OpenCV深度學(xué)習(xí)應(yīng)用與性能優(yōu)化實踐

定　價：￥89.00

作　者：	吳至文，郭葉軍，宗煒，李鵬，趙娟著
出版社：	機械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

京東 (￥89.00)

ISBN：	9787111656463	出版時間：	2020-07-01	包裝：	平裝
開本：	16開	頁數(shù)：	300	字數(shù)：

內(nèi)容簡介

　　深度剖析OpenCV DNN模塊的架構(gòu)、原理與加速策略等；重點介紹了 CPU/GPU加速原理與實現(xiàn)，諸如Intel GPU架構(gòu)與參考實現(xiàn)，Vukan與OpenCL的加速實現(xiàn)；詳細講解可視化工具與主流OpenCV深度學(xué)習(xí)應(yīng)用，如支付級別人臉識別、圖像分類、目標(biāo)檢測等。

作者簡介

　　吳至文　Intel亞太研發(fā)有限公司資深圖形圖像工程師，擁有多年算法開發(fā)優(yōu)化經(jīng)驗，技術(shù)領(lǐng)域涵蓋顯示系統(tǒng)、視覺處理、深度學(xué)習(xí)框架加速，尤其擅長基于OpenCL和Vulkan的算法設(shè)計及優(yōu)化，是OpenCV DNN模塊Vulkan后端的作者、OpenCL后端主要貢獻者之一。近期關(guān)注深度學(xué)習(xí)視覺算法開發(fā)及其高效部署。郭葉軍　Intel資深圖形圖像工程師。多年圖形芯片驅(qū)動開發(fā)經(jīng)驗，主要包括OpenGL驅(qū)動和OpenCL驅(qū)動。目前關(guān)注視頻分析中的深度學(xué)習(xí)，是FFmpeg深度學(xué)習(xí)模塊的代碼維護者。宗煒　Intel資深圖形圖像工程師，長期從事計算機視覺算法與應(yīng)用、數(shù)字圖像處理、Camera成像算法開發(fā)，在CPU/GPU/ISP異構(gòu)計算算法設(shè)計與優(yōu)化上經(jīng)驗頗豐，是圖像處理與計算機視覺算法開源項目libXCam的維護者和主要貢獻者。近期關(guān)注低延時、超高分辨率VR視頻直播方案的開發(fā)和部署。李鵬　阿里巴巴高級技術(shù)專家，原Intel亞太研發(fā)有限公司資深圖形圖像工程師。涉及領(lǐng)域包括顯示系統(tǒng)、圖形圖像處理、深度學(xué)習(xí)框架加速。是OpenCV DNN模塊OpenCL后端主要貢獻者之一。趙娟　Intel高級研發(fā)經(jīng)理，鉆研圖形圖像、視頻編解碼和視頻處理十幾年，帶領(lǐng)團隊深耕視頻編解碼和處理軟硬件加速、深度學(xué)習(xí)算法分析與設(shè)計，致力于讓開源軟件在圖形圖像視頻市場落地，并組織團隊把多年的“干貨”整理成書，與視頻行業(yè)的朋友們一起探討與成長。

圖書目錄

目錄

序一
序二
序三
序四
前言
第1章OpenCV和深度學(xué)習(xí) 1
1.1　OpenCV處理流程 1
1.1.1　OpenCV庫 1
1.1.2　OpenCV深度學(xué)習(xí)應(yīng)用的典型流程 3
1.2　機器學(xué)習(xí)的數(shù)學(xué)視角 5
1.2.1　機器學(xué)習(xí)和非機器學(xué)習(xí) 5
1.2.2　從人工神經(jīng)網(wǎng)絡(luò)到深度學(xué)習(xí) 8
1.2.3　破除神秘——神經(jīng)網(wǎng)絡(luò)是如何訓(xùn)練的 11
1.3　OpenCV深度學(xué)習(xí)模塊 16
1.3.1　主要特性 16
1.3.2　OpenCV DNN圖像分類舉例（Python） 17
1.4　本章小結(jié) 19
第2章OpenCV深度學(xué)習(xí)模塊解析 20
2.1　深度學(xué)習(xí)模塊分層架構(gòu)總覽 20
2.2　語言綁定和測試層 21
2.2.1　深度學(xué)習(xí)模塊的Python語言綁定 21
2.2.2　深度學(xué)習(xí)模塊的正確性測試和性能測試 23
2.3　API層 30
2.3.1Layer 30
2.3.2Net 32
2.3.3 35
2.4DNN 37
2.4.1 37
2.4.2　推理引擎數(shù)據(jù)對象管理 43
2.4.3　推理引擎重點層解釋 47
2.4.4　層的合并優(yōu)化 62
2.5　引擎加速層 66
2.5.1　深度學(xué)習(xí)模塊支持的運算目標(biāo)設(shè)備 67
2.5.2　深度學(xué)習(xí)模塊支持的加速后端 68
2.5.3　加速方式的選擇 69
2.6　本章小結(jié) 70
第3章并行計算與GPU架構(gòu) 71
3.1　并行計算淺談 71
3.2　Intel GPU架構(gòu)及其在并行計算中的應(yīng)用 74
3.2.1Intel GPU 74
3.2.2SIMD棗AOSSOA 82
3.2.3cl_intel_subgroupsIntel GPU 89
3.3 100
4基于Vulkan的加速實現(xiàn) 101
4.1　初識Vulkan 101
4.2　使用Vulkan加速 102
4.3　Vulkan后端加速過程解析 104
4.3.1　數(shù)據(jù)對象初始化 105
4.3.2　后端運算節(jié)點初始化 108
4.3.3　調(diào)用后端運算節(jié)點進行前向運算 111
4.3.4　Vulkan后端庫 113
4.4　本章小結(jié) 119
第5章基于OpenCL的加速實現(xiàn) 120
5.1　OpenCL簡介 120
5.2　如何使用OpenCL加速 125
5.3　OpenCL加速詳解 128
5.3.1　OpenCL API封裝 129
5.3.2　DNN模塊的卷積層實現(xiàn)詳解 132
5.3.3　ocl4dnn庫的卷積運算類詳解 134
5.3.4　卷積核函數(shù)auto-tuning機制解析 138
5.4　本章小結(jié) 143
第6章CPU及第三方庫加速的實現(xiàn) 144
6.1　原生CPU加速實現(xiàn) 144
6.1.1　基于多線程技術(shù)的加速 147
6.1.2　基于并行指令的加速 153
6.2　Halide后端的實現(xiàn) 157
6.2.1　Halide介紹 158
6.2.2　如何啟用Halide 163
6.2.3　Halide后端的實現(xiàn)原理 165
6.3　Intel推理引擎后端的實現(xiàn) 171
6.3.1　Intel推理引擎介紹 171
6.3.2　如何啟用推理引擎后端 172
6.3.3　Intel推理引擎后端的實現(xiàn)原理 176
6.4　本章小結(jié) 185
第7章可視化工具與性能優(yōu)化 186
7.1　Netscope：基于Web的Caffe網(wǎng)絡(luò)可視化工具 186
7.2　TensorBoard：助力TensorFlow程序的理解和調(diào)試 188
7.2.1　圖的可視化 188
7.2.2　數(shù)據(jù)的可視化 191
7.2.3　調(diào)試的可視化 197
7.3VTuneIntel 199
7.3.1 200
7.3.2Intel VTune 202
7.3.3VTune 211
7.4　程序優(yōu)化流程總結(jié)和建議 213
7.5　本章小結(jié) 215
第8章支付級人臉識別項目開發(fā)實戰(zhàn) 216
8.1　活體檢測的概念與方法 216
8.2　支付級人臉識別項目流程 218
8.3　基于OpenCV的支付級人臉識別項目具體實現(xiàn) 220
8.3.1　數(shù)據(jù)準(zhǔn)備 222
8.3.2　活體檢測模型訓(xùn)練 230
8.3.3　支付級人臉識別系統(tǒng)實現(xiàn) 238
8.4　本章小結(jié) 244
第9章深度學(xué)習(xí)模塊不同場景下的應(yīng)用實踐 245
9.1　圖像分類 245
9.1.1　圖像分類經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu) 245
9.1.2　GoogLeNet 247
9.1.3　圖像分類程序源碼分析 249
9.1.4　圖像分類程序運行結(jié)果 255
9.2　目標(biāo)檢測 256
9.2.1　SSD算法解析 256
9.2.2　目標(biāo)檢測程序源碼分析 257
9.2.3　目標(biāo)檢測程序運行結(jié)果 260
9.3　語義分割 261
9.3.1　FCN模型 262
9.3.2　語義分割程序源碼分析 263
9.3.3　語義分割程序運行結(jié)果 267
9.4　視覺風(fēng)格變換 268
9.4.1　視覺風(fēng)格變換模型 268
9.4.2　視覺風(fēng)格變換程序源碼分析 269
9.4.3　視覺風(fēng)格變換程序運行結(jié)果 271
9.5　本章小結(jié) 273
附錄AOpenCV的編譯安裝及patch開發(fā)流程 274
附錄Bintel_gpu_frequency工具的安裝和使用 280