Cadangan Buku Baharu |

《Kecerdasan Buatan Terbenam》

Disusun oleh Li Bin

ISBN: 978-7-302-62796-8

Harga: 69.00 yuan

Imbas kod QR untuk membeli buku dengan diskaun

Kemunculan ChatGPT mendedahkan prototaip kecerdasan buatan am (AGI) untuk manusia. Orang ramai telah mendapati bahawa apabila rangkaian saraf tiruan mencapai skala tertentu, ditambah dengan kaedah pembelajaran antropomorfik (seperti RLHF), keajaiban tiba-tiba berlaku, dan kecerdasan mula menyingkirkan belenggu otak manusia dan direalisasikan pada komputer!

Namun, masih ada cabaran yang perlu diselesaikan: Bolehkah kita mencapai keajaiban di atas pada mesin yang mempunyai saiz dan penggunaan kuasa yang setanding dengan manusia, seperti robot humanoid?

Pada masa ini, ChatGPT memerlukan lebih daripada 30,000 GPU untuk latihan dan inferens, dengan jumlah kuasa lebih daripada 10 juta watt dan bil elektrik harian kira-kira AS$50,000. Isipadu otak manusia hanya kira-kira 1.5 liter dan kuasanya kurang daripada 20 watt. Jika kita ingin membenamkan kecerdasan buatan am ke dalam robot, atau bahkan dron yang lebih kecil, telefon mudah alih, peralatan rumah pintar atau peranti IoT, kita perlu mengatasi cabaran di atas. Inilah topik yang ingin diterokai oleh buku "Kecerdasan Buatan Terbenam".

Dalam bidang kecerdasan buatan terbenam, kami akan menggunakan kecekapan tenaga yang lebih tinggi untuk melaksanakan algoritma yang lebih diperkemas dan meletakkannya dalam mesin dengan saiz dan berat yang lebih kecil untuk menyelesaikan tugasan penaakulan masa nyata di dunia nyata. Pendek kata, kita mesti melaksanakan kecerdasan buatan dengan cara yang paling diperkemas!

Untuk mengatasi cabaran ini, masalah itu perlu ditangani di semua peringkat. Ringkasnya, untuk merealisasikan kecerdasan buatan tertanam, lima komponen diperlukan.

Cip AI terbenam. Ia adalah pemecut AI dengan kecekapan tenaga yang lebih tinggi.

Algoritma AI ringan. Ia mempunyai kerumitan pengiraan yang lebih rendah dan parameter yang lebih sedikit, tetapi ketepatannya setanding dengan algoritma AI yang besar.

Mampatan model. Ia seterusnya memangkas parameter berlebihan dalam algoritma AI ringan dan menyatakannya dengan cara yang lebih diperkemas.

Pengoptimuman kompilasi. Ia menterjemah model ke dalam pengekodan yang lebih sesuai untuk arahan pemecut AI.

Rangka kerja aplikasi lata berbilang peringkat. Ia menggunakan algoritma yang lebih sesuai pada masa yang lebih sesuai, dengan itu mengurangkan keseluruhan kos sistem dan penggunaan tenaga.

Menggunakan lima komponen ini dalam kombinasi, kecerdasan buatan am dijangka benar-benar tertanam dalam mesin, membolehkan ia melihat, mendengar, bercakap dan berfikir, dan benar-benar "hidup" dan menjadi satu lagi bentuk kehidupan kehidupan.

Sudah tentu, masih jauh lagi untuk merealisasikan impian di atas. Buku ini adalah panduan pengenalan yang meneroka masalah dan menggariskan kaedah dan alat semasa untuk menyelesaikannya. Ia bukan jawapan terakhir, tetapi ia menyediakan kunci untuk sampai ke sana.

Jika anda berminat untuk merealisasikan kecerdasan buatan am pada robot, dron, telefon mudah alih, peralatan rumah pintar dan peranti Internet Perkara, sudah pasti buku ini merupakan buku pengenalan yang berguna.

Ciri-ciri buku ini

1. Domestik Buku pertama yang memperkenalkan kecerdasan buatan terbenam secara menyeluruh.

2. Kandungannya kaya dan terperinci, meliputi prinsip, platform dan amalan kecerdasan buatan terbenam.

3. Buat ringkasan sistematik prinsip kecerdasan buatan terbenam, dengan konsep baru dan organisasi yang jelas.

4. Pengenalan menyeluruh kepada pelaksanaan platform kecerdasan buatan terbenam, termasuk cip rangkaian neural terbenam arus perdana dan rangka kerja perisian.

5. Ringkaskan proses pembangunan kecerdasan buatan terbenam.

6. Menggabungkan prinsip dan amalan, menunjukkan kes aplikasi praktikal kecerdasan buatan terbenam dalam kombinasi dengan kod.

Contoh aplikasi

Dalam bab terakhir buku ini, kami cuba merealisasikan payung matahari terbang berdasarkan dron ini boleh menjejaki pergerakan orang dalam masa nyata dan menyekat orang dari matahari pada bila-bila masa, dengan itu membebaskan tangan orang dan membolehkan anda. untuk menikmati musim panas yang panas Anda boleh pergi membeli-belah, bermain, dan menjadi tumpuan perhatian orang ramai.

Untuk mencapai pengesanan badan manusia dengan payung terjun tanpa pemandu, kami akan menggunakan kaedah penglihatan mesin. Tubuh manusia ditangkap oleh kamera di hadapan payung terjun, dan garis besar badan manusia dikira melalui algoritma anggaran postur manusia yang ringan untuk mendapatkan kedudukan kepala, ciri muka dan sendi anggota badan, dan kemudian menganalisis pergerakan badan manusia untuk meramalkan arah mana orang itu akan bergerak ke hadapan , berundur, berpusing atau naik atau menuruni bukit, supaya payung terjun tanpa pemandu boleh menjejaki pergerakan ini, melaraskan kedudukan ruang payung terjun tanpa pemandu pada bila-bila masa, dan mencapai. berikut dan kesan teduhan matahari pada tubuh manusia.

Memandangkan berat, penggunaan kuasa dan sebab lain, cip AI terbenam khusus mesti digunakan. Dalam buku tersebut, NVIDIA Jetson digunakan sebagai contoh untuk pembangunan. Kini, cip dengan prestasi inferens per watt yang lebih kukuh, seperti SoC berasaskan ARM, telah digunakan secara meluas untuk menghadapi cabaran yang dibawa oleh perkembangan pesat teknologi. Tetapi proses dan kaedah yang diperkenalkan dalam buku masih boleh digunakan.

Untuk membolehkan algoritma ringan di atas memenuhi keperluan penaakulan masa nyata pada cip AI terbenam, adalah perlu untuk menggunakan teknologi pemampatan dan pengoptimuman model untuk memangkas dan mengukur model, mengurangkan parameter model dan membenarkan penaakulan Prestasi meningkat secara eksponen, penggunaan kuasa berkurangan secara eksponen, dan dioptimumkan untuk inferens cip AI terbenam khusus. Buku ini menggunakan TensorRT sebagai contoh untuk menggambarkan bahawa jika SoC berasaskan ARM digunakan, teknologi pemampatan dan pengoptimuman seperti Tensorflow Lite boleh digunakan.

Akhirnya, dengan bantuan ilmu dalam buku ini, kami akhirnya dapat membuat payung tanpa pemandu terbang!

Jadual Kandungan

Leret ke atas untuk membaca

Prinsip Bahagian 1

Bab 1 Kecerdasan Buatan dan Rangkaian Neural Buatan

1.1 Apakah kecerdasan buatan

1.2 Apakah itu rangkaian saraf tiruan

1.3 Otak Manusia

1.4 Komposisi asas rangkaian saraf tiruan

1.4.1 Neuron Buatan

1.4.2 Struktur Rangkaian Neural Tiruan

1.5 Mekanisme pembelajaran rangkaian saraf tiruan

1.6 Jenis Rangkaian Neural Tiruan

1.7 Kelebihan Rangkaian Neural Tiruan

1.8 Rangkaian Neural Dalam

1.8.1 Apakah Rangkaian Neural Dalam

18.2 Rangkaian saraf dalam biasa

1.8.3 Rangkaian Neural Konvolusi

1.9 Carian Seni Bina Rangkaian Neural (NAS)

1.9.1 Ruang Carian

1.9.2 Carian Pembelajaran Pengukuhan

1.9.3 Carian Progresif

1.9.4 Carian Diskret

1.10 Pemindahan Pembelajaran

1.10.1 Apakah itu pembelajaran pemindahan

1.10.2 Jenis pembelajaran pemindahan

1.10.3 Kelebihan pembelajaran pemindahan

1.10.4 Memindahkan kaedah pembelajaran

1.10.5 Memindahkan Pembelajaran dan Kepintaran Buatan Terbenam

Bab 2 Kecerdasan Buatan Terbenam

2.1 Apakah kecerdasan buatan terbenam

2.2 Mengapa Kepintaran Buatan Terbenam Diperlukan

2.3 Percubaan awal: model pengkomputeran awan

2.4 Dari awan ke peranti: mod setempat

2.5 Cabaran Teknikal Kepintaran Buatan Terbenam

2.5.1 Skala model

2.5.2 Kecekapan Tenaga

2.5.3 Akses Memori

2.5.4 Kelajuan inferens

2.5.5 Dimensi dan berat

2.6 Pendekatan pelaksanaan kecerdasan buatan terbenam

2.7 Komponen pelaksanaan kecerdasan buatan terbenam

Bab 3 Prinsip Cip AI Terbenam

3.1 Pengkomputeran Selari

3.2 Susunan Berdenyut

3.3 Cache pelbagai peringkat

3.4 Aliran Data

Bab 4 Rangkaian Neural Ringan

4.1 Kurangkan kerumitan pengiraan

4.1.1 Konvolusi Berkumpulan

4.1.2 Konvolusi arah kedalaman

4.1.3 Konvolusi arah mata

4.1.4 Konvolusi boleh dipisahkan secara mendalam

4.1.5 Saluran pencampuran luar pesanan

4.2 SqueezeNet

4.2.1 Idea Teras

4.2.2 Struktur rangkaian

4.2.3 Prestasi

4.3 Xception

4.3.1 Idea Teras

4.3.2 Struktur rangkaian

4.3.3 Prestasi

4.4 MobileNet v1

4.4.1 Idea Teras

4.4.2 Struktur rangkaian

4.4.3 Prestasi

4.5 MobileNet v2

4.5.1 Idea Teras

4.5.2 Struktur rangkaian

4.5.3 Prestasi

4.6 MnasNet

4.6.1 Idea Teras

4.6.2 Struktur rangkaian

4.6.3 Prestasi

4.7 MobileNet v3

4.7.1 Idea Teras

4.7.2 Struktur rangkaian

4.7.3 Prestasi

4.6 Aplikasi rangkaian saraf ringan

Bab 5 Pemampatan Rangkaian Neural Dalam

5.1 Kaedah am pemampatan rangkaian saraf

5.1.1 Pemangkasan

5.1.2 Perkongsian Berat

5.1.3 Kuantiti

5.1.4 Nilai binari/Ternari

5.1.5 Konvolusi Winograd

5.2 Reka bentuk bersama kompilasi-mampatan

5.2.1 Konsep reka bentuk bersama pemampatan dan kompilasi

5.2.2 Pemampat

5.2.5 Penyusun

5.2.6 Kelebihan reka bentuk bersama pemampatan dan kompilasi

Rangka Kerja Aplikasi Rangkaian Neural Terbenam Bab 6

6.1 Struktur sistem lata berhierarki

6.2 Kecekapan sistem lata berhierarki

6.4 Mod Kerjasama Awan Setempat

Bab 7 Pembelajaran Mendalam Sepanjang Hayat

7.1 Kecacatan dan sebab pembelajaran mendalam tradisional

7.2 Matlamat pembelajaran mendalam sepanjang hayat

7.3 Ciri-ciri pembelajaran mendalam sepanjang hayat

7.4 Implikasi Neurobiologi

7.5 Pelaksanaan Rangkaian Neural Dalam Sepanjang Hayat

7.5.1 Sistem pembelajaran dwi

7.5.2 kemas kini masa nyata

7.5.3 Penggabungan memori

7.5.4 Sesuaikan dengan senario sebenar

7.6 Pembelajaran Mendalam Sepanjang Hayat dan Kepintaran Buatan Terbenam

Platform Bahagian 2

Pemecut Perkakasan Rangkaian Neural Terbenam Bab 8

8.1 Gambaran Keseluruhan

8.2 NVIDIA Jetson

8.2.1 Pengenalan modul Jetson

8.2.1 Struktur dalaman modul Jetson

8.2.3 Persembahan Jetson

8.3 Intel Movidius

8.3.1 Cip VPU Movidius Myriad X

8.3.2 Intel Neural Compute Stick

8.4 Google Edge TPU

8.4.1 Pengenalan kepada Google Edge TPU

8.4.2 Cara TPU Google Edge berfungsi

8.5 XILINX DPU

NPU Etos ARM 8.6

8.6.1 Pemproses Pembelajaran Mesin ARM

Siri 8.6.2 Ethos-N

Siri 8.6.3 Ethos-U

Ringkasan

Rangka Kerja Perisian Rangkaian Neural Terbenam Bab 9

9.1 Tensorflow Lite

9.1.1 Pengenalan kepada TensorFlow Lite

9.1.2 Cara TensorFlow Lite berfungsi

9.2 TensorRT

9.3 OpenVINO

9.3.1 Pengenalan kepada OpenVINO

9.3.2 Struktur VINO Terbuka

9.3.3 Membuka pembangunan aplikasi VINO

9.4 XILINX Vitis

9.5 uTensor

9.6 Apache TVM

Ringkasan

Bahagian 3 Realisasi

Bab 10 Membina Persekitaran Pembangunan Rangkaian Neural Terbenam

10.1 Proses pembangunan AI terbenam

10.2 Proses Pembangunan NVIDIA Jetson

Bab 11 Mengoptimumkan Model Rangkaian Neural Terbenam

11.1 pengoptimuman model TensorFlow

11.1.1 Pengoptimuman selepas latihan

11.1.2 Pengoptimuman semasa latihan

11.2 pengoptimuman model TensorRT

11.2.1 Sepadukan dengan rangka kerja pembelajaran mendalam arus perdana

11.2.2 Penggunaan kepada sistem terbenam

11.2.3 TensorRT API

11.2.4 contoh aplikasi TensorRT

Penukar Model 11.2.5

11.3 Perbandingan dua teknik pengoptimuman model

Bab 12 Melakukan Inferens pada Peranti Terbenam

12.1 Membina projek daripada sumber

12.2 Gunakan ImageNet untuk melaksanakan pengelasan imej

12.2.1 Pengelasan imej statik

12.2.2 Klasifikasi video masa nyata kamera

12.3 Gunakan DetectNet untuk mencapai pengesanan sasaran

13.3.1 Pengesanan sasaran imej statik

13.3.2 Pengesanan sasaran video masa nyata kamera

12.4 Menggunakan SegNet untuk melaksanakan pembahagian semantik

12.4.1 Pembahagian semantik imej statik

12.4.2 Pembahagian Semantik Video

12.5 Menggunakan PyTorch untuk melaksanakan pembelajaran pemindahan

12.6 Menggunakan model diubah

Contoh Aplikasi Rangkaian Neural Terbenam Bab 13

13.1 Senario Aplikasi

13.2 Pemilihan Perkakasan

13.3 Pembangunan Model

Kesimpulan: Kecerdasan dalam semua perkara

Atas ialah kandungan terperinci Cadangan Buku Baharu |. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!