当计算机体系结构遇到深度学习：面向计算机体系结构设计师的深度学习概论 (智能科学与技术丛书)

本书是面向计算机体系结构设计师的深度学习入门读物。书中首先介绍机器学习的发展历程，并追踪深度学习技术的关键发展阶段。然后，回顾了代表性的工作负载，包括各种领域中常用的数据集和开创性的神经网络。接下来，详细介绍了颇受欢迎的深度学习工具，并展开介绍了如何使用工具与工作负载来表征和优化DNN。本书的其余部分致力于介绍如何设计和优化用于机器学习的硬件和体系结构，并对近年来提出的各种优化方法进行重新梳理，以便进一步改进未来的设计。最后，本书回顾了该领域新近发表的研究文献并对其进行分类，帮助读者理解各种贡献的背景和意义。目录：译者序前言

当计算机体系结构遇到深度学习：面向计算机体系结构设计师的深度学习概论 (智能科学与技术丛书) EPUB, PDF, MOBI, AZW3, TXT, FB2, DjVu, Kindle电子书免费下载。

第1章　引言　1.1　神经网络的兴起和衰落　1.2　第三波人工智能热潮　1.3　深度学习中硬件的角色第2章　深度学习基础　2.1　神经网络　　2.1.1　生物神经网络　　2.1.2　人工神经网络　　2.1.3　深度神经网络　2.2　神经网络学习　　2.2.1　神经网络学习的类型　　2.2.2　深度神经网络如何学习第3章　方法和模型　3.1　高级神经网络方法概述　　3.1.1　模型体系结构　　3.1.2　特殊化的层　3.2　现代深度学习的参考工作负载　　3.2.1　深度学习工作负载集的标准　　3.2.2　Fathom工作负载　3.3　深度学习背后的计算原理　　3.3.1　深度学习框架的测量与分析　　3.3.2　操作类型评测　　3.3.3　性能相似度　　3.3.4　训练和推理　　3.3.5　并行和操作平衡第4章　神经网络加速器优化：案例研究　4.1　神经网络和简单墙　4.2　Minerva：一种跨越三层的方法　4.3　建立基准：安全的优化　　4.3.1　训练空间探索　　4.3.2　加速器设计空间　4.4　低功耗神经网络加速器：不安全的优化　　4.4.1　数据类型量化　　4.4.2　选择性操作修剪　　4.4.3　SRAM故障缓解　4.5　讨论　4.6　展望第5章　文献调查和综述　5.1　介绍　5.2　分类法　5.3　算法　　5.3.1　数据类型　　5.3.2　模型稀疏性　5.4　体系结构　　5.4.1　模型稀疏性　　5.4.2　模型支持　　5.4.3　数据移动　5.5　电路　　5.5.1　数据移动　　5.5.2　容错第6章　结论参考文献