新しい書籍の推奨 | 組み込み人工知能

《組み込み人工知能》

李斌編纂

ISBN：978-7-302-62796-8

価格: 69.00元

QR コードをスキャンして書籍を割引価格で購入します

ChatGPT の出現により、汎用人工知能 (AGI) のプロトタイプが人類に明らかにされました。人々は、人工ニューラル ネットワークが擬人化された学習方法 (RLHF など) と組み合わせて一定の規模に達すると、突然奇跡が起こり、知能が人間の脳の束縛を取り除き始め、コンピューター上で実現されることを発見しました。

しかし、解決すべき課題がまだあります。 人型ロボットなど、サイズと消費電力が人間と同等のマシンで上記の奇跡を達成できるでしょうか?

現在、ChatGPT ではトレーニングと推論に 30,000 個を超える GPU の使用が必要で、総電力は 1,000 万ワット以上、1 日あたりの電気代は約 50,000 米ドルです。人間の脳の容積はわずか約 1.5 リットルで、電力は 20 ワット未満です。一般的な人工知能をロボット、さらには小型のドローン、携帯電話、スマート家電、IoT デバイスに埋め込みたい場合は、上記の課題を克服する必要があります。これは、「Embedded Artificial Intelligence」という本が探求したいテーマです。

組み込み人工知能の分野では、より高いエネルギー効率を利用してより合理化されたアルゴリズムを実行し、それをより小型で軽量のマシンに配置して、現実世界でリアルタイムの推論タスクを完了します。一言で言えば、人工知能を最も合理的な方法で実装する必要があります。

この課題を克服するには、すべてのレベルで問題に対処する必要があります。要約すると、組み込み人工知能を実現するには 5 つのコンポーネントが必要です。

埋め込み AI チップ。よりエネルギー効率の高いAIアクセラレータです。

軽量 AI アルゴリズム。計算の複雑さは低く、パラメーターも少ないですが、その精度は大規模な AI アルゴリズムに匹敵します。

モデルの圧縮。軽量 AI アルゴリズムの冗長なパラメーターをさらにトリミングし、より合理化された方法で表現します。

コンパイルの最適化。モデルを AI アクセラレーターの命令により適したエンコーディングに変換します。

マルチレベルのカスケード アプリケーション フレームワーク。より適切なアルゴリズムをより適切なタイミングで使用するため、システム全体のコストとエネルギー消費が削減されます。

これら 5 つのコンポーネントを組み合わせて使用​​すると、一般的な人工知能が真に機械に組み込まれ、見て、聞いて、話し、考えることができるようになり、真に「生きて」、別の生命の形になることが期待されます。 ――人工生命。

もちろん、上記の夢を実現するには長い道のりがあります。この本は、問題を調査し、それらを解決するための現在の方法とツールの概要を説明する入門ガイドです。それは最終的な答えではありませんが、そこに到達するための鍵を提供します。

ロボット、ドローン、携帯電話、スマート家電、モノのインターネットなど一般的な人工知能の実現に興味があるなら、間違いなく有用な入門書です。

この本の特徴

1. 国内 初めての組み込み人工知能の包括的な入門書。

2. 内容は豊富かつ詳細で、

組み込み人工知能の原理、プラットフォーム、実践をカバーしています。

3. 組み込み人工知能の原理を体系的にまとめます (

コンセプトが斬新で、組織が明確です)。 4. 主流の組み込みニューラル ネットワーク チップとソフトウェア フレームワークを含む、

組み込み人工知能プラットフォーム

の実装に関する包括的な紹介。 5. 組み込み人工知能の

開発プロセス

の概要を説明します。 6.原則と実践を組み合わせて、

コードを組み合わせて、組み込み人工知能の実際の応用例を実証します

。

アプリケーション例

本の最後の章では、ドローンを使った空飛ぶ日傘の実現を試みていますが、この傘は人の動きをリアルタイムで追跡し、いつでも日差しを遮ることができるため、人の手と手を解放することができます。暑い夏を楽しく過ごし、楽しく買い物に行ったり、遊んだり、注目の的になったりすることができます。

無人パラシュートで人体を追跡できるようにするために、マシンビジョン手法を使用します。パラシュート前面のカメラで人体を撮影し、軽量な人体姿勢推定アルゴリズムにより人体の輪郭を計算し、人の頭部、顔の特徴、手足の関節の位置を取得し、解析します。人体の動きを予測して、人がどの方向に進むか、後退するか、旋回するか、上り下りするかを予測し、無人パラシュートがこの動きを追跡し、いつでも無人パラシュートの空間位置を調整して、人体への次のような日よけ効果。

重量や消費電力などを考慮し、専用の組み込みAIチップを使用する必要があります。この本では、開発例として NVIDIA Jetson が使用されています。現在では、ARM ベースの SoC など、ワットあたりの推論性能がより優れたチップが、テクノロジーの急速な発展によってもたらされる課題に対処するために広く使用されています。ただし、この本で紹介されているプロセスと方法は今でも適用できます。

上記の軽量アルゴリズムが組み込み AI チップでのリアルタイム推論の要件を満たすためには、モデルの圧縮および最適化テクノロジーを使用して、モデルの枝刈りや定量化などの操作を実行し、パラメーターを削減する必要があります。パフォーマンスが指数関数的に向上し、消費電力が指数関数的に減少し、専用の組み込み AI チップ推論用に最適化されています。この本では、ARM ベースの SoC を使用する場合、Tensorflow Lite などの圧縮および最適化テクノロジを使用できることを説明する例として TensorRT を使用しています。

ついに、この本の知識を活用して、無人パラソルを飛行させることができます。

＃＃＃＃＃＃目次＃＃＃＃＃＃

上にスワイプして読んでください パート 1 原則

第 1 章 人工知能と人工ニューラル ネットワーク

1.1 人工知能とは

1.2 人工ニューラルネットワークとは

1.3 人間の脳

1.4 人工ニューラルネットワークの基本構成

1.4.1 人工ニューロン

1.4.2 人工ニューラルネットワークの構造

1.5 人工ニューラルネットワークの学習メカニズム

1.6 人工ニューラル ネットワークの種類

1.7 人工ニューラル ネットワークの利点

1.8 ディープ ニューラル ネットワーク

1.8.1 ディープ ニューラル ネットワークとは

18.2 一般的なディープ ニューラル ネットワーク

1.8.3 畳み込みニューラル ネットワーク

1.9 ニューラル ネットワーク アーキテクチャ検索 (NAS)

1.9.1 検索スペース

1.9.2 強化学習の検索

1.9.3 プログレッシブ検索

1.9.4 離散検索

1.10 転移学習

1.10.1 転移学習とは

1.10.2 転移学習の種類

1.10.3 転移学習の利点

1.10.4 転移学習法

1.10.5 転移学習と組み込み人工知能

第 2 章 組み込み人工知能

2.1 組み込み人工知能とは

2.2 組み込み人工知能が必要な理由

2.3 最初の試み: クラウド コンピューティング モデル

2.4 クラウドからデバイスへ: ローカル モード

2.5 組み込み人工知能の技術的課題

2.5.1 モデルスケール

2.5.2 エネルギー効率

2.5.3 メモリアクセス

2.5.4 推論速度

2.5.5 寸法と重量

2.6 組み込み人工知能の実装アプローチ

2.7 組み込み人工知能の実装コンポーネント

第 3 章 組み込み AI チップの原則

3.1 並列コンピューティング

3.2 パルスアレイ

3.3 マルチレベルキャッシュ

3.4 データフロー

第 4 章 軽量ニューラル ネットワーク

4.1 計算の複雑さを軽減する

4.1.1 グループ化された畳み込み

4.1.2 深さ方向の畳み込み

4.1.3 点ごとの畳み込み

4.1.4 深さ方向の分離可能な畳み込み

4.1.5 チャネルの順序外のミキシング

4.2 スクイーズネット

4.2.1 中心的なアイデア

4.2.2 ネットワーク構造

4.2.3 パフォーマンス

4.3 例外

4.3.1 中心的なアイデア

4.3.2 ネットワーク構造

4.3.3 パフォーマンス

4.4 MobileNet v1

4.4.1 中心的なアイデア

4.4.2 ネットワーク構造

4.4.3 パフォーマンス

4.5 MobileNet v2

4.5.1 中心的なアイデア

4.5.2 ネットワーク構造

4.5.3 パフォーマンス

4.6ムナスネット

4.6.1 中心的なアイデア

4.6.2 ネットワーク構造

4.6.3 パフォーマンス

4.7 MobileNet v3

4.7.1 中心的なアイデア

4.7.2 ネットワーク構造

4.7.3 パフォーマンス

4.6 軽量ニューラルネットワークの応用

第 5 章 ディープ ニューラル ネットワークの圧縮

5.1 ニューラル ネットワーク圧縮の一般的な方法

5.1.1 剪定

5.1.2 重みの共有

5.1.3 定量化

5.1.4 2 進値/3 進値

5.1.5 Winograd 畳み込み

5.2 圧縮とコンパイルの共同設計

5.2.1 圧縮とコンパイルの共同設計の概念

5.2.2 コンプレッサー

5.2.5 コンパイラ

5.2.6 圧縮とコンパイルの共同設計の利点

第 6 章 組み込みニューラル ネットワーク アプリケーション フレームワーク

6.1 階層的カスケード システムの構成

6.2 階層型カスケード システムの効率

6.4 ローカルクラウドコラボレーションモード

第 7 章 生涯にわたる深い学習

7.1 従来の深層学習の欠陥と理由

7.2 生涯にわたる深い学習の目標

7.3 生涯にわたる深い学習の特徴

7.4 神経生物学的影響

7.5 生涯にわたるディープ ニューラル ネットワークの実装

7.5.1 二重学習システム

7.5.2 リアルタイム更新

7.5.3 メモリの結合

7.5.4 実際のシナリオに適応する

7.6 生涯にわたるディープラーニングと組み込み人工知能

パート 2 プラットフォーム

第 8 章 組み込みニューラル ネットワーク ハードウェア アクセラレータ

8.1 概要

8.2 NVIDIA Jetson

8.2.1 Jetson モジュールの紹介

8.2.1 Jetson モジュールの内部構造

8.2.3 Jetson のパフォーマンス

8.3 インテル Movidius

8.3.1 Movidius Myriad X VPU チップ

8.3.2 インテル ニューラル コンピューティング スティック

8.4 Google エッジ TPU

8.4.1 Google Edge TPU の概要

8.4.2 Google Edge TPUの動作原理

8.5 ザイリンクス DPU

8.6 ARM 理念 NPU

8.6.1 ARM 機械学習プロセッサ

8.6.2 Ethos-N シリーズ

8.6.3 Ethos-U シリーズ

＃＃＃まとめ＃＃＃

第 9 章 組み込みニューラル ネットワーク ソフトウェア フレームワーク

9.1 Tensorflow Lite

9.1.1 TensoFlow Lite の概要

9.1.2 TensorFlow Lite の仕組み

9.2 テンソルRT

9.3 OpenVINO

9.3.1 OpenVINO の概要

9.3.2 Open VINO の構成

9.3.3 オープン VINO アプリケーション開発

9.4 ザイリンクス Vitis

9.5 uTensor

9.6 Apache TVM

＃＃＃まとめ＃＃＃

パート 3 の実現

第 10 章 組み込みニューラル ネットワーク開発環境の構築

10.1 組み込み AI 開発プロセス

10.2 NVIDIA Jetson 開発プロセス

第 11 章 組み込みニューラル ネットワーク モデルの最適化

11.1 TensorFlow モデルの最適化

11.1.1 トレーニング後の最適化

11.1.2 トレーニング中の最適化

11.2 TensorRT モデルの最適化

11.2.1 主流の深層学習フレームワークとの統合

11.2.2 組み込みシステムへの展開

11.2.3 TensorRT API

11.2.4 TensorRT アプリケーションの例

11.2.5 モデルコンバータ

11.3 2 つのモデル最適化手法の比較

第 12 章 組み込みデバイスでの推論の実行

12.1 ソースからプロジェクトをビルドする

12.2 ImageNet を使用して画像分類を実装する

12.2.1 静止画像の分類

12.2.2 カメラのリアルタイムビデオ分類

12.3 DetectNet を使用してターゲット検出を実装する

13.3.1 静止画像ターゲットの検出

13.3.2 カメラのリアルタイムビデオターゲット検出

12.4 SegNet を使用したセマンティック セグメンテーションの実装

12.4.1 静的画像のセマンティック セグメンテーション

12.4.2 ビデオセマンティックセグメンテーション

12.5 PyTorch を使用した転移学習の実装

12.6 変換されたモデルの使用

第 13 章 組み込みニューラル ネットワークのアプリケーション例

13.1 アプリケーションシナリオ

13.2 ハードウェアの選択

13.3 モデル開発

結論: 万物の知性

以上が新しい書籍の推奨 | 組み込み人工知能の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。