幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

智能計算系統(從深度學習到大模型第2版電腦類專業系統能力培養系列教材)/中國科學院大學研究生教材系列

  • 作者：編者:陳雲霽//李玲//趙永威//李威//郭崎等|責編:曲熠//陳佳媛
  • 出版社：機械工業
  • ISBN：9787111755951
  • 出版日期：2024/07/01
  • 裝幀：平裝
  • 頁數：567
人民幣：RMB 169 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書由中科院計算所、軟體所的專家學者傾心寫就，以「圖像風格遷移」應用為例，全面介紹智能計算系統的軟硬體技術棧。第2版以大模型為牽引進行更新，第1章回顧人工智慧、智能計算系統的發展歷程，第2、3章在介紹深度學習演算法知識的基礎上增加了大模型演算法的相關知識，第4章介紹深度學習編程框架PyTorch的發展歷程、基本概念、編程模型和使用方法，第5章介紹編程框架的工作原理，第6章回顧深度學習所用的處理器結構從通用逐步走向專用的過程，第7章介紹深度學習處理器的體系結構應當如何應對大模型處理中的計算、訪存、通信瓶頸，第8章介紹基於BCL語言的高性能運算元開發優化實踐，第9章介紹面向大模型的計算系統並以BLOOM作為驅動範例。
    本書適合作為高等院校相關專業的教材，也適合人工智慧領域的科研人員參考。
作者介紹
編者:陳雲霽//李玲//趙永威//李威//郭崎等|責編:曲熠//陳佳媛
    陳雲霽     中國科學院計算技術研究所研究員、博導、智能處理器研究中心主任，中國科學院大學崗位教授，教育部高等學校電腦類專業教學指導委員會電腦系統專委會委員。他帶領其團隊研製了國際上首個深度學習處理器晶元「寒武紀1號」。他的研究成果已經應用在近億台智能手機和伺服器中。他的學術論文多次獲得電腦體系結構頂級國際會議最佳論文獎，受到上百個國際知名機構跟蹤引用。因此，他被Science雜誌刊文評價為深度學習處理器研究的「先驅」和「引領者」。
目錄
叢書序言
序言一
序言二
第2版前言
第1版前言
第1章  概述
  1.1  人工智慧
    1.1.1  什麼是人工智慧
    1.1.2  人工智慧的主要方法
    1.1.3  人工智慧的發展歷史
  1.2  智能計算系統
    1.2.1  什麼是智能計算系統
    1.2.2  為什麼需要智能計算系統
    1.2.3  智能計算系統的發展
  1.3  驅動範例
  1.4  本章小結
  習題
第2章  深度學習基礎
  2.1  機器學習
    2.1.1  基本概念
    2.1.2  線性回歸
  2.2  神經網路
    2.2.1  感知機
    2.2.2  多層感知機
    2.2.3  深度學習
    2.2.4  神經網路的發展歷程
  2.3  神經網路的訓練方法
    2.3.1  正向傳播
    2.3.2  反向傳播
  2.4  神經網路的設計基礎
    2.4.1  網路的拓撲結構
    2.4.2  激活函數
    2.4.3  損失函數
  2.5  過擬合與正則化
    2.5.1  過擬合
    2.5.2  正則化
  2.6  交叉驗證
  2.7  本章小結
  習題
第3章  深度學習應用
  3.1  適合圖像處理的卷積神經網路
    3.1.1  卷積神經網路的總體結構
    3.1.2  應用於圖像分類的卷積神經網路
    3.1.3  應用於圖像目標檢測的卷積神經網路
    3.1.4  應用於圖像生成的神經網路
  3.2  適合文本/語音處理的循環神經網路
    3.2.1  RNN
    3.2.2  LSTM
    3.2.3  GRU
    3.2.4  小結

  3.3  大模型
    3.3.1  Seq2Seq
    3.3.2  注意力機制
    3.3.3  Transformer
    3.3.4  自然語言處理大模型
    3.3.5  圖像處理和多模態大模型
    3.3.6  基於大模型的智能體系統
    3.3.7  小結
  3.4  神經網路的優化
    3.4.1  初始化方法
    3.4.2  梯度下降法
    3.4.3  動量法
    3.4.4  二階優化方法
    3.4.5  自適應學習率演算法
  3.5  神經網路量化
    3.5.1  數據量化
    3.5.2  神經網路量化過程
    3.5.3  神經網路量化應用
    3.5.4  神經網路的混合精度量化
    3.5.5  大模型量化
    3.5.6  小結
  3.6  驅動範例
    3.6.1  圖像風格遷移簡介
    3.6.2  基於卷積神經網路的圖像風格遷移演算法
    3.6.3  實時圖像風格遷移演算法
  3.7  本章小結
  習題
第4章  編程框架使用
  4.1  編程框架概述
    4.1.1  為什麼需要編程框架
    4.1.2  編程框架的發展歷程
  4.2  PyTorch概述
  4.3  PyTorch編程模型及基本用法
    4.3.1  NumPy基礎
    4.3.2  張量
    4.3.3  操作
    4.3.4  計算圖
  4.4  基於PyTorch的模型推理實現
    4.4.1  讀取輸入圖像
    4.4.2  構建神經網路
    4.4.3  實例化神經網路模型
    4.4.4  神經網路模型的調試
    4.4.5  神經網路模型優化
  4.5  基於PyTorch的模型訓練實現
    4.5.1  載入訓練數據集
    4.5.2  模型訓練
    4.5.3  模型的保存與恢復
  4.6  驅動範例
    4.6.1  載入依賴包
    4.6.2  載入並顯示內容圖像和風格圖像

    4.6.3  創建輸入圖像
    4.6.4  定義並計算損失函數
    4.6.5  構建風格遷移演算法
    4.6.6  風格遷移演算法運行
  4.7  本章小結
  習題
第5章  編程框架原理
  5.1  編程框架設計
    5.1.1  設計原則
    5.1.2  整體架構
  5.2  計算圖構建
    5.2.1  正向計算圖構建
    5.2.2  反向計算圖構建
  5.3  計算圖執行
    5.3.1  設備管理
    5.3.2  張量實現
    5.3.3  運算元執行
  *5.4  深度學習編譯
    5.4.1  為什麼需要深度學習編譯
    5.4.2  圖層級編譯優化
    5.4.3  運算元層級編譯優化
    5.4.4  常見深度學習編譯器
  *5.5  分散式訓練
    5.5.1  為什麼需要分散式訓練
    5.5.2  分散式訓練基礎
    5.5.3  分散式訓練方法
    5.5.4  分散式訓練框架實現
  5.6  本章小結
  習題
第6章  面向深度學習的處理器原理
  6.1  通用處理器
    6.1.1  通用處理器的執行原理
    6.1.2  通用處理器的結構發展
    6.1.3  通用處理器分析和優化
    6.1.4  總結和討論
  6.2  向量處理器
    6.2.1  向量處理器的執行原理
    6.2.2  向量處理器的結構發展
    6.2.3  向量處理器分析和優化
    6.2.4  總結和討論
  6.3  深度學習處理器
    6.3.1  深度學習處理器的執行原理
    6.3.2  深度學習處理器的結構發展
    6.3.3  總結和討論
  6.4  大規模深度學習處理器
    6.4.1  一致性訪存模型
    6.4.2  非一致性訪存模型
    6.4.3  分形計算模型
    6.4.4  深度學習處理器示例
  6.5  本章小結

  習題
第7章  深度學習處理器架構
  7.1  計算
    7.1.1  矩陣運算單元
    7.1.2  向量與標量單元
    7.1.3  總結和討論
  7.2  存儲
    7.2.1  便箋存儲器
    7.2.2  外部存儲器訪問
    7.2.3  總結和討論
  7.3  通信
    7.3.1  互聯網路
    7.3.2  集合通信原語
    7.3.3  通信架構設計
    7.3.4  總結和討論
  *7.4  設計優化
    7.4.1  變換
    7.4.2  壓縮
    7.4.3  近似
    7.4.4  非傳統結構和器件
  7.5  本章小結
  習題
第8章  智能編程語言
  8.1  為什麼需要智能編程語言
    8.1.1  語義鴻溝
    8.1.2  硬體鴻溝
    8.1.3  平台鴻溝
    8.1.4  小結
  8.2  智能計算系統抽象架構
    8.2.1  抽象硬體架構
    8.2.2  典型智能計算系統
    8.2.3  控制模型
    8.2.4  存儲模型
    8.2.5  計算模型
  8.3  智能編程模型
    8.3.1  異構編程
    8.3.2  多核並行
    8.3.3  存儲空間
  8.4  智能編程語言基礎
    8.4.1  語法概述
    8.4.2  內建變數與內建函數
    8.4.3  BCL程序示例
  8.5  智能應用編程介面
    8.5.1  核函數介面
    8.5.2  運行時介面
    8.5.3  使用示例
  8.6  智能應用功能調試
    8.6.1  功能調試方法
    8.6.2  功能調試介面
    8.6.3  功能調試工具

    8.6.4  精度調試方法
    8.6.5  功能調試實踐
  8.7  智能應用性能調優
    8.7.1  性能分析工具
    8.7.2  性能調優方法
  8.8  智能編程語言的應用
    8.8.1  高性能運算元開發
    8.8.2  編程框架運算元開發
  8.9  本章小結
  習題
第9章  大模型計算系統
  9.1  大模型演算法分析
  9.2  大模型驅動範例：BLOOM
    9.2.1  BLOOM-176B模型
    9.2.2  BLOOM-176B運行平台
    9.2.3  BLOOM-176B計算過程及分析
  9.3  大模型系統軟體
    9.3.1  訓練場景
    9.3.2  推理場景
  9.4  大模型基礎硬體
    9.4.1  大模型計算節點
    9.4.2  大模型計算集群
  9.5  本章小結
  習題
參考文獻
後記

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032