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

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(jī)器學(xué)習(xí)的數(shù)學(xué)視角 5
1.2.1　機(jī)器學(xué)習(xí)和非機(jī)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(yùn)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(yùn)算節(jié)點初始化 108
4.3.3　調(diào)用后端運(yùn)算節(jié)點進(jìn)行前向運(yùn)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(yùn)算類詳解 134
5.3.4　卷積核函數(shù)auto-tuning機(jī)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(yùn)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(yùn)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(yùn)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(yùn)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