17. 机器人系统
Quick search
code
Show Source
GitHub English
机器学习系统:设计和实现
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. AI编译器和前端技术
    • 6.1. AI编译器设计原理
    • 6.2. AI编译器前端技术概述
    • 6.3. 中间表示
    • 6.4. 自动微分
    • 6.5. 类型系统和静态分析
    • 6.6. 常见前端编译优化方法
    • 6.7. 总结
    • 6.8. 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. 算子编译器
    • 7.7. 总结
    • 7.8. 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. 实现方法
    • 11.3. 流水线并行
    • 11.4. 机器学习集群架构
    • 11.5. 集合通信
    • 11.6. 参数服务器
    • 11.7. 总结
    • 11.8. 拓展阅读
  • 12. 第三部分:拓展篇
  • 13. 深度学习推荐系统
    • 13.1. 系统基本组成
    • 13.2. 多阶段推荐系统
    • 13.3. 模型更新
    • 13.4. 案例分析:支持在线模型更新的大型推荐系统
    • 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. 机器人系统概述
    • 17.2. 通用机器人操作系统
    • 17.3. 案例分析:使用机器人操作系统
    • 17.4. 总结
  • 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
机器学习系统:设计和实现
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. AI编译器和前端技术
    • 6.1. AI编译器设计原理
    • 6.2. AI编译器前端技术概述
    • 6.3. 中间表示
    • 6.4. 自动微分
    • 6.5. 类型系统和静态分析
    • 6.6. 常见前端编译优化方法
    • 6.7. 总结
    • 6.8. 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. 算子编译器
    • 7.7. 总结
    • 7.8. 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. 实现方法
    • 11.3. 流水线并行
    • 11.4. 机器学习集群架构
    • 11.5. 集合通信
    • 11.6. 参数服务器
    • 11.7. 总结
    • 11.8. 拓展阅读
  • 12. 第三部分:拓展篇
  • 13. 深度学习推荐系统
    • 13.1. 系统基本组成
    • 13.2. 多阶段推荐系统
    • 13.3. 模型更新
    • 13.4. 案例分析:支持在线模型更新的大型推荐系统
    • 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. 机器人系统概述
    • 17.2. 通用机器人操作系统
    • 17.3. 案例分析:使用机器人操作系统
    • 17.4. 总结
  • 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¶

本章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,学习目标包括:

  • 掌握机器人系统基本知识。

  • 掌握感知系统、规划系统和控制系统。

  • 掌握通用机器人操作系统。

  • 17.1. 机器人系统概述
    • 17.1.1. 感知系统
    • 17.1.2. 规划系统
    • 17.1.3. 控制系统
    • 17.1.4. 在机器人项目中安全的应用机器学习
  • 17.2. 通用机器人操作系统
    • 17.2.1. ROS2节点
    • 17.2.2. ROS2主题
    • 17.2.3. ROS2服务
    • 17.2.4. ROS2参数
    • 17.2.5. ROS2动作
  • 17.3. 案例分析:使用机器人操作系统
    • 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. 服务端-客户端服务模式
    • 17.3.5. 动作模式
  • 17.4. 总结
    • 17.4.1. 参考文献
Previous
16.1. 背景
Next
17.1. 机器人系统概述