雲邊端融合-終端智能信息處理技術 王吉 9787121477867 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$560
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202405*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：雲邊端融合-終端智能信息處理技術 ISBN：9787121477867 出版社：電子工業 著編譯者：王吉 頁數：218 所在地：中國大陸 *此為代購商品 書號：1647487 可大量預訂，請先連絡。 內容簡介 本書深入探討了雲邊端融合計算模式下的終端智能信息處理技術，針對當前終端信息處理髮展的主要挑戰和趨勢，從數據傳輸和智能計算兩個方面展開研究。在數據傳輸方面，本書著重解決終端設備與邊緣設備、雲中心之間的高效數據傳輸問題，優化雲邊端三層之間的數據傳輸效用，緩解鏈路擁塞、解決數據冗餘等問題。在智能計算方面，本書圍繞智能模型的學習訓練與部署運行這兩個主要過程，針對終端設備算力、續航力受限的挑戰，研究雲邊端融合計算模式下的智能計算模型學習訓練和部署運行方法，實現終端智能計算模型的高效推理與持續演進。本書的研究成果有助於推動終端智能服務的發展，具有較高的理論意義和實踐價值。 本書適合人工智慧、計算機科學等相關領域的工程技術人員閱讀，也可作為高等院校相關專業師生的參考用書。目錄 第1章 緒論1 1 終端智能信息處理 1 1 1 終端智能信息處理的內涵 1 1 2 終端智能信息處理的現實需求 1 1 3 終端智能信息處理的挑戰 1 2 雲邊端融合計算模式 1 2 1 雲邊端融合計算模式的發展 1 2 2 雲邊端融合的終端智能信息處理框架 1 2 3 雲邊端融合計算模式面臨的挑戰 1 3 本書關注的問題 1 3 1 具體問題分析 1 3 2 研究內容與創新點 1 4 本書研究的科學意義與實踐價值 第2章 終端設備數據傳輸鏈路自主協同選擇 2 1 引言 2 1 1 問題分析 2 1 2 相關工作 2 2 系統模型 2 3 終端設備鏈路選擇博弈 2 3 1 博弈模型構建 2 3 2 博弈性質分析 2 4 分散式鏈路選擇演算法 2 4 1 演算法設計 2 4 2 收斂性分析 2 5 實驗評估 2 5 1 收斂性 2 5 2 性能提升 2 5 3 原型系統 2 6 本章小結 第3章 終端設備數據分散式協同傳輸優化 3 1 引言 3 1 1 問題分析 3 1 2 相關工作 3 2 系統模型與問題形式化 3 3 自適應分散式優化方法 3 3 1 關聯傳輸決策 3 3 2 在線分散式調度演算法 3 3 3 理論分析 3 4 實驗評估 3 4 1 能耗-效用均衡 3 4 2 反饋延遲與採樣大小對性能的影響 3 4 3 對通道狀態的適應性 3 4 4 終端設備丟失的自適應性 3 4 5 性能比較 3 4 6 原型系統測試 3 5 本章小結 第4章 基於深度神經網路分割的雲端協同智能推理 4 1 引言 4 1 1 問題分析 4 1 2 相關工作 4 2 預備知識 4 2 1 深度神經網路 4 2 2 遷移學習 4 2 3 差分隱私準則 4 3 雲端協同智能推理框架 4 3 1 框架概覽 4 3 2 端側數據轉換 4 3 3 雲側雜訊訓練 4 4 實驗評估 4 4 1 參數選擇 4 4 2 數據轉換擾動對性能的影響 4 4 3 性能比較 4 4 4 隱私保護預算分析 4 4 5 原型系統測試 4 5 本章小結 第5章 面向端側自主智能推理的智能計算模型壓縮 5 1 引言 5 1 1 問題分析 5 1 2 相關工作 5 2 基於知識萃取的智能模型壓縮框架 5 2 1 框架概覽 5 2 2 模型壓縮訓練 5 2 3 數據安全隱私保護 5 2 4 查詢樣本選取 5 3 實驗評估 5 3 1 參數對性能的影響 5 3 2 安全隱私性能分析 5 3 3 模型壓縮性能分析 5 4 本章小結 第6章 基於聯邦學習的雲邊端協同智能模型訓練 6 1 引言 6 1 1 問題分析 6 1 2 相關工作 6 2 預備知識 6 2 1 聯邦學習 6 2 2 動態帶寬和不可靠網路 6 2 3 梯度壓縮 6 3 雲邊端協同聯邦學習訓練框架 6 4 面向動態不可靠網路的聯邦學習演算法 6 4 1 演算法設計 6 4 2 理論分析 6 5 實驗評估 6 5 1 實驗設置 6 5 2 整體性能比較 6 5 3 準確性比較 6 5 4 通信效率比較 6 5 5 通信壓縮率的影響 6 5 6 不可靠網路的影響 6 5 7 終端規模的影響 6 6 本章小結 第7章 基於完全分散式學習的端側智能模型訓練 7 1 引言 7 1 1 問題分析 7 1 2 相關工作 7 2 完全分散式智能模型訓練框架 7 3 分散式訓練動態控制演算法 7 3 1 模型構建 7 3 2 問題形式化 7 3 3 問題求解的近似 7 3 4 演算法設計 7 4 實驗評估 7 4 1 整體性能比較 7 4 2 準確性比較 7 4 3 資源效率比較 7 4 4 數據分佈的影響 7 4 5 資源預算的影響 7 4 6 終端移動性的影響 7 4 7 終端規模的影響 7 4 8 原型系統測試 7 5 本章小結 附錄A LocalUpdate（Wit）函數、FedAvg及C-FedAvg演算法 A 1 LocalUpdate（wit）函數 A 2 FedAvg及C-FedAvg演算法 附錄B 定理6 1證明 附錄C Alpha-GossipSGD中的相關函數 C 1 LocalUpdate函數 C 2 MNLRS函數 C 3 Alpha-Gossip函數 參考文獻 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
