機器學習及其硬體實現
[日]高野茂之 譯者黃智瀕
- 出版商: 機械工業
- 出版日期: 2023-12-01
- 定價: $594
- 售價: 8.5 折 $505
- 語言: 簡體中文
- 頁數: 276
- 裝訂: 平裝
- ISBN: 7111739507
- ISBN-13: 9787111739500
-
相關分類:
Machine Learning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
時間序列分析$1,000$900 -
物件導向設計模式－可再利用物件導向軟體之要素 (精裝典藏版) (Design Patterns: Elements of Reusable Object-Oriented Software)$550$550 -
深入理解 Linux 程式設計：從應用到核心$580$435 -
奔跑吧 Linux 內核$948$901 -
從零開始學架構：照著做，你也能成為架構師$594$564 -
一書貫通 -- 從資料科學橫入人工智慧領域$650$585 -
MIS 一定要懂的 82個伺服器建置與管理知識$420$332 -
數據分析的力量 Google、Uber 都在用的因果關係思考法$300$270 -
A-Life｜使用 Python 實作人工生命模型$520$411 -
$301特徵工程入門與實踐 (Feature Engineering Made Easy) -
因果革命：人工智慧的大未來 (硬殼精裝)(The Book of Why: The New Science of Cause and Effect)$680$612 -
建立演進式系統架構｜支援常態性的變更 (Building Evolutionary Architectures： Support Constant Change)$480$336 -
這就是服務設計！｜服務設計工作者的實踐指南 (This Is Service Design Doing: Applying Service Design Thinking in the Real World)$880$695 -
失控的數據：數字管理的誤用與濫用，如何影響我們的生活與工作，甚至引發災難$380$342 -
深度學習｜生命科學應用 (Deep Learning for the Life Sciences)$580$458 -
持續交付 2.0：實務導向的 DevOps$680$530 -
動手做深度強化學習 (Deep Reinforcement Learning Hands-On)$690$538 -
$240產品經理方法論 構建完整的產品知識體系 -
異構集成技術$1,008$958 -
Node.js 量化投資全攻略：從資料收集到自動化交易系統建構實戰（iThome鐵人賽系列書）【軟精裝】$760$593 -
$709數據存儲架構與技術 -
RISC-V 開放架構設計之道$534$507 -
現代 C++ 軟體架構：方法與實踐$834$792 -
TVM 編譯器原理與實踐$714$678 -
現代系統管理｜可靠及永續的系統管理 (Modern System Administration: Managing Reliable and Sustainable Systems)$680$537
相關主題
商品描述
本書主要討論機器學習、神經形態運算和神經網路的理論及應用，
並專注於機器學習加速器和硬體開發。
本書從傳統的微處理架構發展歷程入手，
介紹在後摩爾定律和後丹納德微縮定律下，新型架構的發展趨勢和影響執行性能的各類衡量指標。
然後從應用領域、ASIC和特定領域架構三個角度展示了設計特定的硬體實現所需考慮的許多因素。
接著結合機器學習開發流程及其效能提升方法（如模型壓縮、編碼、近似、最佳化等）介紹硬體實現的細節。
最後給出大量機器學習硬體實現的案例，展示機器如何獲得思考能力。
本書適合有一定機器學習基礎並希望了解更多科技發展趨勢的讀者閱讀。
目錄大綱
譯者序
前言
第1章簡介
1.1 機器學習的曙光
1.1.1 「Jeopardy!」中的IBM Watson挑戰
1.1.2 ImageNet挑戰
1.1.3 谷歌AlphaGo挑戰職業圍棋選手
1.2 機器學習及其應用
1.2.1 定義
1.2 .2 應用
1.3 學習及其性能指標
1.3.1 學習前的準備
1.3.2 學習方法
1.3.3 性能指標和驗證
1.4 範例
1.4.1 工業4.0
1.4.2 交易（區塊鏈）
1.5 機器學習的總結
1.5 .1 與人工智慧的差異
1.5.2 炒作週期
第2章傳統的微架構
2.1 微處理器
2.1.1 處理器核心的微架構
2.1.2 微處理器的程式設計模型
2.1.3 微處理器的複雜性
2.1.4 超標量處理器的優點與缺點
2.1.5 暫存器檔案的規模
2.1.6 分支預測及其懲罰
2.2 多核心處理器
2.2.1 眾核的概念
2.2.2 程式設計模型
2.3 數位訊號處理器
2.3.1 DSP的概念
2.3.2 DSP微架構
2.4 圖形處理單元
2.4.1 GPU的概念
2.4.2 GPU微架構
2.4.3 GPU上的程式設計模型
2.4.4 將GPU應用於運算系統
…
第3章機器學習及其實現
第4章應用、ASIC與特定領域架構
第5章機器學習模型開發
第6章性能提升方法
第7章硬體實現的案例研究
第8章硬體實現的關鍵
第9章結論
附錄A 深度學習基礎
附錄B 深度學習硬體建模
附錄C 高階神經網路模型
附錄D 國家研究、趨勢與投資
附錄E 機器學習對社會的影響
參考文獻
