當電腦體系結構遇到深度學習:面向電腦體系結構設計師的深度學習概論
[美] 布蘭登·里根(Brandon Reagen) 羅伯特·阿道夫(Robert Adolf) 保羅·沃特莫(Paul Whatmough) 古楊·魏(Gu-Yeon Wei) 大衛·布魯克斯(David Brooks) 著
- 出版商: 機械工業
- 出版日期: 2019-04-01
- 定價: $414
- 售價: 8.5 折 $352
- 語言: 簡體中文
- ISBN: 7111622480
- ISBN-13: 9787111622482
-
相關分類:
DeepLearning
- 此書翻譯自: Deep Learning for Computer Architects (Synthesis Lectures on Computer Architecture)
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
$680$537 -
$449基於 Python 的 Google App Engine 編程 (Programming Google App Engine with Python: Build and Run Scalable Python Apps on Google's Infrastructure)
-
$1,359機器學習 : 貝葉斯和優化方法 (英文版)(Machine Learning: A Bayesian and Optimization Perspective)
-
$690$587 -
$280機器學習vs復雜系統
-
$280自製 AI 圖像搜索引擎
-
$520$411 -
$834$792 -
$500統計學習方法, 2/e
-
$327Python數據科學與機器學習 從入門到實踐
-
$454Go 語言高級編程
-
$505微服務體系建設和實踐
-
$275移動通信技術與網絡優化, 2/e
-
$454Python 科學計算, 2/e (Python for Scientists, 2/e)
-
$607MongoDB 從入門到商業實戰
-
$780$616 -
$650$514 -
$500$390 -
$1,000$790 -
$650$553 -
$650$553 -
$650$507 -
$528$502 -
$69$60 -
$980$774
相關主題
商品描述
電腦體系結構新黃金時代賦能深度學習革命的入門書。
基於美國哈佛大學在深度學習和體系結構領域的長期研究和實踐經驗。
介紹深度學習的發展、評測和優化的最新研究成果,幫助讀者掌握深度學習體系結構的精髓。
機器學習,特別是深度學習,在電腦科學的許多領域都具有巨大的顛覆性。深度學習技術在解決眾所周知很困難的分類和回歸問題方面取得了成功,這使得該技術迅速應用於解決現實問題。深度學習的興起主要歸因於一個良性循環,即通過採用大規模數據集和高性能電腦硬件,從而在訓練更深層模型方面取得根本性的進步。
本書是電腦體系結構設計師在深度學習這個快速發展的新領域的入門讀物,作者均來自美國高等教育頂級學府哈佛大學。書中首先介紹機器學習自20世紀60年代起步以來的發展歷程,並跟蹤了導致過去十年中出現強大的深度學習技術的關鍵性發展歷程。然後,回顧了代表性的工作負載,包括各種領域中常用的數據集和開創性的神經網絡。除了討論工作負載本身以外,本書還詳細介紹了頗受歡迎的深度學習工具,並展示了有抱負的從業者如何使用工具與工作負載來表徵和優化DNN。
本書的其餘部分致力於介紹如何設計和優化專門用於機器學習的硬件和體系結構。由於高性能硬件在幫助機器學習成功地成為實用解決方案方面發揮了重要作用,因此這部分內容對近年來提出的各種優化方法進行了重新梳理,以便進一步改進未來的設計。在末尾,本書回顧了該領域新近發表的研究文獻並對其進行分類,幫助讀者理解各種貢獻的背景和意義。
本書既可以作為高等院校高年級本科生、研究生以及受過電腦科學或工程訓練的專業人士的教科書,也可以作為深度學習處理器設計專家的參考書。
基於美國哈佛大學在深度學習和體系結構領域的長期研究和實踐經驗。
介紹深度學習的發展、評測和優化的最新研究成果,幫助讀者掌握深度學習體系結構的精髓。
機器學習,特別是深度學習,在電腦科學的許多領域都具有巨大的顛覆性。深度學習技術在解決眾所周知很困難的分類和回歸問題方面取得了成功,這使得該技術迅速應用於解決現實問題。深度學習的興起主要歸因於一個良性循環,即通過採用大規模數據集和高性能電腦硬件,從而在訓練更深層模型方面取得根本性的進步。
本書是電腦體系結構設計師在深度學習這個快速發展的新領域的入門讀物,作者均來自美國高等教育頂級學府哈佛大學。書中首先介紹機器學習自20世紀60年代起步以來的發展歷程,並跟蹤了導致過去十年中出現強大的深度學習技術的關鍵性發展歷程。然後,回顧了代表性的工作負載,包括各種領域中常用的數據集和開創性的神經網絡。除了討論工作負載本身以外,本書還詳細介紹了頗受歡迎的深度學習工具,並展示了有抱負的從業者如何使用工具與工作負載來表徵和優化DNN。
本書的其餘部分致力於介紹如何設計和優化專門用於機器學習的硬件和體系結構。由於高性能硬件在幫助機器學習成功地成為實用解決方案方面發揮了重要作用,因此這部分內容對近年來提出的各種優化方法進行了重新梳理,以便進一步改進未來的設計。在末尾,本書回顧了該領域新近發表的研究文獻並對其進行分類,幫助讀者理解各種貢獻的背景和意義。
本書既可以作為高等院校高年級本科生、研究生以及受過電腦科學或工程訓練的專業人士的教科書,也可以作為深度學習處理器設計專家的參考書。