中圖網(wǎng)小程序
一鍵登錄
更方便
本類五星書更多>
-
>
闖進數(shù)學世界――探秘歷史名題
-
>
中醫(yī)基礎(chǔ)理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫(yī)內(nèi)科學·全國中醫(yī)藥行業(yè)高等教育“十四五”規(guī)劃教材
智能計算系統(tǒng) 從深度學習到大模型 第2版 版權(quán)信息
- ISBN：9787111755951
- 條形碼：9787111755951 ; 978-7-111-75595-1
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
智能計算系統(tǒng) 從深度學習到大模型 第2版 本書特色
·全面貫穿人工智能整個軟硬件技術(shù)棧
·以應(yīng)用驅(qū)動，形成智能領(lǐng)域的系統(tǒng)思維
·以大模型為牽引，為通用人工智能提供支撐
智能計算系統(tǒng) 從深度學習到大模型 第2版 內(nèi)容簡介
本書由中科院計算所、軟件所的專家學者傾心寫就，以“圖像風格遷移”應(yīng)用為例，全面介紹智能計算系統(tǒng)的軟硬件技術(shù)棧。第2版以大模型為牽引進行更新，第1章回顧人工智能、智能計算系統(tǒng)的發(fā)展歷程，第2、3章在介紹深度學習算法知識的基礎(chǔ)上增加了大模型算法的相關(guān)知識，第4章介紹深度學習編程框架PyTorch的發(fā)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(jié)構(gòu)從通用逐步走向?qū)Ｓ玫倪^程，第7章介紹深度學習處理器的體系結(jié)構(gòu)應(yīng)當如何應(yīng)對大模型處理中的計算、訪存、通信瓶頸，第8章介紹基于BCL語言的高性能算子開發(fā)優(yōu)化實踐，第9章介紹面向大模型的計算系統(tǒng)并以BLOOM作為驅(qū)動范例。
本書適合作為高等院校相關(guān)專業(yè)的教材，也適合人工智能領(lǐng)域的科研人員參考。
智能計算系統(tǒng) 從深度學習到大模型 第2版 目錄
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
1.1 人工智能1
1.1.1 什么是人工智能 1
1.1.2 人工智能的主要方法1
1.1.3 人工智能的發(fā)展歷史5
1.2 智能計算系統(tǒng) 8
1.2.1 什么是智能計算系統(tǒng)8
1.2.2 為什么需要智能計算系統(tǒng)8
1.2.3 智能計算系統(tǒng)的發(fā)展9
1.3 驅(qū)動范例 12
1.4 本章小結(jié) 13
習題.14
第 2 章 深度學習基礎(chǔ)15
2.1 機器學習 15
2.1.1 基本概念15
2.1.2 線性回歸16
2.2 神經(jīng)網(wǎng)絡(luò) 19
2.2.1 感知機19
2.2.2 多層感知機 22
2.2.3 深度學習23
2.2.4 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程24
2.3 神經(jīng)網(wǎng)絡(luò)的訓練方法 26
2.3.1 正向傳播26
2.3.2 反向傳播29
2.4 神經(jīng)網(wǎng)絡(luò)的設(shè)計基礎(chǔ) 30
2.4.1 網(wǎng)絡(luò)的拓撲結(jié)構(gòu)30
2.4.2 激活函數(shù)31
2.4.3 損失函數(shù)35
2.5 過擬合與正則化 38
2.5.1 過擬合38
2.5.2 正則化39
2.6 交叉驗證 44
2.7 本章小結(jié) 46
習題 47
第 3 章 深度學習應(yīng)用48
3.1 適合圖像處理的卷積神經(jīng)網(wǎng)絡(luò) 48
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu) 49
3.1.2 應(yīng)用于圖像分類的卷積神經(jīng)
網(wǎng)絡(luò).60
3.1.3 應(yīng)用于圖像目標檢測的卷積神
XXI
經(jīng)網(wǎng)絡(luò)79
3.1.4 應(yīng)用于圖像生成的神經(jīng)網(wǎng)絡(luò)95
3.2 適合文本/語音處理的循環(huán)神經(jīng)
網(wǎng)絡(luò)110
3.2.1 RNN110
3.2.2 LSTM 114
3.2.3 GRU117
3.2.4 小結(jié)118
3.3 大模型118
3.3.1 Seq2Seq119
3.3.2 注意力機制120
3.3.3 Transformer124
3.3.4 自然語言處理大模型 126
3.3.5 圖像處理和多模態(tài)大模型 139
3.3.6 基于大模型的智能體系統(tǒng) 152
3.3.7 小結(jié)156
3.4 神經(jīng)網(wǎng)絡(luò)的優(yōu)化157
3.4.1 初始化方法158
3.4.2 梯度下降法159
3.4.3 動量法 163
3.4.4 二階優(yōu)化方法 164
3.4.5 自適應(yīng)學習率算法165
3.5 神經(jīng)網(wǎng)絡(luò)量化 167
3.5.1 數(shù)據(jù)量化 169
3.5.2 神經(jīng)網(wǎng)絡(luò)量化過程173
3.5.3 神經(jīng)網(wǎng)絡(luò)量化應(yīng)用174
3.5.4 神經(jīng)網(wǎng)絡(luò)的混合精度量化.175
3.5.5 大模型量化176
3.5.6 小結(jié)177
3.6 驅(qū)動范例 177
3.6.1 圖像風格遷移簡介177
3.6.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像風格
遷移算法 178
3.6.3 實時圖像風格遷移算法 181
3.7 本章小結(jié) 182
習題 183
第 4 章 編程框架使用 184
4.1 編程框架概述 184
4.1.1 為什么需要編程框架 184
4.1.2 編程框架的發(fā)展歷程 186
4.2 PyTorch 概述 187
4.3 PyTorch 編程模型及基本
用法188
4.3.1 NumPy 基礎(chǔ) 188
4.3.2 張量194
4.3.3 操作202
4.3.4 計算圖 206
4.4 基于 PyTorch 的模型推理
實現(xiàn)208
4.4.1 讀取輸入圖像 210
4.4.2 構(gòu)建神經(jīng)網(wǎng)絡(luò) 214
4.4.3 實例化神經(jīng)網(wǎng)絡(luò)模型 222
4.4.4 神經(jīng)網(wǎng)絡(luò)模型的調(diào)試 226
4.4.5 神經(jīng)網(wǎng)絡(luò)模型優(yōu)化228
4.5 基于 PyTorch 的模型訓練
實現(xiàn)231
4.5.1 加載訓練數(shù)據(jù)集 231
4.5.2 模型訓練 233
4.5.3 模型的保存與恢復239
4.6 驅(qū)動范例 241
4.6.1 加載依賴包241
4.6.2 加載并顯示內(nèi)容圖像和
風格圖像 242
4.6.3 創(chuàng)建輸入圖像 243
4.6.4 定義并計算損失函數(shù) 244
4.6.5 構(gòu)建風格遷移算法247
XXII
4.6.6 風格遷移算法運行248
4.7 本章小結(jié) 249
習題 249
第 5 章 編程框架原理 250
5.1 編程框架設(shè)計 250
5.1.1 設(shè)計原則 250
5.1.2 整體架構(gòu) 251
5.2 計算圖構(gòu)建 252
5.2.1 正向計算圖構(gòu)建 253
5.2.2 反向計算圖構(gòu)建 256
5.3 計算圖執(zhí)行 260
5.3.1 設(shè)備管理 260
5.3.2 張量實現(xiàn) 262
5.3.3 算子執(zhí)行 269
*5.4 深度學習編譯 278
5.4.1 為什么需要深度學習編譯 278
5.4.2 圖層級編譯優(yōu)化 281
5.4.3 算子層級編譯優(yōu)化287
5.4.4 常見深度學習編譯器 294
*5.5 分布式訓練299
5.5.1 為什么需要分布式訓練 300
5.5.2 分布式訓練基礎(chǔ) 300
5.5.3 分布式訓練方法 305
5.5.4 分布式訓練框架實現(xiàn) 312
5.6 本章小結(jié) 318
習題 319
第 6 章 面向深度學習的處理器原理320
6.1 通用處理器 320
6.1.1 通用處理器的執(zhí)行原理 321
6.1.2 通用處理器的結(jié)構(gòu)發(fā)展 323
6.1.3 通用處理器分析和優(yōu)化 339
6.1.4 總結(jié)和討論346
6.2 向量處理器 347
6.2.1 向量處理器的執(zhí)行原理 347
6.2.2 向量處理器的結(jié)構(gòu)發(fā)展 352
6.2.3 向量處理器分析和優(yōu)化 359
6.2.4 總結(jié)和討論363
6.3 深度學習處理器364
6.3.1 深度學習處理器的執(zhí)行
原理364
6.3.2 深度學習處理器的結(jié)構(gòu)
發(fā)展376
6.3.3 總結(jié)和討論382
6.4 大規(guī)模深度學習處理器382
6.4.1 一致性訪存模型 383
6.4.2 非一致性訪存模型384
6.4.3 分形計算模型 386
6.4.4 深度學習處理器示例 386
6.5 本章小結(jié) 387
習題 387
第 7 章 深度學習處理器架構(gòu).389
7.1 計算389
7.1.1 矩陣運算單元 390
7.1.2 向量與標量單元 400
7.1.3 總結(jié)和討論408
7.2 存儲409
7.2.1 便箋存儲器409
7.2.2 外部存儲器訪問 412
7.2.3 總結(jié)和討論417
7.3 通信418
7.3.1 互聯(lián)網(wǎng)絡(luò) 419
7.3.2 集合通信原語 420
7.3.3 通信架構(gòu)設(shè)計 424
7.3.4 總結(jié)和討論426
*7.4 設(shè)計優(yōu)化 426
7.4.1 變換427
XXIII
7.4.2 壓縮429
7.4.3 近似431
7.4.4 非傳統(tǒng)結(jié)構(gòu)和器件434
7.5 本章小結(jié) 437
習題 437
第 8 章 智能編程語言 439
8.1 為什么需要智能編程語言439
8.1.1 語義鴻溝 440
8.1.2 硬件鴻溝 442
8.1.3 平臺鴻溝 445
8.1.4 小結(jié)445
8.2 智能計算系統(tǒng)抽象架構(gòu)446
8.2.1 抽象硬件架構(gòu) 447
8.2.2 典型智能計算系統(tǒng)447
8.2.3 控制模型 448
8.2.4 存儲模型 449
8.2.5 計算模型 450
8.3 智能編程模型 450
8.3.1 異構(gòu)編程 450
8.3.2 多核并行 452
8.3.3 存儲空間 454
8.4 智能編程語言基礎(chǔ) 455
8.4.1 語法概述 455
8.4.2 內(nèi)建變量與內(nèi)建函數(shù) 457
8.4.3 BCL 程序示例458
8.5 智能應(yīng)用編程接口 459
8.5.1 核函數(shù)接口459
8.5.2 運行時接口460
8.5.3 使用示例 462
8.6 智能應(yīng)用功能調(diào)試 465
8.6.1 功能調(diào)試方法 465
8.6.2 功能調(diào)試接口 470
8.6.3 功能調(diào)試工具 472
8.6.4 精度調(diào)試方法 474
8.6.5 功能調(diào)試實踐 476
8.7 智能應(yīng)用性能調(diào)優(yōu) 483
8.7.1 性能分析工具 483
8.7.2 性能調(diào)優(yōu)方法 489
8.8 智能編程語言的應(yīng)用 495
8.8.1 高性能算子開發(fā) 496
8.8.2 編程框架算子開發(fā)502
8.9 本章小結(jié) 509
習題 509
第 9 章 大模型計算系統(tǒng)511
9.1 大模型算法分析512
9.2 大模型驅(qū)動范例：BLOOM 516
9.2.1 BLOOM-176B 模型 516
9.2.2 BLOOM-176B 運行平臺517
9.2.3 BLOOM-176B 計算過程及
分析518
9.3 大模型系統(tǒng)軟件524
9.3.1 訓練場景 525
9.3.2 推理場景 530
9.4 大模型基礎(chǔ)硬件534
9.4.1 大模型計算節(jié)點 534
9.4.2 大模型計算集群 538
9.5 本章小結(jié) 541
習題 541
參考文獻 544
后記566
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
1.1 人工智能1
1.1.1 什么是人工智能 1
1.1.2 人工智能的主要方法1
1.1.3 人工智能的發(fā)展歷史5
1.2 智能計算系統(tǒng) 8
1.2.1 什么是智能計算系統(tǒng)8
1.2.2 為什么需要智能計算系統(tǒng)8
1.2.3 智能計算系統(tǒng)的發(fā)展9
1.3 驅(qū)動范例 12
1.4 本章小結(jié) 13
習題.14
第 2 章 深度學習基礎(chǔ)15
2.1 機器學習 15
2.1.1 基本概念15
2.1.2 線性回歸16
2.2 神經(jīng)網(wǎng)絡(luò) 19
2.2.1 感知機19
2.2.2 多層感知機 22
2.2.3 深度學習23
2.2.4 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程24
2.3 神經(jīng)網(wǎng)絡(luò)的訓練方法 26
2.3.1 正向傳播26
2.3.2 反向傳播29
2.4 神經(jīng)網(wǎng)絡(luò)的設(shè)計基礎(chǔ) 30
2.4.1 網(wǎng)絡(luò)的拓撲結(jié)構(gòu)30
2.4.2 激活函數(shù)31
2.4.3 損失函數(shù)35
2.5 過擬合與正則化 38
2.5.1 過擬合38
2.5.2 正則化39
2.6 交叉驗證 44
2.7 本章小結(jié) 46
習題 47
第 3 章 深度學習應(yīng)用48
3.1 適合圖像處理的卷積神經(jīng)網(wǎng)絡(luò) 48
3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的總體結(jié)構(gòu) 49
3.1.2 應(yīng)用于圖像分類的卷積神經(jīng)
網(wǎng)絡(luò).60
3.1.3 應(yīng)用于圖像目標檢測的卷積神
XXI
經(jīng)網(wǎng)絡(luò)79
3.1.4 應(yīng)用于圖像生成的神經(jīng)網(wǎng)絡(luò)95
3.2 適合文本/語音處理的循環(huán)神經(jīng)
網(wǎng)絡(luò)110
3.2.1 RNN110
3.2.2 LSTM 114
3.2.3 GRU117
3.2.4 小結(jié)118
3.3 大模型118
3.3.1 Seq2Seq119
3.3.2 注意力機制120
3.3.3 Transformer124
3.3.4 自然語言處理大模型 126
3.3.5 圖像處理和多模態(tài)大模型 139
3.3.6 基于大模型的智能體系統(tǒng) 152
3.3.7 小結(jié)156
3.4 神經(jīng)網(wǎng)絡(luò)的優(yōu)化157
3.4.1 初始化方法158
3.4.2 梯度下降法159
3.4.3 動量法 163
3.4.4 二階優(yōu)化方法 164
3.4.5 自適應(yīng)學習率算法165
3.5 神經(jīng)網(wǎng)絡(luò)量化 167
3.5.1 數(shù)據(jù)量化 169
3.5.2 神經(jīng)網(wǎng)絡(luò)量化過程173
3.5.3 神經(jīng)網(wǎng)絡(luò)量化應(yīng)用174
3.5.4 神經(jīng)網(wǎng)絡(luò)的混合精度量化.175
3.5.5 大模型量化176
3.5.6 小結(jié)177
3.6 驅(qū)動范例 177
3.6.1 圖像風格遷移簡介177
3.6.2 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像風格
遷移算法 178
3.6.3 實時圖像風格遷移算法 181
3.7 本章小結(jié) 182
習題 183
第 4 章 編程框架使用 184
4.1 編程框架概述 184
4.1.1 為什么需要編程框架 184
4.1.2 編程框架的發(fā)展歷程 186
4.2 PyTorch 概述 187
4.3 PyTorch 編程模型及基本
用法188
4.3.1 NumPy 基礎(chǔ) 188
4.3.2 張量194
4.3.3 操作202
4.3.4 計算圖 206
4.4 基于 PyTorch 的模型推理
實現(xiàn)208
4.4.1 讀取輸入圖像 210
4.4.2 構(gòu)建神經(jīng)網(wǎng)絡(luò) 214
4.4.3 實例化神經(jīng)網(wǎng)絡(luò)模型 222
4.4.4 神經(jīng)網(wǎng)絡(luò)模型的調(diào)試 226
4.4.5 神經(jīng)網(wǎng)絡(luò)模型優(yōu)化228
4.5 基于 PyTorch 的模型訓練
實現(xiàn)231
4.5.1 加載訓練數(shù)據(jù)集 231
4.5.2 模型訓練 233
4.5.3 模型的保存與恢復239
4.6 驅(qū)動范例 241
4.6.1 加載依賴包241
4.6.2 加載并顯示內(nèi)容圖像和
風格圖像 242
4.6.3 創(chuàng)建輸入圖像 243
4.6.4 定義并計算損失函數(shù) 244
4.6.5 構(gòu)建風格遷移算法247
XXII
4.6.6 風格遷移算法運行248
4.7 本章小結(jié) 249
習題 249
第 5 章 編程框架原理 250
5.1 編程框架設(shè)計 250
5.1.1 設(shè)計原則 250
5.1.2 整體架構(gòu) 251
5.2 計算圖構(gòu)建 252
5.2.1 正向計算圖構(gòu)建 253
5.2.2 反向計算圖構(gòu)建 256
5.3 計算圖執(zhí)行 260
5.3.1 設(shè)備管理 260
5.3.2 張量實現(xiàn) 262
5.3.3 算子執(zhí)行 269
*5.4 深度學習編譯 278
5.4.1 為什么需要深度學習編譯 278
5.4.2 圖層級編譯優(yōu)化 281
5.4.3 算子層級編譯優(yōu)化287
5.4.4 常見深度學習編譯器 294
*5.5 分布式訓練299
5.5.1 為什么需要分布式訓練 300
5.5.2 分布式訓練基礎(chǔ) 300
5.5.3 分布式訓練方法 305
5.5.4 分布式訓練框架實現(xiàn) 312
5.6 本章小結(jié) 318
習題 319
第 6 章 面向深度學習的處理器原理320
6.1 通用處理器 320
6.1.1 通用處理器的執(zhí)行原理 321
6.1.2 通用處理器的結(jié)構(gòu)發(fā)展 323
6.1.3 通用處理器分析和優(yōu)化 339
6.1.4 總結(jié)和討論346
6.2 向量處理器 347
6.2.1 向量處理器的執(zhí)行原理 347
6.2.2 向量處理器的結(jié)構(gòu)發(fā)展 352
6.2.3 向量處理器分析和優(yōu)化 359
6.2.4 總結(jié)和討論363
6.3 深度學習處理器364
6.3.1 深度學習處理器的執(zhí)行
原理364
6.3.2 深度學習處理器的結(jié)構(gòu)
發(fā)展376
6.3.3 總結(jié)和討論382
6.4 大規(guī)模深度學習處理器382
6.4.1 一致性訪存模型 383
6.4.2 非一致性訪存模型384
6.4.3 分形計算模型 386
6.4.4 深度學習處理器示例 386
6.5 本章小結(jié) 387
習題 387
第 7 章 深度學習處理器架構(gòu).389
7.1 計算389
7.1.1 矩陣運算單元 390
7.1.2 向量與標量單元 400
7.1.3 總結(jié)和討論408
7.2 存儲409
7.2.1 便箋存儲器409
7.2.2 外部存儲器訪問 412
7.2.3 總結(jié)和討論417
7.3 通信418
7.3.1 互聯(lián)網(wǎng)絡(luò) 419
7.3.2 集合通信原語 420
7.3.3 通信架構(gòu)設(shè)計 424
7.3.4 總結(jié)和討論426
*7.4 設(shè)計優(yōu)化 426
7.4.1 變換427
XXIII
7.4.2 壓縮429
7.4.3 近似431
7.4.4 非傳統(tǒng)結(jié)構(gòu)和器件434
7.5 本章小結(jié) 437
習題 437
第 8 章 智能編程語言 439
8.1 為什么需要智能編程語言439
8.1.1 語義鴻溝 440
8.1.2 硬件鴻溝 442
8.1.3 平臺鴻溝 445
8.1.4 小結(jié)445
8.2 智能計算系統(tǒng)抽象架構(gòu)446
8.2.1 抽象硬件架構(gòu) 447
8.2.2 典型智能計算系統(tǒng)447
8.2.3 控制模型 448
8.2.4 存儲模型 449
8.2.5 計算模型 450
8.3 智能編程模型 450
8.3.1 異構(gòu)編程 450
8.3.2 多核并行 452
8.3.3 存儲空間 454
8.4 智能編程語言基礎(chǔ) 455
8.4.1 語法概述 455
8.4.2 內(nèi)建變量與內(nèi)建函數(shù) 457
8.4.3 BCL 程序示例458
8.5 智能應(yīng)用編程接口 459
8.5.1 核函數(shù)接口459
8.5.2 運行時接口460
8.5.3 使用示例 462
8.6 智能應(yīng)用功能調(diào)試 465
8.6.1 功能調(diào)試方法 465
8.6.2 功能調(diào)試接口 470
8.6.3 功能調(diào)試工具 472
8.6.4 精度調(diào)試方法 474
8.6.5 功能調(diào)試實踐 476
8.7 智能應(yīng)用性能調(diào)優(yōu) 483
8.7.1 性能分析工具 483
8.7.2 性能調(diào)優(yōu)方法 489
8.8 智能編程語言的應(yīng)用 495
8.8.1 高性能算子開發(fā) 496
8.8.2 編程框架算子開發(fā)502
8.9 本章小結(jié) 509
習題 509
第 9 章 大模型計算系統(tǒng)511
9.1 大模型算法分析512
9.2 大模型驅(qū)動范例：BLOOM 516
9.2.1 BLOOM-176B 模型 516
9.2.2 BLOOM-176B 運行平臺517
9.2.3 BLOOM-176B 計算過程及
分析518
9.3 大模型系統(tǒng)軟件524
9.3.1 訓練場景 525
9.3.2 推理場景 530
9.4 大模型基礎(chǔ)硬件534
9.4.1 大模型計算節(jié)點 534
9.4.2 大模型計算集群 538
9.5 本章小結(jié) 541
習題 541
參考文獻 544
后記566
展開全部
智能計算系統(tǒng) 從深度學習到大模型 第2版 相關(guān)資料
陳國良 中國科學院院士 中國科學技術(shù)大學教授，首屆全國高校教學名師 陳云霽等人梳理了深度學習和大模型等人工智能技術(shù)對計算系統(tǒng)的需求，開創(chuàng)了我國第一門講授當代智能計算系統(tǒng)的課程，編寫了我國第一本智能計算系統(tǒng)教材。這套課程和教材應(yīng)用在我國百所高校的教學中，對我國人工智能人才培養(yǎng)產(chǎn)生了廣泛而深遠的影響。 李國杰 中國工程院院士 中國計算機學會名譽理事長，中國科學技術(shù)大學計算機學院原院長 這本教材采用“應(yīng)用驅(qū)動，全棧貫通”的原則，以“圖像風格遷移”這一具體的智能應(yīng)用為牽引，對智能計算系統(tǒng)各層軟硬件技術(shù)棧的奧妙和聯(lián)系進行精確、扼要的介紹，使學生對系統(tǒng)全貌有深刻印象，達到舉一反三、觸類旁通的效果。 孫凝暉 中國工程院院士 中國計算機學會理事長、中國科學院學術(shù)委員會主任，中國科學院大學計算機學院院長 計算所的學科優(yōu)勢是計算機系統(tǒng)與算法。計算所智能處理器研究中心在智能方向打通了系統(tǒng)與算法，再將這些科研優(yōu)勢輻射到教學，寫出了這本代表計算所學派特色的教材。讀者從中不僅能學到知識，也能一窺計算所做學問的方法。 張宏江 美國工程院外籍院士 北京智源人工智能研究院首任理事長 人工智能是一個高速發(fā)展的科研領(lǐng)域和創(chuàng)新產(chǎn)業(yè)，因此，寫好人工智能教材是一項非常大的挑戰(zhàn)，需要走在科研前沿的研究者。作為北京智源研究院智能體系結(jié)構(gòu)方向的首席科學家，陳云霽研究員及其同事編寫的這本教材，深入淺出地介紹了當代機器學習計算系統(tǒng)軟硬件技術(shù)棧的知識，其系統(tǒng)性、全面性在國內(nèi)外都非常難得，值得每位人工智能方向的讀者閱讀。 張亞勤 中國工程院外籍院士 清華大學智能產(chǎn)業(yè)研究院院長 AI給傳統(tǒng)的計算體系帶來了巨大的顛覆，芯片、架構(gòu)、框架、編程語言、算法和理論都需要整體的重構(gòu)。作者深層次、全棧性地解析了AI的關(guān)鍵理論和技術(shù)，又通過圖像風格遷移實例生動地演示了AI實踐。這是一本好書，尤其適合作為高年級本科生/研究生的教材和科技人員的參考書，我大力推薦！ 鄭南寧 中國工程院院士 西安交通大學原校長 智能計算系統(tǒng)是支撐大模型等下一代人工智能技術(shù)發(fā)展的不可或缺的載體。本書作為我國第一本講授當代智能計算系統(tǒng)完整技術(shù)體系的教材，既有深度也有廣度，對于人工智能專業(yè)人才的培養(yǎng)具有重要價值，同時也是一份不可多得的學習資料，值得從事人工智能基礎(chǔ)軟硬件研究的工程師和研究人員閱讀。 鄭緯民 中國工程院院士 中國計算機學會原理事長，清華大學計算機系教授 本書對人工智能軟硬件技術(shù)棧（包括智能算法、智能編程框架、智能芯片結(jié)構(gòu)、智能編程語言等）進行了全方位、系統(tǒng)性的介紹，內(nèi)容深入淺出，非常適合培養(yǎng)學生的系統(tǒng)思維。到目前為止，國內(nèi)外少有同類書。本書適合作為高等院校相關(guān)專業(yè)的教材，對于人工智能相關(guān)科研和產(chǎn)業(yè)人員，本書也是很好的參考書。 周志華 歐洲科學院院士 國際人工智能聯(lián)合會理事會主席，南京大學計算機系主任兼人工智能學院院長 本書覆蓋了神經(jīng)網(wǎng)絡(luò)基礎(chǔ)算法、深度學習編程框架、芯片體系結(jié)構(gòu)等，是國內(nèi)第一本關(guān)于深度學習計算系統(tǒng)的書籍。主要作者是寒武紀深度學習處理器基礎(chǔ)研究的開拓者，基于一流科研水平成書，值得期待。
智能計算系統(tǒng) 從深度學習到大模型 第2版 作者簡介
陳云霽 中國科學院計算技術(shù)研究所副所長、研究員、博導，處理器芯片全國重點實驗室主任，中國科學院大學崗位教授，中國計算機學會體系結(jié)構(gòu)專委會主任。他帶領(lǐng)團隊研制了國際上首個深度學習處理器芯片“寒武紀1號”，相關(guān)成果兩獲計算機體系結(jié)構(gòu)頂級國際會議最佳論文獎，并已應(yīng)用在上億臺智能手機和服務(wù)器中。他的學術(shù)論文受五大洲、三十個國家、數(shù)百個知名機構(gòu)廣泛跟蹤引用。他被Science雜志刊文評價為深度學習處理器的“先驅(qū)”和“引領(lǐng)者”，并獲我國處理器芯片領(lǐng)域迄今為止唯一的國家自然科學二等獎（第一完成人）。他還曾獲國家杰出青年科學基金、全國五一勞動獎?wù)隆⒅袊嗄晡逅莫務(wù)隆⑷珖鴦?chuàng)新爭先獎、何梁何利基金科學與技術(shù)創(chuàng)新獎、“青年長江學者”，并被MIT Technology Review 評為全球35位杰出青年創(chuàng)新者（2015
年度）。
趙永威 中國科學院計算技術(shù)研究所副研究員。研究方向為智能處理器體系結(jié)構(gòu)。在ISCA、MICRO、Proc. IEEE等會議和期刊上發(fā)表學術(shù)論文20篇。曾獲得中國計算機學會優(yōu)秀博士學位論文獎、MICRO 2022最佳論文Runner-up獎。陳云霽 中國科學院計算技術(shù)研究所副所長、研究員、博導，處理器芯片全國重點實驗室主任，中國科學院大學崗位教授，中國計算機學會體系結(jié)構(gòu)專委會主任。他帶領(lǐng)團隊研制了國際上首個深度學習處理器芯片“寒武紀1號”，相關(guān)成果兩獲計算機體系結(jié)構(gòu)頂級國際會議最佳論文獎，并已應(yīng)用在上億臺智能手機和服務(wù)器中。他的學術(shù)論文受五大洲、三十個國家、數(shù)百個知名機構(gòu)廣泛跟蹤引用。他被Science雜志刊文評價為深度學習處理器的“先驅(qū)”和“引領(lǐng)者”，并獲我國處理器芯片領(lǐng)域迄今為止唯一的國家自然科學二等獎（第一完成人）。他還曾獲國家杰出青年科學基金、全國五一勞動獎?wù)隆⒅袊嗄晡逅莫務(wù)隆⑷珖鴦?chuàng)新爭先獎、何梁何利基金科學與技術(shù)創(chuàng)新獎、“青年長江學者”，并被MIT Technology Review 評為全球35位杰出青年創(chuàng)新者（2015
年度）。
李玲 中國科學院軟件研究所研究員、博導，CCF高級會員，IEEE Senior Member。研究方向為智能計算。在相關(guān)領(lǐng)域出版中文教材2本、英文教材1本，發(fā)表30多篇CCF A類期刊和會議論文。曾獲得CCF A類會議MICRO 2014最佳論文獎（該會議五十年來唯一一次美國以外國家獲此獎）、中國科學院杰出科技成就獎等獎勵。作為負責人主持過多項國家自然科學基金項目、國家重點研發(fā)計劃課題、中國科學院先導C類專項課題等。
趙永威 中國科學院計算技術(shù)研究所副研究員。研究方向為智能處理器體系結(jié)構(gòu)。在ISCA、MICRO、Proc. IEEE等會議和期刊上發(fā)表學術(shù)論文20篇。曾獲得中國計算機學會優(yōu)秀博士學位論文獎、MICRO 2022最佳論文Runner-up獎。
李威 中國科學院計算技術(shù)研究所副研究員。研究方向為高性能智能計算系統(tǒng)設(shè)計技術(shù)。作為負責人或骨干承擔了國家重點研發(fā)計劃課題、國家科技重大專項項目、國家自然科學基金、中國科學院戰(zhàn)略性先導課題等。作為核心成員參與了多款深度學習處理器的研發(fā)，發(fā)表或錄用學術(shù)論文30余篇，出版專著三部。
郭崎 中國科學院計算技術(shù)研究所研究員。長期從事計算機體系結(jié)構(gòu)及人工智能相關(guān)研究。發(fā)表50余篇CCF A類期刊和會議論文。入選國家級青年人才，曾獲得國家自然科學二等獎、中國科學院青年科學家獎、中國科學院杰出科技成就獎等。
文淵博 中國科學院計算技術(shù)研究所助理研究員。研究方向為智能處理器體系結(jié)構(gòu)和系統(tǒng)軟件。深度參與多款深度學習處理器的系統(tǒng)軟件研發(fā)工作，在ASPLOS、MICRO、ICML、NeurIPS等頂級會議和期刊上發(fā)表論文10余篇。
張蕊 中國科學院計算技術(shù)研究所副研究員。研究方向為深度學習和處理器設(shè)計智能化，長期從事人工智能算法和軟硬件協(xié)同相關(guān)的研究工作。先后在人工智能相關(guān)領(lǐng)域的國際頂級期刊和會議（包括IEEE Trans. on PAMI、NeurIPS、ICML、CVPR、ICCV、ICLR、AAAI、IJCAI等）上發(fā)表論文40余篇，申請專利20余項。多次榮獲中國科學院計算技術(shù)研究所優(yōu)秀科研人員稱號。
書友推薦
- >
中國歷史的瞬間
- >
巴金－再思錄
- >
推拿
- >
伊索寓言-世界文學名著典藏-全譯本
- >
二體千字文
- >
莉莉和章魚
- >
名家?guī)阕x魯迅:故事新編
- >
月亮與六便士
本類暢銷
