这是一本讲解如何基于当前主流的智能芯片RK3399Pro与RK3588进行端侧智能开发的著作，它将指导读者如何基于这两款芯片进行算法的设计与实施，瑞芯微官方推荐。
理论部分，以深度学习为主线，针对零基础的读者，不仅讲解了卷积神经网络、循环神经网络等深度神经网络的原理以及它们在计算机视觉、自然语言处理、语音识别等领域的经典算法，还讲解了深度神经网络的训练和模型优化。
实践部分，以基于RK3399Pro与RK3588两款智能芯片的端侧智能开发为主线，讲解了芯片的功能架构、开发板及其开发环境、Rock-X API组件库，以及基于它们的各种端侧智能应用开发，包括各种神经网络的开发、神经网络的运算加速等，让读者掌握深度学习模型从设计、训练、优化到端侧部署的完整流程，快速学会人工智能应用的开发。

王日海(博士)，浙江大学副研究员，浙江大学-瑞芯微电子联合技术中心副主任，浙江大学绍兴研究院微电子中心副主任。主要从事信号处理与多媒体智能方向的研究，参与和承担国家重点研发计划、国家自然基金以及企事业单位联合项目20余项，在CVPR、ICASSP、lNTERSPEECH等国际顶级会议和期刊上发表相关论文20余篇，获得发明专利10余项。
2016年建立浙江大学一瑞芯微电子联合技术中心，组织开展机器视觉、RGB—IR图像处理、音频降噪、模拟电源、氮化镓功率芯片等信号处理与芯片方向的研发项目，与瑞芯微建立了非常深入的研发合作关系。基于瑞芯微RK3399Pro人工智能芯片，开发了布匹瑕疵检测、自动扶梯安全检测、音频降噪、口语评测等AI算法与系统，对人工智能算法特别是音视频智能处理在嵌入式系统上的部署和应用有丰富的经验。

前言
第1章 深度学习基础
1.1 深度学习的现实应用
1.1.1 计算机视觉
1.1.2 自然语言处理
1.1.3 推荐系统
1.1.4 语音处理
1.1.5 其他领域
1.2 回归问题和分类问题
1.2.1 线性回归
1.2.2 Softmax分类
1.3 梯度下降算法
1.3.1 优化算法概述
1.3.2 随机梯度下降算法
1.3.3 小批量梯度下降算法
1.3.4 Momentum梯度下降算法
1.3.5 Adam优化算法
1.4 神经网络
1.4.1 神经网络的表示
1.4.2 激活函数及其导数
1.4.3 前向传播和反向传播
1.4.4 神经网络的梯度下降
1.5 本章小结
第2章 卷积神经网络
2.1 卷积基础知识
2.1.1 卷积操作
2.1.2 池化
2.1.3 卷积的变种
2.2 深度卷积神经网络
2.2.1 卷积神经网络的整体结构
2.2.2 残差结构和1×1卷积
2.2.3 经典卷积网络
2.3 卷积神经网络的应用
2.3.1 图像分类
2.3.2 目标检测
2.3.3 其他应用
2.4 本章小结
第3章 循环神经网络
3.1 深度循环神经网络
3.1.1 循环神经网络概述
3.1.2 基于时间的反向传播
3.1.3 循环神经网络的长期依赖问题
……
第4章 深度神经网络的训练
第5章 RK3399Pro芯片功能与架构
第6章 TB-RK3399Pro开发板
第7章 基于TB-RK3399Pro进行卷积神经网络实战
第8章 TB-RK3399Pro神经网络运算加速
第9章 基于TB-RK3399Pro开发板进行循环神经网络实战
第10章 基于Rock-X API的深度学习案例
第11章 TB-RK3588X开发板
参考文献