我用夸克网盘分享了「移动深度学习.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

《移动深度学习》由浅入深地介绍了如何将深度学习技术应用到移动端运算领域，书中尽量避免罗列公式，尝试用浅显的语言和几何图形去解释相关内容。本书第1章展示了在移动端应用深度学习技术的Demo，帮助读者建立直观的认识；第2章至第4章讲述了如何在移动端项目中应用深度学习技术；第5章至第8章的难度略大，主要讲述如何深入地调整框架，适配并定制自己的框架。 《移动深度学习》适合移动端研发工程师阅读，也适合所有对移动端运算领域感兴趣的朋友阅读

作者简介

李永会 百度App移动研发部资深工程师。2015年起在百度从事图像搜索和语音搜索客户端研发工作，主持了多个重要创新项目，包括百度Lens、实时翻译等。同时负责开源移动端深度学习框架Paddle-Lite的开发，长期从事移动端AI高性能计算优化工作，在多种软硬件平台上高性能运行深度学习技术。在工作之余有读史、书法等爱好。

网友热评

Owns: 啥玩意儿。对于机器学习的训练，推理过程基本上没写。不适合初学者入门，感觉适合有一定机器学习开发经验后，希望对模型优化，框架实现有所了解的人阅读。 豆友192005841: 没啥用，感觉就是一个概述，篇幅都不如一篇论文大小吧。完全不值75块，也就是20块的价值。

图书目录

第1章初窥移动端深度学习技术的应用 1 1.1本书示例代码简介 1 1.1.1安装编译好的文件 1 1.1.2在DemoApp中应用神经网络技术 2 1.2移动端主体检测和分类 2 1.3在线上产品中以“云+端计算”的方式应用深度学习技术 4 1.4在移动端应用深度学习技术的业界案例 6 1.4.1植物花卉识别 6 1.4.2奇妙的风格化效果 7 1.4.3视频主体检测技术在App中的应用 7 1.5在移动端应用深度学习技术的难点 8 1.5.1在服务器端和移动端应用深度学习技术的难点对比 8 1.5.2实现AR实时翻译功能 9 1.6编译运行深度学习App 12 1.6.1mobile-deep-learning项目环境简介 12 1.6.2mobile-deep-learning项目整体代码结构 13 1.6.3mobile-deep-learning通用环境依赖 14 1.7在iOS平台上搭建深度学习框架 15 1.7.1在iOS平台上搭建mobile-deep-learning项目 15 1.7.2在OSX平台上编译mobile-deep-learning项目 16 1.7.3iOS平台上mobile-deep-learning项目的Demo代码结构 17 1.8在Android平台上搭建深度学习框架 18 1.8.1Android平台上mobile-deep-learning项目的环境依赖 18 1.8.2Android平台上mobile-deep-learning项目的Demo代码结构 19 1.8.3用Paddle-Lite框架编译与开发Android应用 20 1.8.4开发一个基于移动端深度学习框架的AndroidApp 22 第2章以几何方式理解线性代数基础知识 32 2.1线性代数基础 32 2.1.1标准平面直角坐标系 32 2.1.2改变坐标系的基向量 34 2.2向量的几何意义 35 2.2.1向量的加减运算 36 2.2.2向量的数乘运算 37 2.3线性组合的几何意义 38 2.4线性空间 40 2.5矩阵和变换 41 2.6矩阵乘法 43 2.7行列式 46 2.8矩阵的逆 48 2.9秩 49 2.10零空间 50 2.11点积和叉积的几何表示与含义 51 2.11.1点积的几何意义 51 2.11.2叉积的几何意义 52 2.12线性代数的特征概念 53 2.13抽象向量空间 54 第3章什么是机器学习和卷积神经网络 56 3.1移动端机器学习的全过程 56 3.2预测过程 57 3.3数学表达 59 3.3.1预测过程涉及的数学公式 59 3.3.2训练过程涉及的数学公式 60 3.4神经元和神经网络 61 3.4.1神经元 61 3.4.2神经网络 63 3.5卷积神经网络 63 3.6图像卷积效果 65 3.6.1从全局了解视觉相关的神经网络 65 3.6.2卷积核和矩阵乘法的关系 66 3.6.3多通道卷积核的应用 69 3.7卷积后的图片效果 70 3.8卷积相关的两个重要概念：padding和stride 75 3.8.1让卷积核“出界”：padding 75 3.8.2让卷积核“跳跃”：stride 75 3.9卷积后的降维操作：池化 76 3.10卷积的重要性 77 第4章移动端常见网络结构 78 4.1早期的卷积神经网络 78 4.2AlexNet网络结构 79 4.3GoogLeNet网络结构 79 4.3.1模型体积问题 80 4.3.2计算量问题 80 4.4尝试在App中运行GoogLeNet 81 4.4.1将32位float参数转化为8位int参数以降低传输量 82 4.4.2将CPU版本服务器端框架移植到移动端 83 4.4.3应用在产品中的效果 84 4.5轻量化模型SqueezeNet 85 4.5.1SqueezeNet的优化策略 85 4.5.2fire模块 86 4.5.3SqueezeNet的全局 86 4.6轻量高性能的MobileNet 88 4.6.1什么是深度可分离卷积（DepthwiseSeparableConvolution） 88 4.6.2MobileNetv1网络结构 89 4.6.3MobileNetv2网络结构 91 4.7移动端神经网络模型的优化方向 92 第5章ARMCPU组成 94 5.1现代计算机与ARMCPU架构的现状 94 5.1.1冯•诺依曼计算机的基本结构 94 5.1.2移动计算设备的分工 96 5.2简单的CPU模型 98 5.2.1取指过程 98 5.2.2译码过程 99 5.2.3执行过程 100 5.2.4回写过程 101 5.2.5细化分工：流水线技术 102 5.3汇编指令初探 102 5.3.1汇编语言程序的第一行 102 5.3.2这些指令是什么 105 5.4汇编指令概况 106 5.4.1ARMCPU家族 106 5.4.2ARMv7-A处理器架构 107 5.4.3ARMv7汇编指令介绍 109 5.5ARM指令集架构 111 5.6ARM手机芯片的现状与格局 113 第6章存储金字塔与ARM汇编 115 6.1ARMCPU的完整结构 115 6.2存储设备的金字塔结构 117 6.3ARM芯片的缓存设计原理 119 6.3.1缓存的基本理解 119 6.3.2简单的缓存映射结构：直接映射 121 6.3.3灵活高效的缓存结构：组相联映射 123 6.3.4利用一个简单的公式优化访存性能 125 6.4ARM汇编知识 126 6.4.1ARM汇编数据类型和寄存器 127 6.4.2ARM指令集 130 6.4.3ARM汇编的内存操作 131 6.5NEON汇编指令 133 6.5.1NEON寄存器与指令类型 134 6.5.2NEON存储操作指令 135 6.5.3NEON通用数据操作指令 137 6.5.4NEON通用算术操作指令 138 6.5.5NEON乘法指令 139 6.5.6运用NEON指令计算矩阵乘法 140 第7章移动端CPU预测性能优化 142 7.1工具及体积优化 142 7.1.1工具使用 143 7.1.2模型体积优化 148 7.1.3深度学习库文件体积优化 149 7.2CPU高性能通用优化 150 7.2.1编译选项优化 150 7.2.2内存性能和耗电量优化 151 7.2.3循环展开 153 7.2.4并行优化与流水线重排 154 7.3卷积性能优化方式 157 7.3.1滑窗卷积和GEMM性能对比 157 7.3.2基于Winograd算法进行卷积性能优化 160 7.3.3快速傅里叶变换 162 7.3.4卷积计算基本优化 163 7.4开发问题与经验总结 164 第8章移动端GPU编程及深度学习框架落地实践 166 8.1异构计算编程框架OpenCL 166 8.1.1开发移动端GPU应用程序 167 8.1.2OpenCL中的一些概念 168 8.2移动端视觉搜索研发 169 8.2.1初次探索移动端AI能力 170 8.2.2取消拍照按钮，提升视觉搜索体验 171 8.2.3使用深度学习技术提速视觉搜索 172 8.2.4通过AI工程技术提升视觉搜索体验 174 8.3解决历史问题：研发Paddle-Lite框架 176 8.3.1体积压缩 178 8.3.2工程结构编码前重新设计 178 8.3.3视觉搜索的高级形态：实时视频流式搜索 184