AI時代從基本功下手：深入電腦底層運作原理 (1版)

類似書籍推薦給您

內容簡介 ☆★341張圖例，一次弄懂電腦底層運作的原理★☆ ☆★重點說明作業系統、處理程序、執行緒、程式碼協同底層架構★☆ ☆★從前模模糊糊，似懂非懂的概念，竟然一本書就打通，全腦舒暢，寫程式每個字都知道在做什麼！★☆ 　　全書共分6章。 　　第1章闡述了程式語言的概念和編譯器的工作原理，解釋了程式碼生成可執行程式的過程。 　　第2章著重於程式執行時期，介紹了作業系統、處理程式、執行緒等概念，並強調回呼函式、同步、非同步、阻塞、非阻塞等對程式設計師的重要性。 　　第3章帶領讀者認識記憶體的作用，深入探討了指標、堆積區域、堆疊區域等記憶體相關概念，並介紹了函式呼叫的實現原理和記憶體分配器的方法。 　　第4章詳細介紹了電腦系統中最重要的CPU，包括其實現原理、數字識別方式和演變歷程，並解釋了複雜指令集和精簡指令集的出現原因，以及如何利用CPU和堆疊實現函式呼叫、中斷處理、執行緒切換和系統呼叫等機制。 　　第5章深入講解了電腦系統中的cache，解釋了cache的必要性，並提供了程式設計師編寫cache友善程式的建議。 　　第6章關注I/O（輸入輸出），介紹了電腦系統實現I/O的過程，解釋了在程式中呼叫read函式時底層的讀取過程，同時提供了高效處理I/O的建議。 　　本書的特色，就是用最簡單的方式，讓程式設計師快速了解程式執行過程中底層細節的理解和心智模型，以及電腦系統的奧秘。 　　現代電腦系統被層層抽象，程式設計師在高階語言中撰寫程式時不必關心底層細節，但當遇到較為複雜的問題時，對底層的理解不足會讓解決問題變得困難。而程式設計高手則能輕易解決這些問題，因為他們清楚自己的程式對電腦系統的影響，擁有深入的心智模型。 　　本書通過視覺化的方式呈現內容，擁有多達341張圖片來解釋相關內容，使閱讀更加直觀易懂。同時使用通俗易懂的語言，從概念的起源開始解釋，讓讀者不僅了解是什麼和為什麼，還能理解其中的來龍去脈，降低對內容的門檻。 　　這本書旨在幫助讀者建立更深入的心智模型，揭示電腦系統底層的奧秘，讓程式設計師能更有效地解決問題並提升技能水準。 目錄 第1章 從程式語言到可執行程式，這是怎麼一回事 1.1 假如你來發明程式語言 1.1.1 創世紀：CPU是個聰明的笨蛋 1.1.2 組合語言出現了 1.1.3 底層的細節 vs 高層的抽象 1.1.4 策略滿滿：高級程式設計語言的雛形 1.1.5 《全面啟動》與遞迴：程式的本質 1.1.6 讓電腦理解遞迴 1.1.7 優秀的翻譯官：編譯器 1.1.8 直譯型語言的誕生 1.2 編譯器是執行原理的 1.2.1 編譯器就是一個普通程式，沒什麼大不了的 1.2.2 提取出每一個符號 1.2.3 token想表達什麼含義 1.2.4 語法樹是不是合理的 1.2.5 根據語法樹生成中間程式 1.2.6 程式生成 1.3 連結器不能說的秘密 1.3.1 連結器是運行原理的 1.3.2 符號決議：供給與需求 1.3.3 靜態程式庫、動態庫與可執行檔 1.3.4 動態庫有哪些優勢及劣勢 1.3.5 重定位：確定符號執行時期位址 1.3.6 虛擬記憶體與程式記憶體分配 1.4 為什麼抽象在電腦科學中如此重要 1.4.1 程式設計與抽象 1.4.2 系統設計與抽象 1.5 總結 第2章 程式執行起來了，可我對其一無所知 2.1 從根源上理解作業系統、處理程式與執行緒 2.1.1 一切要從CPU說起 2.1.2 從CPU到作業系統 2.1.3 處理程序很好，但還不夠方便 2.1.4 從處理程序演變到執行緒 2.1.5 多執行緒與記憶體分配 2.1.6 執行緒的使用場景 2.1.7 執行緒池是運行原理的 2.1.8 執行緒池中執行緒的數量 2.2 執行緒間到底共用了哪些處理程式資源 2.2.1 執行緒私有資源 2.2.2 程式區：任何函式都可放到執行緒中執行 2.2.3 資料區：任何執行緒均可存取資料區變數 2.2.4 堆積區域：指標是關鍵 2.2.5 堆疊區域：公共的私有資料 2.2.6 動態連結程式庫與檔案 2.2.7 執行緒局部儲存：TLS 2.3 執行緒安全程式到底是怎麼撰寫的 2.3.1 自由與約束 2.3.2 什麼是執行緒安全 2.3.3 執行緒的私有資源與共用資源 2.3.4 只使用執行緒私有資源 2.3.5 執行緒私有資源 + 函式參數 2.3.6 使用全域變數 2.3.7 執行緒局部儲存 2.3.8 函式傳回值 2.3.9 呼叫非執行緒安全程式 2.3.10 如何實現執行緒安全程式 2.4 程式設計師應如何理解程式碼協同 2.4.1 普通的函式 2.4.2 從普通函式到程式碼協同 2.4.3 程式碼協同的圖形化解釋 2.4.4 函式只是程式碼協同的一種特例 2.4.5 程式碼協同的歷史 2.4.6 程式碼協同是如何實現的 2.5 徹底理解回呼函式 2.5.1 一切要從這樣的需求說起 2.5.2 為什麼需要回呼 2.5.3 非同步回呼 2.5.4 非同步回呼帶來新的程式設計思維 2.5.5 回呼函式的定義 2.5.6 兩種回呼類型 2.5.7 非同步回呼的問題：回呼地獄 2.6 徹底理解同步與非同步 2.6.1 辛苦的程式設計師 2.6.2 打電話與發郵件 2.6.3 同步呼叫 2.6.4 非同步呼叫 2.6.5 同步、非同步在網路服務器中的應用 2.7 哦！對了，還有阻塞與非阻塞 2.7.1 阻塞與非阻塞 2.7.2 阻塞的核心問題：I/O 2.7.3 非阻塞與非同步I/O 2.7.4 一個類比：點披薩 2.7.5 同步與阻塞 2.7.6 非同步與非阻塞 2.8 融會貫通：高並行、高性能伺服器是如何實現的 2.8.1 多處理程序 2.8.2 多執行緒 2.8.3 事件迴圈與事件驅動 2.8.4 問題1：事件來源與I/O多工 2.8.5 問題2：事件迴圈與多執行緒 2.8.6 咖啡館是如何運作的：Reactor模式 2.8.7 事件迴圈與I/O 2.8.8 非同步與回呼函式 2.8.9 程式碼協同：以同步的方式進行非同步程式設計 2.8.10 CPU、執行緒與程式碼協同 2.9 電腦系統漫遊：從資料、程式、回呼、閉包到容器、虛擬機器 2.9.1 程式、資料、變數與指標 2.9.2 回呼函式與閉包 2.9.3 容器與虛擬機器技術 2.10 總結 第3章 底層？就從記憶體這個儲物櫃開始吧 3.1 記憶體的本質、指標及引用 3.1.1 記憶體的本質是什麼？儲物櫃、位元、位元組與物件 3.1.2 從記憶體到變數：變數意味著什麼 3.1.3 從變數到指標：如何理解指標 3.1.4 指標的威力與破壞性：能力與責任 3.1.5 從指標到引用：隱藏記憶體位址 3.2 處理程式在記憶體中是什麼樣子的 3.2.1 虛擬記憶體：眼見未必為實 3.2.2 分頁與分頁表：從虛幻到現實 3.3 堆疊區域：函式呼叫是如何實現的 3.3.1 程式設計師的好幫手：函式 3.3.2 函式呼叫的活動軌跡：堆疊 3.3.3 堆疊幀與堆疊區域：以宏觀的角度看 3.3.4 函式跳躍與返回是如何實現的 3.3.5 參數傳遞與傳回值是如何實現的 3.3.6 區域變數在哪裡 3.3.7 暫存器的儲存與恢復 3.3.8 Big Picture：我們在哪裡 3.4 堆積區域：記憶體動態分配是如何實現的 3.4.1 為什麼需要堆積區域 3.4.2 自己動手實現一個malloc記憶體分配器 3.4.3 從停車場到記憶體管理 3.4.4 管理空閒區塊 3.4.5 追蹤記憶體分配狀態 3.4.6 怎樣選擇空閒區塊：分配策略 3.4.7 分配記憶體 3.4.8 釋放記憶體 3.4.9 高效合併空閒區塊 3.5 申請記憶體時底層發生了什麼 3.5.1 三界與CPU運行狀態 3.5.2 核心態與使用者態 3.5.3 傳送門：系統呼叫 3.5.4 標準函式庫：遮罩系統差異 3.5.5 堆積區域記憶體不夠了怎麼辦 3.5.6 向作業系統申請記憶體：brk 3.5.7 冰山之下：虛擬記憶體才是終極BOSS 3.5.8 關於分配記憶體完整的故事 3.6 高性能伺服器記憶體池是如何實現的 3.6.1 記憶體池 vs 通用記憶體分配器 3.6.2 記憶體池技術原理 3.6.3 實現一個極簡記憶體池 3.6.4 實現一個稍複雜的記憶體池 3.6.5 記憶體池的執行緒安全問題 3.7 與記憶體相關的經典bug 3.7.1 傳回指向區域變數的指標 3.7.2 錯誤地理解指標運算 3.7.3 解引用有問題的指標 3.7.4 讀取未被初始化的記憶體 3.7.5 引用已被釋放的記憶體 3.7.6 陣列下標是從0開始的 3.7.7 堆疊溢位 3.7.8 記憶體洩漏 3.8 為什麼SSD不能被當成記憶體用 3.8.1 記憶體讀寫與硬碟讀寫的區別 3.8.2 虛擬記憶體的限制 3.8.3 SSD 的使用壽命問題 3.9 總結 第4章 從電晶體到CPU，誰能比我更重要 4.1 你管這東西叫CPU 4.1.1 偉大的發明 4.1.2 與、或、非：AND、OR、NOT 4.1.3 道生一、一生二、二生三、三生萬物 4.1.4 運算能力是怎麼來的 4.1.5 神奇的記憶能力 4.1.6 暫存器與記憶體的誕生 4.1.7 硬體還是軟體？通用裝置 4.1.8 硬體的基本功：機器指令 4.1.9 軟體與硬體的介面：指令集 4.1.10 指揮家，讓我們演奏一曲 4.1.11 大功告成，CPU誕生了 4.2 CPU 閒置時在幹嘛 4.2.1 你的電腦CPU使用率是多少 4.2.2 處理程序管理與處理程序排程 4.2.3 佇列判空：一個更好的設計 4.2.4 一切都要歸結到CPU 4.2.5 空閒處理程序與CPU低功耗狀態 4.2.6 逃出無限迴圈：中斷 4.3 CPU是如何識數的 4.3.1 數字0與正整數 4.3.2 有號整數 4.3.3 正數加上負號即對應的負數：原碼 4.3.4 原碼的翻轉：反碼 4.3.5 不簡單的兩數相加 4.3.6 對電腦友善的表示方法：補數 4.3.7 CPU真的識數嗎 4.4 當CPU遇上if語句 4.4.1 管線技術的誕生 4.4.2 CPU——超級工廠與管線 4.4.3 當if遇到管線 4.4.4 分支預測：儘量讓CPU猜對 4.5 CPU 核心數與執行緒數有什麼關係 4.5.1 食譜與程式、炒菜與執行緒 4.5.2 任務拆分與阻塞式I/O 4.5.3 多核與多執行緒 4.6 CPU 進化論（上）：複雜指令集誕生 4.6.1 程式設計師眼裡的CPU 4.6.2 CPU的能力圈：指令集 4.6.3 抽象：少就是多 4.6.4 程式也是要佔用儲存空間的 4.6.5 複雜指令集誕生的必然 4.6.6 微程式設計的問題 4.7 CPU進化論（中）：精簡指令集的誕生 4.7.1 化繁為簡 4.7.2 精簡指令集哲學 4.7.3 CISC與RISC的區別 4.7.4 指令管線 4.7.5 名揚天下 4.8 CPU 進化論（下）：絕地反擊 4.8.1 打不過就加入：像RISC一樣的CISC 4.8.2 超執行緒的絕技 4.8.3 取人之長，補己之短：CISC與RISC的融合 4.8.4 技術不是全部：CISC與RISC的商業之戰 4.9 融會貫通：CPU、堆疊與函式呼叫、系統呼叫、執行緒切換、中斷處理 4.9.1 暫存器 4.9.2 堆疊暫存器：Stack Pointer 4.9.3 指令位址暫存器：Program Counter 4.9.4 狀態暫存器：Status Register 4.9.5 上下文：Context 4.9.6 嵌套與堆疊 4.9.7 函式呼叫與執行時期堆疊 4.9.8 系統呼叫與核心態堆疊 4.9.9 中斷與中斷函式堆疊 4.9.10 執行緒切換與核心態堆疊 4.10 總結 第5章 四兩撥千斤，cache 5.1 cache，無處不在 5.1.1 CPU 與記憶體的速度差異 5.1.2 圖書館、書桌與cache 5.1.3 天下沒有免費的午餐：cache更新 5.1.4 天下也沒有免費的晚餐：多核cache一致性 5.1.5 記憶體作為磁碟的cache 5.1.6 虛擬記憶體與磁碟 5.1.7 CPU是如何讀取記憶體的 5.1.8 分散式儲存來幫忙 5.2 如何撰寫對cache友善的程式 5.2.1 程式的局部性原理 5.2.2 使用記憶體池 5.2.3 struct結構重新佈局 5.2.4 冷熱資料分離 5.2.5 對cache友善的資料結構 5.2.6 遍歷多維陣列 5.3 多執行緒的性能「殺手」 5.3.1 cache與記憶體互動的基本單位：cache line 5.3.2 性能「殺手」一：cache乒乓問題 5.3.3 性能「殺手」二：錯誤分享問題 5.4 烽火戲諸侯與記憶體屏障 5.4.1 指令亂數執行：編譯器與OoOE 5.4.2 把cache也考慮進來 5.4.3 四種記憶體屏障類型 5.4.4 acquire-release語義 5.4.5 C++中提供的介面 5.4.6 不同的CPU，不同的秉性 5.4.7 誰應該關心指令重排序：無鎖程式設計 5.4.8 有鎖程式設計 vs 無鎖程式設計 5.4.9 關於指令重排序的爭議 5.5 總結 第6章 電腦怎麼能少得了I/O 6.1 CPU 是如何處理I/O操作的 6.1.1 專事專辦：I/O 機器指令 6.1.2 記憶體映射I/O 6.1.3 CPU讀寫鍵盤的本質 6.1.4 輪詢：一遍遍地檢查 6.1.5 點外賣與中斷處理 6.1.6 中斷驅動式I/O 6.1.7 CPU如何檢測中斷訊號 6.1.8 中斷處理與函式呼叫的區別 6.1.9 儲存並恢復被中斷程式的執行狀態 6.2 磁碟處理I/O時CPU 在幹嗎 6.2.1 裝置控制器 6.2.2 CPU應該親自複製資料嗎 6.2.3 直接記憶體存取：DMA 6.2.4 Put Together 6.2.5 對程式設計師的啟示 6.3 讀取檔案時程式經歷了什麼 6.3.1 從記憶體的角度看I/O 6.3.2 read函式是如何讀取檔案的 6.4 高並行的秘訣：I/O多工 6.4.1 檔案描述符號 6.4.2 如何高效處理多個I/O 6.4.3 不要打電話給我，有必要我會打給你 6.4.4 I/O多工 6.4.5 三劍客：select、poll與epoll 6.5 mmap：像讀寫記憶體那樣操作檔案 6.5.1 檔案與虛擬記憶體 6.5.2 魔術師作業系統 6.5.3 mmap vs 傳統read/write函式 6.5.4 大檔案處理 6.5.5 動態連結程式庫與共用記憶體 6.5.6 動手操作一下mmap 6.6 電腦系統中各個部分的延遲有多少 6.6.1 以時間為度量來換算 6.6.2 以距離為度量來換算 6.7 總結

AI+IoT佈建邊緣運算：電腦視覺業界專案原理及實作 (1版)

類似書籍推薦給您

內容簡介 　　本書共5篇，第1篇、第2篇重點介紹以YOLO為代表的一階段物件辨識神經網路；第3篇、第4篇重點介紹物件辨識神經網路在雲端和邊緣端的部署，其中對邊緣端的量化原理進行了重點介紹；第5篇重點介紹當前較為流行的自動駕駛的資料計算原理和物件辨識。本書實用性非常強，既適合對電腦視覺具有一定了解的高等院校大學生、所究所學生及具有轉型意願的軟體工程師入門學習，又適合電腦視覺工程項目研發和營運人員參考閱讀。 　　第1篇，以知名電腦視覺競賽任務為例，旨在介紹物件辨識應用場景下的基本概念和約定，以及資料標注工具和格式，讓讀者具備特徵融合網路、預測網路的設計能力。對於資料後處理技術則介紹了解碼網路、資料重網路拓樸路、NMS演算法等後處理演算法，在此基礎上結合各式各樣的骨幹網路，讀者就可以架設完整的一階段物件辨識神經網路模型了。 　　第2篇，旨在介紹物件辨識神經網路的訓練全流程。本篇從資料集製作到損失函式設計，從訓練資料監控到NaN或INF異常處理，特別是對不同損失函式的設計，進行了非常詳細的原理性闡述。相比神經網路設計，損失函式的設計是最具有可解釋性的，也是電腦視覺研究中比較容易出成果的研究方向。 　　第3篇，旨在運用物件辨識神經網路的訓練成果，架設完整的物件辨識推理模型。推理模型支援雲端部署和邊緣端部署。對於雲端部署，以主流的亞馬遜雲端為例介紹；對於邊緣端部署，以GoogleCoral開發板為例，介紹神經網路量化模型的基礎原理和模型編譯邏輯。 　　第4篇，結合作者主導過的智慧交通、智慧後勤等專案，旨在介紹實際電腦視覺資料增強技術，以及神經網路性能評估的原理和具體應用。本篇還結合應用同樣廣泛的算能科技（比特中國）SE5邊緣計算閘道和瑞芯微RK3588邊緣計算系統，介紹實際專案中如何使用邊緣計算硬體加速人工智慧的產業化應用。根據邊緣計算硬體特性對神經網路進行針對性修改，是真正考驗一個開發者對神經網路理解程度的試金石。跟隨本書介紹熟練掌握2～3款邊緣計算硬體，就能更快速地將電腦視覺應用到實際生產中，在具體應用中創造價值。 　　第5篇，旨在將讀者引入三維電腦視覺中最重要的應用領域之一：自動駕駛。圍繞KITTI資料集，本篇介紹了自動駕駛資料的計算原理，並重點介紹了PointNet++等多個三維物件辨識神經網路。 　　附錄列表說明了本書所參考的物件辨識原始程式碼、Python運行環境架設，以及TensorFlow的基本操作。對基本操作有疑問的讀者，可以根據附錄中的說明登入相關網站進行查閱和提問。 目錄 第1篇 一階段物件辨識神經網路的結構設計 第1章 物件辨識的競賽和資料集 1.1電腦視覺座標系的約定和概念 1.1.1 圖型的座標系約定 1.1.2 矩形框的描述方法約定 1.2 PASCAL VOC競賽和資料集 1.2.1 PASCAL VOC競賽任務和資料集簡介 1.2.2 PASCAL VOC2007資料集探索 1.3 MS COCO挑戰賽和資料集 1.3.1 MS COCO挑戰賽的競賽任務 1.3.2 MS COCO資料集簡介 1.4 物件辨識標注的解析和統計 1.4.1 XML檔案的格式 1.4.2 XML檔案解析和資料均衡性統計 第2章 物件辨識神經網路整體說明 2.1 幾個著名的物件辨識神經網路 2.1.1 R-CNN家族神經網路簡介 2.1.2 YOLO和SSD神經網路簡介 2.1.3 CenterNet神經網路簡介 2.1.4 U-Net神經網路簡介 2.2 物件辨識神經網路分類和高階API資源 2.3 矩形框的交並比評價指標和實現 第3章 一階段物件辨識神經網路的特徵融合和中段網路 3.1 一階段物件辨識神經網路的整體結構 3.2 一階段物件辨識神經網路的若干中段網路介紹 3.2.1 單向融合的中段網路 3.2.2 簡單雙向融合的中段網路 3.2.3 複雜雙向融合的中段網路 3.3 不同融合方案中段網路的關係和應用 3.4 YOLO的多尺度特徵融合中段網路案例 3.4.1 YOLOV3的中段網路及實現 3.4.2 YOLOV4的中段網路PANet及實現 3.4.3 YOLOV3-tiny和YOLOV4-tiny版本的中段網路及實現 3.5 神經網路輸出的解碼 3.5.1 融合特徵圖的幾何含義 3.5.2 矩形框中心點座標的解碼 3.5.3 矩形框寬度和高度的解碼 3.5.4 前背景機率和分類機率的解碼 3.5.5 矩形框角點座標和解碼函式整體輸出 第4章 一階段物件辨識神經網路典型案例——YOLO解析 4.1 YOLO家族物件辨識神經網路簡介 4.2 先驗錨框和YOLO神經網路的檢測想法 4.2.1 用人為設定方式找到的先驗錨框 4.2.2 用聚類回歸方式找到的先驗錨框 4.2.3 YOLO的先驗錨框編號 4.2.4 YOLO的XYSCALE和縮放比參數 4.3 建立YOLO神經網路 4.3.1 根據選擇確定YOLO神經網路參數 4.3.2 建立骨幹網路、中段網路和預測網路 4.3.3 加上解碼網路後建立完整的YOLO模型 4.4 YOLO神經網路的遷移學習和權重載入 4.4.1 骨幹網路關鍵層的起止編號 4.4.2 中段網路和預測網路關鍵層的起止編號 4.4.3 YOLO模型的權重載入 4.5 原版YOLO模型的預測 4.5.1 原版YOLO模型的建立和參數載入 4.5.2 神經網路的輸入/輸出資料重組 4.6 NMS演算法的原理和預測結果視覺化 4.6.1 傳統NMS演算法原理 4.6.2 NMS演算法的變種 4.6.3 預測結果的篩選和視覺化 4.7 YOLO模型的多個衍生變種簡介 4.8 YOLO模型的發展與展望 第2篇 YOLO神經網路的損失函式和訓練 第5章 將資料資源製作成標準TFRecord資料集檔案 5.1 資料資源的載入 5.2 資料資源的解析和提取 5.3 TFRecord資料集檔案的製作 5.4 單樣本的example物件製作 5.5 遍歷全部樣本製作完整資料集 5.6 從資料集提取樣本進行核對 第6章 資料集的後續處理 6.1 資料集的載入和打包 6.1.1 資料集的載入和矩陣化 6.1.2 圖型矩陣尺寸的標準化 6.1.3 真實矩形框標注矩陣尺寸的標準化 6.1.4 資料集的打包處理 6.2 將原始資料集打包為可計算資料集 6.2.1 計算真實矩形框與先驗錨框的匹配度排名 6.2.2 找到真實矩形框所對應的網格下的先驗錨框 6.2.3 可計算資料集測試 第7章 一階段物件辨識的損失函式的設計和實現 7.1　損失函式框架和輸入資料的合理性判別 7.2　真實資料和預測資料的對應和分解 7.3 預測矩形框的前背景歸類和權重分配 7.4 預測矩形框的誤差度量 7.4.1 用中心點表示的位置誤差 7.4.2 用寬度和高度表示的位置誤差 7.4.3 用通用交並比表示的矩形框誤差 7.4.4 用距離交並比表示的矩形框誤差 7.4.5 用完整交並比表示的矩形框誤差 7.4.6 用交並比量化矩形框預測誤差的實踐 7.5 前景和背景的預測誤差 7.5.1 前景誤差和背景誤差的定義 7.5.2 樣本均衡原理和Focal-Loss應用 7.6 分類預測誤差 7.7 總誤差的合併和數值合理性確認 第8章 YOLO神經網路的訓練 8.1 資料集和模型準備 8.1.1 參數配置 8.1.2 資料集前置處理 8.1.3 模型參數載入和凍結 8.2 動態模式訓練 8.2.1 監控指標的設計和日誌儲存 8.2.2 動態模式下神經網路的訓練和偵錯 8.3 訓練中非法數值的監控和偵錯 8.3.1 發現和監控非法數值計算結果 8.3.2 計算結果出現非法數值的原因和對策 8.4 靜態模式訓練和TensorBoard監控 第3篇 物件辨識神經網路的雲端和邊緣端部署 第9章 一階段物件辨識神經網路的雲端訓練和部署 9.1 一階段物件辨識神經網路的推理模型設計 9.1.1 一階段物件辨識神經網路的推理形態 9.1.2 推理場景下的資料重網路拓樸路 9.1.3 構造推理場景下的YOLO模型函式 9.1.4 構造和測試YOLO推理模型 9.2 物件辨識推理模型的雲端部署 9.2.1 亞馬遜EC2雲端運算實例選型 9.2.2 使用雲端伺服器部署模型並回應推理請求 9.3 在亞馬遜SageMakerStudio上訓練雲端運算模型 第10章 神經網路的INT8全整數量化原理 10.1 神經網路量化模型的基本概念 10.1.1 神經網路量化模型速覽和視覺化 10.1.2 浮點數值的量化儲存和計算原理 10.2 神經網路量化模型的製作和分析 10.2.1 運算元的映射和合併 10.2.2 量化參數搜索和代表資料集 10.2.3 TFLite量化模型的運算元和張量分析 10.3 量化性能分析和量化模型的逐層偵錯 10.3.1 量化信噪比分析原理 10.3.2 量化模型的單層誤差偵錯 10.3.3 量化模型的誤差累積偵錯 10.4 不支援運算元的替換技巧 10.4.1 大動態範圍非線性運算元替換原理 10.4.2 大動態範圍非線性運算元替換效果 第11章 以YOLO和Edge TPU為例的邊緣計算實戰 11.1 TensorFlow模型的量化 11.1.1 量化感知訓練獲得INT8整數模型 11.1.2 訓練後量化獲得INT8整數模型 11.2 神經網路模型的編譯 11.2.1 模型編譯的工作原理 11.2.2 在Edge TPU上部署模型的注意事項 11.3 YOLO物件辨識模型的量化和編譯 11.3.1 YOLO變種版本選擇和骨幹網路修改 11.3.2 針對硬體限制進行解碼網路的修改 11.3.3 預測矩陣的整理重組 11.3.4 YOLO推理模型的建立 11.3.5 YOLO模型的量化 11.3.6 量化模型的測試和信噪比分析 11.4 YOLO量化模型的編譯和邊緣端部署 11.4.1 量化模型轉為編譯模型 11.4.2 撰寫邊緣端編譯模型推理程式 第4篇 個性化資料增強和物件辨識神經網路性能測試 第12章 個性化物件辨識資料集處理 12.1 農村公路佔道資料的物件辨識應用 12.1.1 專案資料背景 12.1.2 資料的前置處理 12.2 資料的增強 12.2.1 資料增強技術的概念和效果 12.2.2 基於空間變換的資料增強方法 12.2.3 基於顏色空間的資料增強方法 12.2.4 其他圖像資料的增強手法 12.2.5 圖像資料集的增強工具和探索工具 12.3 使用Albumentations進行資料增強 12.3.1 Albumentations的安裝和使用 12.3.2 幾何資料增強管道的配置 12.3.3 使用資料管道處理並儲存資料 12.3.4 像素資料增強管道的配置 12.3.5 增強資料集的運用 第13章 模型性能的定量測試和決策設定值選擇 13.1 神經網路性能量化的基本概念 13.1.1 神經網路預測的混淆矩陣 13.1.2 神經網路量化評估和P-R曲線 13.1.3 多分類物件辨識場景和平均精確率平均值 13.1.4 F分數評估方法 13.2 餐盤辨識神經網路性能測試案例 13.2.1 專案背景 13.2.2 提取全部真實資料和預測結果 13.2.3 模擬不同決策設定值下的精確率和召回率 第14章 使用邊緣計算閘道進行多路攝影機物件辨識 14.1 邊緣計算閘道的整體結構 14.1.1 核心TPU組件 14.1.2 計算卡和模組 14.1.3 下位機的作業系統 14.1.4 下位機的開發環境簡介 14.2 開發環境準備 14.2.1 上位機安裝Docker 14.2.2 上位機加載鏡像和SDK開發套件 14.2.3 神經網路工具鏈和主要用途 14.2.4 針對TensorFlow模型的編譯方法 14.3 浮點32位元模型部署的全流程 14.3.1 訓練主機將Keras模型轉為單pb模型檔案 14.3.2 上位機將單pb模型檔案編譯為bmodel模型檔案 14.3.3 下位機讀取和探索bmodel模型檔案 14.3.4 下位機使用bmodel模型檔案進行推理 14.4 邊緣端全整數量化模型部署 14.4.1 在上位機Docker內製作代表資料集 14.4.2 在上位機Docker內生成fp32umodel模型檔案 14.4.3 手動增加fp32umodel模型檔案的輸入層映射運算元 14.4.4 對fp32umodel模型檔案進行最佳化 14.4.5 在上位機Docker內將fp32umodel模型檔案編譯為int8umodel模型檔案 14.4.6 umodel模型檔案的偵錯技巧 14.5模型的編譯和部署 14.5.1 上位機將int8umodel模型檔案編譯為bmodel模型檔案 14.5.2 全整數量化int8bmodel模型檔案的邊緣端推導和測試 14.5.3 編譯模型在邊緣計算閘道上的性能測試 第15章 邊緣計算開發系統和RK3588 15.1 RK3588邊緣推理開發系統結構 15.1.1 開發板和核心晶片架構 15.1.2 開發板作業系統和偵錯環境 15.2開發工具鏈和神經網路模型部署 15.2.1 上位機開發環境配置 15.2.2 上位機的模型轉換 15.2.3 下位機使用編譯模型進行推理 15.2.4 RK3588的運算元偵錯技巧 第5篇 三維電腦視覺與自動駕駛 第16章 三維物件辨識和自動駕駛 16.1 自動駕駛資料集簡介 16.2 KITTI資料集計算原理 16.3 自動駕駛的點雲特徵提取 附錄A 官方程式引用說明 附錄B 本書運行環境架設說明 附錄C TensorFlow矩陣基本操作

一本書秒殺電腦視覺最新應用：80個Python大師級實例(第二版) (2版)

類似書籍推薦給您

一本書秒殺電腦視覺最新應用：80個Python大師級實例 ISBN13：9786267273531 出版社：深智數位 作者：張德豐 裝訂／頁數：平裝／528頁 規格：23cm*17cm*2.6cm (高/寬/厚) 版次：2 出版日：2023/06/21 內容簡介 ★★★★★【電腦視覺】、【80個Python大師級實例】★★★★★ 鷹眼王者的銳利捕捉，電腦視覺應用精準秒殺！ 本書技術重點 ✪Python電腦視覺基礎，包括常用的函數庫。 ✪各種去霧演算法、空域增強，時域增強，色階調整、Hough變換檢測。 ✪分割車牌處理、包括定位，字元處理及辨識。 ✪分水嶺演算法，用在醫學診斷。 ✪CNN及SVC手寫數字辨識、使用AlexNet。 ✪OCR原理及實作、小波技術處理。 ✪SVD、PCA、K-Means圖型壓縮原理。 ✪圖型搜尋、比對、角點特徵偵測、Harris演算法、FAST演算法。 ✪運動目標偵測、幀差分法、背景差分法、光流法。 ✪浮水印技術、大腦影像分析、閾值分割、區域生長實作。 ✪自動駕駛實作、包括環境感知、行為決策，路徑規劃及運動控制。 ✪物件偵測，包括RCNN及YOLO。 ✪視覺分析應用實例，包括Arcade Game製作，停車場自動車牌辨識系統開發。 本書特色 ◎   案例涵蓋面廣、實用、擴充性、可讀性強 本書以「概述+案例」的形式進行編寫，充分強調案例的實用性及程式的可擴充性，所選案例大多數來自日常生活中，應用性強。另外，書中每個案例的程式都經過偵錯與測試，同時程式碼中增加了大量的解釋說明，可讀性強。 ◎ 點線面完美結合，兼顧性強 本書點線面兼顧，涵蓋了數位影像處理中幾乎所有的基本模組，並涉及視訊處理、對位拼接、數位浮水印等進階影像處理方面的內容，全面講解了基於Python 進行電腦視覺應用的原理及方法，內容做到完美連結與統籌兼顧，讓讀者實現了由點到面進行發散性延伸。 目錄 1 電腦視覺程式設計基礎 1.1 電腦視覺的概述 1.2 Python 程式設計軟體 1.3 幾個常用函數庫 1.4 Python 影像處理類別庫 1.5 Matplotlib 函數庫 1.6 Numpy 影像處理 1.7 Scipy 影像處理 1.8 圖型降低雜訊   2 圖型去霧技術 2.1 空域圖型增強 2.2 時域圖型增強 2.3 色階調整去霧技術 2.4 長條圖均衡化去霧技術   3 形態學的去除雜訊 3.1 圖型去除雜訊的方法 3.2 數學形態學的原理 3.3 形態學運算 3.4 權重自我調整的多結構形態學去除雜訊   4 Hough 變換檢測 4.1 Hough 直線檢測 4.2 Hough 檢測圓   5 分割車牌定位辨識 5.1 基本概述 5.2 車牌影像處理 5.3 定位原理 5.4 字元處理 5.5 字元辨識   6 分水嶺實現醫學診斷 6.1 分水嶺演算法 6.2 分水嶺醫學診斷案例分析   7 手寫數字辨識 7.1 卷積神經網路的概述 7.2 SVC 辨識手寫數字   8 圖片中英文辨識 8.1 OCR 的介紹 8.2 OCR 演算法原理 8.3 OCR 辨識經典應用 8.4 獲取驗證碼   9 小波技術的圖型視覺處理 9.1 小波技術的概述 9.2 小波實現去除雜訊 9.3 圖型融合處理   10 圖型壓縮與分割處理 10.1 SVD 圖型壓縮處理 10.2 PCA 圖型壓縮處理 10.3 K-Means 聚類圖像壓縮處理 10.4 K-Means 聚類實現圖型分割   11 圖型特徵比對 11.1 相關概念 11.2 圖型比對   12 角點特徵檢測 12.1 Harris 的基本原理 12.2 Harris 演算法流程 12.3 Harris 角點的性質 12.4 Harris 檢測角點案例分析 12.5 角點檢測函數 12.6 Shi-Tomasi 角點檢測 12.7 FAST 特徵檢測   13 運動物件自動偵測 13.1 幀差分法 13.2 背景差分法 13.3 光流法   14 浮水印技術 14.1 浮水印技術的概念 14.2 數位浮水印技術的原理 14.3 典型的數位浮水印演算法 14.4 數位浮水印攻擊和評價 14.5 浮水印技術案例分析   15 大腦影像分析 15.1 閾值分割 15.2 區域生長 15.3 以閾值預分割為基礎的區域生長 15.4 區域生長分割大腦影像案例分析   16 自動駕駛應用 16.1 理論基礎 16.2 環境感知 16.3 行為決策 16.4 路徑規則 16.5 運動控制 16.6 自動駕駛案例分析   17 物件辨識 17.1 RCNN 系列 17.2 YOLO 檢測   18 人機互動 18.1 Tkinter GUI 程式設計元件 18.2 佈局管理器 18.3 事件處理 18.4 Tkinter 常用元件 18.5 選單 18.6 Canvas 繪圖   19 深度學習的應用 19.1 理論部分 19.2 AlexNet 網路及案例分析   20 視覺分析綜合應用案例 20.1 越南大戰遊戲 20.2 停車場辨識費率系統   參考文獻