您好,欢迎光临有路网!
高能效类脑智能:算法与体系架构
QQ咨询:
有路璐璐:

高能效类脑智能:算法与体系架构

  • 作者:(中)郑楠(Nan Zheng),(美)皮纳基·马祖姆德
  • 出版社:机械工业出版社
  • ISBN:9787111682998
  • 出版日期:2021年06月01日
  • 页数:0
  • 定价:¥99.00
  • 分享领佣金
    手机购买
    城市
    店铺名称
    店主联系方式
    店铺售价
    库存
    店铺得分/总交易量
    发布时间
    操作

    新书比价

    网站名称
    书名
    售价
    优惠
    操作

    图书详情

    内容提要
    本书主要关注如何构建高能效具有学习能力的脉冲型神经元网络硬件,并且提供建立具有学习能力的脉冲型神经元网络硬件协同设计、协同优化方法。完整地描述从**算法到底层硬件实现的细节。本书同样涵盖了脉冲型神经元网络中的许多基础知识和关键点。 本书从对脉冲型神经元网络的概述开始,讨论基于速率的人工神经网络的应用和训练,介绍实现神经网络的多种方法,如通用处理器和专用硬件,数字加速器和模拟加速器。同时展示了一个为能适应神经网络动态编程而建立的高能效加速器,验证脉冲神经网络的基础概念和流行的学习算法,简介脉冲神经网络硬件。后面的章节为读者介绍三个实现前述章节学习算法的设计案例(两个基于传统CMOS工艺,一个基于新兴的纳米工艺)。本书的结尾对脉冲型神经元网络硬件进行总结与展望。
    文章节选
    译者序
    Learning in Energy-Efficient Neuromorphic Computing:Algorithm and Architecture Co-Design
    以“旧神退散,新神未立”来形容近年来计算架构领域的发展的确很形象,2017年计算机图灵奖的两名得主David Patterson和John L.Hennessy在一篇文章中也曾给出类似判断,即“未来十年是计算架构发展的黄金十年”。神经形态计算便被认为是计算架构创新的“新神”之一。这本由Zheng和Mazumder撰写的书即是对这个“新神”的引荐。
    人工智能作为当前的研究热点,受到国内外学术界和工业界的追捧,而且很多成熟的产品已经落地。目前所用的人工智能算法主要集中在深度神经网络上,即第二代神经网络。该网络结构虽然效果好,但是功耗大,难以应用在一些移动设备上,且很难充分模仿人脑的智能性。而神经形态计算作为第三代人工神经网络,可以充分模拟大脑的低功耗计算特点,作为人工智能以及脑科学的交叉研究领域,具有很大的研究前景。
    本书**讨论如何为具有学习能力的神经网络构建节能硬件,致力于构建具有学习与执行各种任务的能力的硬件神经网络,提供协同设计和协同优化方法,并提供了从高层算法到底层实现细节的完整视图。开发硬件友好算法的目的是简化硬件实现,而特殊的硬件体系结构的提出则是为了更好地利用算法的独特功能。在本书的各章中,讨论了用于节能型神经网络加速器的算法和硬件体系结构。低功耗对于所有将功耗作为重要考虑因素的应用而言至关重要,使用耗电的GPU和将原始数据发送到可以进一步分析数据的云计算机都不是可行的选择。
    作为一本介绍神经形态计算算法和硬件设计思想的书,本书不仅是信息学科、软件工程等学科的基本教材(或参考书),更是可以带领零基础的人进入神经形态计算领域的引路石。在内容的介绍上,本书循序渐进,深入浅出,展示了当前人工智能的算法,并逐步引入神经形态的智能算法当中,再介绍关于神经形态算法硬件实现的设计思路。本书的一大特色是关注基于新兴器件的神经形态计算的架构设计,探讨新兴器件带来的设计问题及其解决思路。本书附带了一些案例供读者学习,覆盖了书中所涉及领域的众多代表性工作。虽然本书不可能完全展示当前的神经形态计算算法和硬件设计中的所有技术细节,但是可以对初入该领域的技术人员提供一个较为完整的认识和强有力的帮助。
    本书的内容广泛,包括人工智能的前沿与新兴工艺技术,为了尽可能地翻译准确,我们得到了上海交通大学类脑智能应用技术研究**全体师生的大力支持,特别是得到了耿相铭老师的帮助与指正。同时也十分感谢杨石玉、朱肖光、陈发全、耿豪、宋扬、尹树雨、计星武、程宇豪、潘敏婷等同学在校对过程中给予的帮助,他们的帮助使本书翻译工作得以顺利完成。
    后,本书虽然经过仔细校对,但限于译者自身的水平及经验,译文可能还存在不足,非常期待大家指正,以便之后进一步完善。 刘佩林
    2020年于上海
    目录
    译者序 前言 致谢 第1章 概述1 1.1 神经网络的历史1 1.2 软件中的神经网络2 1.2.1 人工神经网络2 1.2.2 脉冲神经网络2 1.3 神经形态硬件的需求3 1.4 本书的目标和大纲4 参考文献6 第2章 人工神经网络的基础与学习9 2.1 人工神经网络的工作原理9 2.1.1 推理9 2.1.2 学习10 2.2 基于神经网络的机器学习13 2.2.1 监督学习13 2.2.2 强化学习15 2.2.3 无监督学习17 2.2.4 案例研究:基于动作的启发式动态规划18 2.3 网络拓扑24 2.3.1 全连接神经网络24 2.3.2 卷积神经网络25 2.3.3 循环神经网络27 2.4 数据集和基准29 2.5 深度学习31 2.5.1 前深度学习时代31 2.5.2 深度学习的崛起31 2.5.3 深度学习技术32 2.5.4 深度神经网络示例38 参考文献40 第3章 硬件中的人工神经网络47 3.1 概述47 3.2 通用处理器48 3.3 数字加速器48 3.3.1 数字ASIC实现方法48 3.3.2 FPGA加速器61 3.4 模拟/混合信号加速器62 3.4.1 传统集成技术中的神经网络62 3.4.2 基于新兴非易失性存储器的神经网络68 3.4.3 光学加速器71 3.5 案例研究:一种节能的自适应动态规划加速器的程序设计72 3.5.1 硬件架构73 3.5.2 设计示例78 参考文献82 第4章 脉冲神经网络的工作原理与学习92 4.1 脉冲神经网络92 4.1.1 常见的脉冲神经元模型92 4.1.2 信息编码94 4.1.3 脉冲神经元与非脉冲神经元的比较95 4.2 浅层SNN的学习96 4.2.1 ReSuMe96 4.2.2 Tempotron97 4.2.3 脉冲时间相关可塑性98 4.2.4 双层神经网络中通过调制权重依赖的STDP进行学习的方法101 4.3 深度SNN学习113 4.3.1 SpikeProp113 4.3.2 浅层网络栈113 4.3.3 ANN的转换115 4.3.4 深度SNN反向传播的研究进展116 4.3.5 在多层神经网络中通过调制权重依赖的STDP进行学习的方法116 参考文献128 第5章 脉冲神经网络的硬件实现133 5.1 对专用硬件的需求133 5.1.1 地址事件表示133 5.1.2 事件驱动计算134 5.1.3 渐进精度推理134 5.1.4 实现权重依赖的STDP学习规则的硬件注意事项138 5.2 数字脉冲神经网络142 5.2.1 大规模脉冲神经网络专用集成电路142 5.2.2 中小型数字脉冲神经网络147 5.2.3 脉冲神经网络中的硬件友好型强化学习149 5.2.4 多层脉冲神经网络中的硬件友好型监督学习153 5.3 模拟/混合信号脉冲神经网络161 5.3.1 基本构建块161 5.3.2 大规模模拟/混合信号CMOS脉冲神经网络163 5.3.3 其他模拟/混合信号CMOS脉冲神经网络专用集成电路166 5.3.4 基于新兴纳米技术的脉冲神经网络166 5.3.5 案例研究:脉冲神经网络中基于忆阻器交叉开关的学习169 参考文献183 第6章 总结190 6.1 展望190 6.1.1 脑启发式计算190 6.1.2 新兴的纳米技术191 6.1.3 神经形态系统的可靠计算192 6.1.4 人工神经网络和脉冲神经网络的融合193 6.2 结论194 参考文献194 附录197 术语表205

    与描述相符

    100

    北京 天津 河北 山西 内蒙古 辽宁 吉林 黑龙江 上海 江苏 浙江 安徽 福建 江西 山东 河南 湖北 湖南 广东 广西 海南 重庆 四川 贵州 云南 西藏 陕西 甘肃 青海 宁夏 新疆 台湾 香港 澳门 海外