的物体检测与识别 193
8.1　模式识别与物体识别 193
8.1.1　模式识别 193
8.1.2　模式识别系统 194
8.1.3　传统模式识别方法 194
8.1.4　深度学习模式识别方法 197
8.2　图像分类 197
8.2.1　LeNet 197
8.2.2　AlexNet 200
8.2.3　数据抓取整理 203
8.2.4　数据预处理 204
8.2.5　数据训练 206
8.3　目标识别与物体检测 207
8.3.1　目标识别简介 207
8.3.2　R-CNN 208
8.3.3　SPP-Net 209
8.3.4　Fast R-CNN 211
8.3.5　Faster R-CNN 211
8.3.6　RetinaNet 213
8.4　检测识别实战 213
8.4.1　Faster R-CNN 214
8.4.2　RetinaNet 230
8.5　移动平台检测识别实战 237
8.5.1　移动平台系统开发思路 237
8.5.2　基于RetinaNet的检测定位实现 237
8.5.3　基于AlexNet的识别分类实现 244
8.5.4　接口设计封装 247
8.6　本章小结 258
第四篇　深入理解移动平台深度学习
第9章　深入移动平台性能优化 260
9.1　模型压缩 260
9.2　权重稀疏化 262
9.2.1　Structured Sparsity Learning 262
9.2.2　Dynamic Network Surgery 262
9.2.3　Dynamic Network Surgery实现 264
9.3　模型加速 275
9.3.1　半精度与权重量化 275
9.3.2　深度压缩 276
9.3.3　二值化网络 278
9.3.4　三值化网络 280
9.3.5　DoReFa-Net 282
9.3.6　编程实战 283
9.4　嵌入式优化 287
9.4.1　算法局限与改进 287
9.4.2　理论改进 287
9.4.3　编程实战 288
9.5　嵌入式优化代码实现 290
9.5.1　量化分析实现 290
9.5.2　层实现 302
9.5.3　量化矩阵计算 309
9.6　本章小结 313
第10章　数据采集与模型训练实战 314
10.1　收集海量数据 314
10.1.1　搜索引擎工作原理 315
10.1.2　HTTP会话 316
10.1.3　解决JavaScript渲染问题 316
10.2　图片数据爬虫实现 317
10.2.1　获取任务 318
10.2.2　解析图片 320
10.2.3　图片存储 326
10.2.4　图片去重 327
10.2.5　完成Topology 328
10.3　训练与测试 330
10.3.1　模型定义 330
10.3.2　训练 334
10.3.3　测试 342
10.3.4　封装 344
10.4　本章小结 345
第11章　移动和嵌入式平台引擎与工具实战 346
11.1　TensorFlow Lite构建 346
11.2　集成TensorFlow Lite 357
11.3　核心实现分析 358
11.3.1　解释器代码分析 358
11.3.2　图代码分析 373
11.3.3　操作符注册 381
11.3.4　操作符扩展实现 384
11.3.5　计算与优化模块 399
11.4　模型处理工具 407
11.5　本章小结 425
第12章　移动平台框架与接口实战 426
12.1　Core ML 426
12.1.1　准备数据和生成模型 427
12.1.2　App实战：引入Core ML实现 430
12.2　Android Neural Networks API 437
12.2.1　等等，Google还有一个ML Kit 437
12.2.2　NNAPI编程模型 437
12.2.3　创建网络与计算 439
12.2.4　JNI封装与调用 451
12.2.5　App实战：集成NNAPI 454
12.3　实战：实现Android图像分类器App 459
12.3.1　JNI封装 459
12.3.2　Java调用 474
12.4　未来之路 479
12.5　本章小结 480