深度學習成功解決許多電腦上的難題,並廣泛應用於日常生活中,例如:金融、零售和醫療保健等。本書從中央處理器(CPU)、圖形處理器(GPU)和神經網路處理器(NPU),到各種深度學習硬體設計,並列出解決問題的不同方式。
從這些設計中,可以發展出嶄新硬體設計,進一步改善整體效能和功耗,而本書有說明新的硬體設計,即流圖理論和三維神經處理,並提出智能機器人項目,以耐能終端智慧加速器(Kneron Edge AI)提升深度學習成效,其具有低成本的優勢,並以較低的功耗,實現較佳的性能。
本書適用於大學、科大資工、電子、電機、自控系「深度學習」課程及對本書有興趣的人士使用。
本書特色
1. 本書針對目前深度學習在解決算力瓶頸的架構,獨家收錄包括各家IC設計與個別實驗室的設計。
2. 針對不同的架構有深入淺出的說明,並輔助使用大量的圖示,以資料流的路徑觀點,說明設計的優缺點。
3. 本書專題包含有趣的自駕車與無人機。
4. 本書獨家與耐能智慧科技合作,使用耐能智慧科技的AI Dongle,並代以實際的例子做說明,利用實作專題的方式,讓本書的讀者可以認知AI EDGE晶片設計架構所帶來的好處。
5. 本書在每個章節提供反思的練習題,幫助讀者能正確的理解。
深度學習:硬體設計
相關推薦清單
內容描述
目錄大綱
CH1 引言
1.1 發展歷程
1.2 神經網路模型
1.3 神經網路分類
1.4 神經網路框架
1.5 神經網路模型
CH2 深度學習
2.1 神經網路層
CH3 並行架構
3.1 英特爾中央處理器(CPU)
3.2 英偉達圖形處理器
3.3 英偉達深度學習加速器
3.4 張量處理器
3.5 投射處理器
CH4 流圖理論
4.1 Blaize圖形流處理器
4.2 Graphcore智慧處理單元
CH5 卷積優化
5.1 深度卷積神經網路加速器
5.2 麻省理工眼神加速器
CH6 記憶體內計算
6.1 神經立方體架構
6.2 俄羅斯方塊處理器
6.3 神經流動加速器
CH7 近記憶體架構
7.1 大電腦超級電腦
7.2 Cnvlutin加速器
CH8 網路稀疏
8.1 節能推論引擎
8.2 寒武紀-X加速器
8.3 SCNN處理器
8.4 先知網路加速器
CH9 三維神經處理
9.1 三維集成電路架構
9.2 電源分配網路
9.3 三維網橋
9.4 晶片網路
9.5 多通道高速鏈路
9.6 時鐘門控