中图网

>

硬件外部设备维修

深度学习嵌入式应用开发:基于RK3399Pro和RK3588

作者：王曰海著

出版社：机械工业出版社出版时间：2022-11-01

开本： 24cm 页数： 10,230页

本类榜单：计算机/网络销量榜

中图价:¥72.3(7.3折) 定价 ~~¥99.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满69元免运费

?快递不能达地区使用邮政小包，运费14元起

云南、广西、海南、新疆、青海、西藏六省，部分地区快递不可达

本类五星书更多>

>
全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

全国计算机等级考试最新真考题库模拟考场及详解·二级MSOffice高级应用

¥11.3¥45
>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥28.2¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥55.2¥69
>
第一行代码Android

第一行代码Android

¥76.2¥99
>
C Primer Plus 第6版中文版

C Primer Plus 第6版中文版

¥75.6¥108
>
深度学习

深度学习

¥82.3¥168
>
MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

MATLAB计算机视觉与深度学习实战-赠在线交流卡和本书源码

¥43.5¥79

商品详情
商品评论(0条)

中图价:¥72.3 加入购物车

版权信息
本书特色
内容简介
目录

微信公众号

深度学习嵌入式应用开发:基于RK3399Pro和RK3588 版权信息

ISBN：9787111715757
条形码：9787111715757 ; 978-7-111-71575-7
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
硬件外部设备维修

深度学习嵌入式应用开发:基于RK3399Pro和RK3588 本书特色

适读人群：本书的读者对象包括深度学习的初学者以及从事人工智能的开发者。本书的内容包括深度学习基本原理和基于RK3399Pro与RK3588的深度学习实践，包含深度学习的理论知识和丰富的开

深度学习嵌入式应用开发:基于RK3399Pro和RK3588 内容简介

本书的主要内容深度学习基础、卷积神经网络、循环神经网络、深度神经网络的训练、RK3399Pro芯片功能与架构、TB-RK3399Pro开发板、基于TB-RK3399Pro进行卷积神经网络实战、TB-RK3399Pro神经网络运算加速等。

深度学习嵌入式应用开发:基于RK3399Pro和RK3588 目录

前言
第1章　深度学习基础　1
1.1　深度学习的现实应用　2
1.1.1　计算机视觉　2
1.1.2　自然语言处理　2
1.1.3　推荐系统　3
1.1.4　语音处理　3
1.1.5　其他领域　3
1.2　回归问题和分类问题　4
1.2.1　线性回归　5
1.2.2　Softmax分类　6
1.3　梯度下降算法　8
1.3.1　优化算法概述　8
1.3.2　随机梯度下降算法　10
1.3.3　小批量梯度下降算法　13
1.3.4　Momentum梯度下降
算法　14
1.3.5　Adam优化算法　15
1.4　神经网络　16
1.4.1　神经网络的表示　16
1.4.2　激活函数及其导数　19
1.4.3　前向传播和反向传播　23
1.4.4　神经网络的梯度下降　26
1.5　本章小结　27
第2章　卷积神经网络　28
2.1　卷积基础知识　28
2.1.1　卷积操作　29
2.1.2　池化　33
2.1.3　卷积的变种　34
2.2　深度卷积神经网络　37
2.2.1　卷积神经网络的整体
结构　37
2.2.2　残差结构和1×1卷积　38
2.2.3　经典卷积网络　41
2.3　卷积神经网络的应用　44
2.3.1　图像分类　44
2.3.2　目标检测　45
2.3.3　其他应用　49
2.4　本章小结　49
第3章　循环神经网络　50
3.1　深度循环神经网络　50
3.1.1　循环神经网络概述　51
3.1.2　基于时间的反向传播　52
3.1.3　循环神经网络的长期依赖
问题　54
3.2　循环神经网络变体　55
3.2.1　长短时记忆网络　55
3.2.2　门控循环神经网络　60
3.3　序列模型和注意力机制　61
3.3.1　Seq2Seq序列模型　62
3.3.2　注意力机制　64
3.3.3　Transformer结构　69
3.4　循环神经网络的应用　74
3.4.1　自然语言处理　74
3.4.2　语音识别　84
3.4.3　唤醒词检测　87
3.5　本章小结　88
第4章　深度神经网络的训练　90
4.1　深度学习的学习策略　90
4.1.1　数据集划分和评估指标　90
4.1.2　偏差、方差和误差　94
4.1.3　神经网络的权重初始化　95
4.2　深度学习的训练技巧　96
4.2.1　梯度消失和梯度爆炸　96
4.2.2　正则化和随机失活　97
4.2.3　归一化　99
4.2.4　自适应学习率　100
4.2.5　超参数优化　101
4.3　改善模型表现　102
4.3.1　解决数据不匹配问题　102
4.3.2　迁移学习　103
4.4　动手训练神经网络　104
4.4.1　Jupyter Notebook的
使用　104
4.4.2　训练MNIST手写数字识别模型　106
4.4.3　TensorBoard的使用　112
4.5　本章小结　115
第5章　RK3399Pro芯片功能与
架构　116
5.1　RK3399Pro芯片的整体架构　116
5.2　神经网络处理单元　121
5.2.1　神经网络处理单元的
4个模块　122
5.2.2　RKNN-Toolkit开发
套件　123
5.2.3　RKNN-API开发套件　126
5.3　视频处理单元　126
5.4　图形处理加速单元　128
5.5　本章小结　128
第6章　TB-RK3399Pro开发板　130
6.1　开发板硬件环境介绍　130
6.1.1　硬件总览　130
6.1.2　硬件规格　131
6.2　开发板开发环境搭建　134
6.2.1　开发板的启动和网络
配置　134
6.2.2　终端与软件包安装　138
6.3　本章小结　144
第7章　基于TB-RK3399Pro进行卷积神经网络实战　145
7.1　TB-RK3399Pro图像采集　145
7.1.1　原理　145
7.1.2　实战　146
7.2　TB-RK3399Pro手写数字
识别　147
7.2.1　原理　147
7.2.2　实战　150
7.3　TB-RK3399Pro YOLO目标
检测　152
7.3.1　原理　153
7.3.2　实战　154
7.4　TB-RK3399Pro人脸识别　156
7.4.1　原理　156
7.4.2　实战　162
7.5　本章小结　163
第8章　TB-RK3399Pro神经网络
运算加速　165
8.1　神经网络运算加速引擎介绍　165
8.2　神经网络模型部署和推理　166
8.2.1　模型部署　167
8.2.2　模型推理　169
8.3　神经网络模型量化　170
8.4　本章小结　173
第9章　基于TB-RK3399Pro开发板进行循环神经网络实战　174
9.1　TB-RK3399Pro开发板声音
采集　174
9.1.1　**环境安装　174
9.1.2　声音采集　175
9.2　语音识别模型介绍　176
9.2.1　特征提取　177
9.2.2　语音识别网络　180
9.2.3　评价指标　182
9.3　TB-RK3399Pro语音识别
实战　182
9.3.1　实战目的　182
9.3.2　实战数据　182
9.3.3　实战环境　183
9.3.4　实战步骤　183
9.3.5　实战结果　187
9.4　本章小结　188
第10章　基于Rock-X API的深度
学习案例　189
10.1　Rock-X SDK介绍　189
10.2　Rock-X环境部署　190
10.3　目标检测　190
10.4　车牌识别　