1.本書面向人工智能的嵌入式應用，涵蓋了基於運算量，內存，功耗等多維度的機器學習算法優化理論與技術。從算法到機器學習算法訓練-推理聯合優化及自動優化部署算法等方面進行闡述，並結合通用嵌入式處理器進行了驗證。本書集機器學習算法優化理論和應用實踐為一體，為實現高效的人工智能嵌入式繫統提供了基礎理論與方法。2.本書作者常年從事嵌入式教學與研究，書中的內容凝練了他們長期從事人工智能算法研究與繫統設計的研究與經驗，為人工智能應用普及提供了詳實的學習和研究指南。3。本書配套的源代碼和教輔材料可在華章等

●前言第1章  緒論 11.1  AI嵌入式繫統的概念與特點 11.2  機器學習在嵌入式繫統中的實現 41.3  本書內容概述 6第2章  嵌入式軟件編程模式和優化 82.1  嵌入式軟件編程模式 82.1.1  基於周期調用的運行模式 92.1.2  基於中斷的前後臺運行模式 122.1.3  基於事件隊列的運行模式 142.1.4  帶時間信息的事件隊列運行模式 162.1.5  計算圖運行模式 172.2  通用軟件優化方法 202.2.1  循環結構優化 212.2.2  時間空間平衡 232.2.3  運算精度和性能平衡 252.2.4  底層運算的快速實現算法 282.2.5  內存使用優化 302.3  小結 34參考文獻 34第3章  機器學習算法概述 353.1  高斯樸素貝葉斯分類器 353.1.1  原理概述 353.1.2  模型訓練和推理 363.2  感知器 383.2.1  原理概述 383.2.2  模型訓練和推理 393.3  SVM分類器 403.3.1  原理概述 403.3.2  模型訓練和推理 423.4  決策樹 433.4.1  原理概述 433.4.2  模型訓練和推理 443.4.3  決策樹分類器的代碼實現 453.5  線性數據降維 473.5.1  原理概述 473.5.2  模型訓練和推理 473.6  神經網絡 483.6.1  原理概述 483.6.2  模型訓練和推理 503.7  小結 54參考文獻 54第4章  數值的表示和運算 554.1  浮點數 554.1.1  單精度和雙精度浮點數 554.1.2  16位浮點數 574.2  定點數 614.2.1  定點數的二進制表示形式 614.2.2  定點數的運算 644.2.3  給定算法的定點化方法 714.3  仿射映射量化 784.3.1  量化數據表示 784.3.2  量化數據運算 834.3.3  基於量化數據的矩陣運算 844.4  常數整數乘法優化 884.4.1  基於正則有符號數的常數整數乘法優化 894.4.2  基於運算圖的常數整數乘法優化 924.4.3  多常數整數乘法優化 974.4.4  浮點數和整數常數乘法優化 1014.4.5  常數整數乘法優化的應用 1034.5  小結 108參考文獻 108第5章  卷積運算優化 1095.1  卷積運算的定義 1095.1.1  一維線性卷積 1105.1.2  一維循環卷積 1115.1.3  二維線性卷積 1125.1.4  二維循環卷積 1135.2  快速卷積算法 1145.2.1  一維循環卷積頻域快速算法 1145.2.2  短序列一維線性卷積快速算法 1175.2.3  長序列一維線性卷積的構建 1245.2.4  快速FIR濾波器算法 1295.2.5  二維快速卷積算法 1405.3  近似卷積算法 1525.3.1  基於卷積核低秩分解的二維快速卷積 1535.3.2  矩形卷積核近似卷積 1545.3.3  分段線性卷積核近似 1605.3.4  卷積核的分段近似 1645.3.5  基於IIR濾波器的近似卷積 1685.3.6  基於卷積核低秩近似的二維近似快速卷積 1725.3.7  基於二維矩形卷積核的近似快速卷積 1735.4  小結 176參考文獻 177第6章  矩陣乘法優化 1786.1  機器學習算法中的矩陣乘法 1786.2  Strassen矩陣相乘算法 1806.3  Winograd矩陣相乘算法 1846.4  低秩矩陣乘法 1876.5  循環矩陣乘法 1886.6  近似矩陣乘法 1906.6.1  基於矩陣低秩近似的矩陣乘法 1916.6.2  基於數據統計相關性的近似矩陣乘法 1926.6.3  基於向量量化的近似矩陣乘法 1946.7  小結 202參考文獻 203第7章  神經網絡的實現與優化 2047.1  神經網絡基本運算及軟件實現 2057.1.1  全連接層運算 2057.1.2  卷積層運算 2077.1.3  BN層運算 2137.1.4  激活層運算 2147.1.5  池化層運算 2167.1.6  神經網絡示例 2177.2  神經網絡的權重繫數優化 2217.2.1  權重繫數二值化 2227.2.2  權重繫數的定點數量化 2247.2.3  權重繫數量化和神經網絡訓練結合 2267.3  神經網絡結構優化 2337.3.1  剪枝優化 2337.3.2  卷積結構優化 2457.3.3  知識蒸餾 2517.4  小結 255參考文獻 255第8章  ARM平臺上的機器學習編程 2578.1  CMSIS軟件框架概述 2588.2  CMSIS-DSP軟件框架和編程 2618.2.1  矩陣運算 2638.2.2  高斯樸素貝葉斯算法實現 2678.2.3  SVM算法實現 2718.2.4  數據降維 2758.3  基於CMSIS-NN的神經網絡編程 2778.3.1  基於卷積神經網絡的手寫數字識別算法 2778.3.2  CMSIS-NN的卷積神經網絡實

本書介紹機器學習推理算法在嵌入式繫統中的底層實現技術與優化。給出不同層級的優化方法，包括面向機器學習推理模型結構的優化；面向運算圖中各個算子計算優化；面向二進制比特運算優化以及面向CPU硬件特性的優化。內容結合了理論和實踐，其中底層算法的優化方法涉及其背後的信號處理理論介紹，但同時通過應用例子和大量代碼說明其軟件實現方法。所討論的內容能夠幫助讀者在嵌入式平臺上實現機器學習算法，另外也為進一步實現通用的嵌入式環境下機器學習算法自動優化和部署工具的開發提供基本知識。本書內容面向電子信息及計算機專業本科教學，也可供相關領域工程技術人員參考。