17.
机器人系统
search
Quick search
code
Show Source
GitHub
Table Of Contents
1. 前言
2. 导论
2.1. 机器学习应用
2.2. 机器学习框架的设计目标
2.3. 机器学习框架的基本组成原理
2.4. 机器学习系统生态
2.5. 图书结构和读者
3. 编程接口
3.1. 机器学习系统编程模型的演进
3.2. 机器学习工作流
3.3. 定义深度神经网络
3.4. C/C++编程接口
3.5. 机器学习框架的编程范式
3.6. 总结
3.7. 扩展阅读
4. 计算图
4.1. 计算图的设计背景和作用
4.2. 计算图的基本构成
4.3. 计算图的生成
4.4. 计算图的调度
4.5. 总结
4.6. 扩展阅读
5. 第二部分:进阶篇
6. 编译器前端
6.1. 概述
6.2. 中间表示
6.3. 自动微分
6.4. 类型系统和静态分析
6.5. 常见前端编译优化方法
6.6. 总结
6.7. 扩展阅读
7. 编译器后端和运行时
7.1. 概述
7.2. 计算图优化
7.3. 算子选择
7.4. 内存分配
7.5. 计算调度与执行
7.6. 总结
7.7. 扩展阅读
8. 硬件加速器
8.1. 概述
8.2. 加速器基本组成原理
8.3. 加速器基本编程原理
8.4. 加速器实践
8.5. 总结
8.6. 扩展阅读
8.7. 参考文献
9. 数据处理框架
9.1. 概述
9.2. 易用性设计
9.3. 高效性设计
9.4. 保序性设计
9.5. 单机数据处理性能的扩展
9.6. 总结
9.7. 扩展阅读
10. 模型部署
10.1. 概述
10.2. 训练模型到推理模型的转换及优化
10.3. 模型压缩
10.4. 模型推理
10.5. 模型的安全保护
10.6. 总结
10.7. 扩展阅读
11. 分布式训练
11.1. 系统概述
11.2. 分布式方法
11.3. 流水线并行
11.4. 集合通信
11.5. 参数服务器
11.6. 总结
11.7. 扩展阅读
11.8. 参考文献
12. 第三部分:拓展篇
13. 深度学习推荐系统
13.1. 背景
13.2. 主流系统架构
13.3. 现有解决方案及其存在的问题
13.4. 未来可以探索的方向
13.5. 小结
13.6. 扩展阅读
13.7. 参考文献
14. 联邦学习系统
14.1. 概述
14.2. 横向联邦学习
14.3. 纵向联邦学习
14.4. 隐私加密算法
14.5. 展望
14.6. 小结
15. 强化学习系统
15.1. 强化学习介绍
15.2. 单节点强化学习系统
15.3. 分布式强化学习系统
15.4. 多智能体强化学习
15.5. 多智能体强化学习系统
15.6. 小结
15.7. 参考文献
16. 可解释性AI系统
16.1. 背景
16.2. 可解释AI定义
16.3. 可解释AI算法现状介绍
16.4. 可解释AI系统及实践
16.5. 未来可解释AI
16.6. 参考文献
17. 机器人系统
17.1. 概述
17.2. 通用机器人操作系统
17.3. 机器人操作系统(ROS)的入门案例
17.4. 感知系统
17.5. 感知系统案例
17.6. 规划系统
17.7. 规划系统案例
17.8. 控制系统
17.9. 控制系统案例
17.10. 在机器人项目中安全的应用机器学习
17.11. 小结
17.12. 参考文献
附录:机器学习介绍
1. 神经网络
2. 梯度下降与反向传播
3. 经典机器学习方法
4. 参考文献
Table Of Contents
1. 前言
2. 导论
2.1. 机器学习应用
2.2. 机器学习框架的设计目标
2.3. 机器学习框架的基本组成原理
2.4. 机器学习系统生态
2.5. 图书结构和读者
3. 编程接口
3.1. 机器学习系统编程模型的演进
3.2. 机器学习工作流
3.3. 定义深度神经网络
3.4. C/C++编程接口
3.5. 机器学习框架的编程范式
3.6. 总结
3.7. 扩展阅读
4. 计算图
4.1. 计算图的设计背景和作用
4.2. 计算图的基本构成
4.3. 计算图的生成
4.4. 计算图的调度
4.5. 总结
4.6. 扩展阅读
5. 第二部分:进阶篇
6. 编译器前端
6.1. 概述
6.2. 中间表示
6.3. 自动微分
6.4. 类型系统和静态分析
6.5. 常见前端编译优化方法
6.6. 总结
6.7. 扩展阅读
7. 编译器后端和运行时
7.1. 概述
7.2. 计算图优化
7.3. 算子选择
7.4. 内存分配
7.5. 计算调度与执行
7.6. 总结
7.7. 扩展阅读
8. 硬件加速器
8.1. 概述
8.2. 加速器基本组成原理
8.3. 加速器基本编程原理
8.4. 加速器实践
8.5. 总结
8.6. 扩展阅读
8.7. 参考文献
9. 数据处理框架
9.1. 概述
9.2. 易用性设计
9.3. 高效性设计
9.4. 保序性设计
9.5. 单机数据处理性能的扩展
9.6. 总结
9.7. 扩展阅读
10. 模型部署
10.1. 概述
10.2. 训练模型到推理模型的转换及优化
10.3. 模型压缩
10.4. 模型推理
10.5. 模型的安全保护
10.6. 总结
10.7. 扩展阅读
11. 分布式训练
11.1. 系统概述
11.2. 分布式方法
11.3. 流水线并行
11.4. 集合通信
11.5. 参数服务器
11.6. 总结
11.7. 扩展阅读
11.8. 参考文献
12. 第三部分:拓展篇
13. 深度学习推荐系统
13.1. 背景
13.2. 主流系统架构
13.3. 现有解决方案及其存在的问题
13.4. 未来可以探索的方向
13.5. 小结
13.6. 扩展阅读
13.7. 参考文献
14. 联邦学习系统
14.1. 概述
14.2. 横向联邦学习
14.3. 纵向联邦学习
14.4. 隐私加密算法
14.5. 展望
14.6. 小结
15. 强化学习系统
15.1. 强化学习介绍
15.2. 单节点强化学习系统
15.3. 分布式强化学习系统
15.4. 多智能体强化学习
15.5. 多智能体强化学习系统
15.6. 小结
15.7. 参考文献
16. 可解释性AI系统
16.1. 背景
16.2. 可解释AI定义
16.3. 可解释AI算法现状介绍
16.4. 可解释AI系统及实践
16.5. 未来可解释AI
16.6. 参考文献
17. 机器人系统
17.1. 概述
17.2. 通用机器人操作系统
17.3. 机器人操作系统(ROS)的入门案例
17.4. 感知系统
17.5. 感知系统案例
17.6. 规划系统
17.7. 规划系统案例
17.8. 控制系统
17.9. 控制系统案例
17.10. 在机器人项目中安全的应用机器学习
17.11. 小结
17.12. 参考文献
附录:机器学习介绍
1. 神经网络
2. 梯度下降与反向传播
3. 经典机器学习方法
4. 参考文献
17.
机器人系统
¶
在本章中,我们介绍机器学习的一个重要分支——机器人及其在系统方面的知识。本章的学习目标包括:
掌握机器人系统基本知识。
掌握通用机器人操作系统。
掌握感知系统、规划系统、控制系统。
17.1. 概述
17.2. 通用机器人操作系统
17.2.1. ROS还是ROS2
17.3. 机器人操作系统(ROS)的入门案例
17.3.1. 安装ROS2 Foxy Fitzroy
17.3.2. ROS2节点和Hello World
17.3.3. ROS2参数
17.3.4. ROS2服务
17.3.5. ROS2动作
17.3.6. 小结
17.4. 感知系统
17.5. 感知系统案例
17.5.1. 案例背景
17.5.2. 项目搭建
17.5.3. 添加代码
17.5.4. 运行及检测
17.5.5. 小结
17.6. 规划系统
17.7. 规划系统案例
17.7.1. 案例背景
17.7.2. 项目搭建
17.7.3. 添加消息类型接口
17.7.4. 添加代码
17.7.5. 运行及检测
17.7.6. 小结
17.8. 控制系统
17.9. 控制系统案例
17.9.1. 安装
17.9.2. 运行
17.10. 在机器人项目中安全的应用机器学习
17.10.1. 确保安全性的办法:谨慎的风险评估和独立的安全系统
17.10.2. 机器学习系统的伦理问题
17.10.3. 小结
17.11. 小结
17.12. 参考文献
Previous
16.1. 背景
Next
17.1. 概述