| 作者 |
| 【美】布兰登·里根(Brandon Reagen) 罗伯特·阿道夫(Robert Adolf) 保罗·沃特莫(Paul Whatmough) 古杨·魏(Gu-Yeon Wei) 大卫·布鲁克斯(David Brooks) |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111622482 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书是面向计算机体系结构研究人员和工程师的深度学习入门读本。旨在用深度学习的方法和工具来改进硬件设计和做好加速和优化,提高深度学习系统的性能和精度。 |
| 目录 |
| 译者序 前言 作者简介 第1章 引言/ 1 1.1 神经网络的兴起和衰落/ 2 1.2 第三波人工智能热潮/ 4 1.3 深度学习中硬件的角色/ 7 第2章 深度学习基础/ 11 2.1 神经网络/ 12 2.1.1 生物神经网络/ 12 2.1.2 人工神经网络/ 14 2.1.3 深度神经网络/ 18 2.2 神经网络学习/ 19 2.2.1 神经网络学习的类型/ 21 2.2.2 深度神经网络如何学习/ 22 第3章 方法和模型/ 31 3.1 高级神经网络方法概述/ 32 3.1.1 模型体系结构/ 32 3.1.2 特殊化的层/ 36 3.2 现代深度学习的参考工作负载/ 37 3.2.1 深度学习工作负载集的标准/ 37 3.2.2 Fathom工作负载/ 40 3.3 深度学习背后的计算原理/ 44 3.3.1 深度学习框架的测量与分析/ 44 3.3.2 操作类型评测/ 46 3.3.3 性能相似度/ 48 3.3.4 训练和推理/ 49 3.3.5 并行和操作平衡/ 51 第4章 神经网络加速器优化:案例研究/ 55 4.1 神经网络和简单墙/ 57 4.2 Minerva:一种跨越三层的方法/ 60 4.3 建立基准:安全的优化/ 63 4.3.1 训练空间探索/ 63 4.3.2 加速器设计空间/ 66 4.4 低功耗神经网络加速器:不安全的优化/ 70 4.4.1 数据类型量化/ 70 4.4.2 选择性操作修剪/ 72 4.4.3 SRAM故障缓解/ 74 4.5 讨论/ 79 4.6 展望/ 81第5章 文献调查和综述/ 835.1 介绍/ 84 5.2 分类法/ 84 5.3 算法/ 86 5.3.1 数据类型/ 87 5.3.2 模型稀疏性/ 89 5.4 体系结构/ 92 5.4.1 模型稀疏性/ 95 5.4.2 模型支持/ 98 5.4.3 数据移动/ 105 5.5 电路/ 108 5.5.1 数据移动/ 109 5.5.2 容错/ 112 第6章 结论/ 115 参考文献/ 117 |