在数字化时代，嵌入式人工智能系统和深度学习等技术变得越来越重要。在嵌入式平台上进行深度学习推理时会受到计算能力、存储空间、能耗等资源限制的挑战。本书从深度学习模型在资源受限的硬件平台上部署的角度，介绍嵌入式AI系统的基本概念、需求、挑战，以及其软硬件解决方案。 本书共分为7章。第1章介绍了边缘计算； 第2章介绍了嵌入式AI系统的基本概念及其面临的需求与挑战； 第3章介绍了嵌入式AI系统的硬件解决方案； 第4~6章介绍了嵌入式AI系统的软件解决方案，包括DNN模型的构建及实现、轻量级DNN模型的构建、模型轻量化方法及实现； 第7章介绍了DNN模型的硬件部署。本书提供了基于Python语言和Torch API的大量代码解析，并针对Intel系列和NVIDIA系列芯片的硬件部署分别进行介绍。 本书适合作为高等院校计算机专业、软件工程专业的教材，也可供对深度学习、计算机视觉、嵌入式AI系统等感兴趣的开发人员、广大科技工作者和研究人员参考。

袁雪，北京交通大学教授，博士生导师。近几年，在国内外权威杂志发表论文60余篇，其中被 SCI收录20篇、EI收录10余篇。现已获授权国家发明专利8项（日本专利3项）。作为课题负责人主持国家自然科学基金3项、北京市科委重大研究专项1项、教育部博士点基金、中央高校基本科研业务费等；国家863项目等多项科研项目。在计算机视觉领域深耕20余年，有着扎实的学术基础和丰富的项目经验。

前言 全 球正在进入数字化新时代，以云计算、大数据、人工智能与物联网为代表的数字技术已经快速发展。数字化时代的到来使得深度学习和嵌入式人工智能技术变得越来越重要。嵌入式人工智能是指设备可以在不依赖于互联网且不通过云端数据中心的情况下进行智能计算，利用本地的计算资源来实现深度学习模型的推理。嵌入式人工智能可以完成实时的环境感知、人机交互和决策控制。然而，在嵌入式平台上进行深度学习推理时，由于算力、能耗、存储空间等方面的限制，人工智能系统在推理环节会遇到许多挑战。本书旨在介绍深度学习模型如何在嵌入式平台上完成部署，包括软硬件两个方面。本书介绍的内容有边缘计算、人工智能计算芯片、常用的深度卷积神经网络模型、轻量级深度卷积神经网络、深度学习模型轻量化的方法以及深度学习模型的硬件部署。 本书采用结构性思维，提供多张框图，使整书脉络清晰、环环相扣，读者可以快速把握本书的结构脉络并关注细节。另外，书中采用大量生动的图表来说明枯燥的理论，并引用大量的实验结果比较不同方法之间的性能差异，这些都可以让一本枯燥的技术书籍更加易于理解。作者从大量的科研论文中寻找相关资料，并将论文中看起来比较枯燥的公式、图、表变得更有趣、易懂。同时，本书采用简洁、平实并且有趣的方式来叙述，采用结构图、原理图来表达比较复杂的理论或公式。本书可以帮助读者快速建立起知识体系。 本书提供了可运行的代码示例，注释清晰、详细，配备视频教程，并附有相关注释，为读者打造全方位的学习体验，使读者在建立知识体系的同时掌握算法设计、模型压缩以及模型部署的方法。近年来，作者在承担40余项...