TOP
瀏覽紀錄
【反詐騙】接到不明來電說:升等為「高級會員」「購物滿意度調查」,這是詐騙!請絕對「不要依照指示操作ATM或網銀」
1/1
庫存:5
嵌入式深度學習:算法和硬件實現技術(簡體書)
人民幣定價:99元
定  價:NT$594元
優惠價: 75446
可得紅利積點:13 點

庫存:5

商品簡介

目次

本書介紹了實現嵌入式深度學習的算法和硬件實現技術。作者描述了應用、算法、電路級的協同設計方法,這些方法有助於實現降低深度學習算法計算成本的目標。這些技術的影響顯示在四個用於嵌入式深度學習的硅原型中。
盡管深度學習算法在許多典型的機器學習任務中都達到了最先進的水平,但由於大量的計算和巨大的模型尺寸,深度學習算法在能耗方面的代價非常高。因此,在電池容量受限的可穿戴設備上運行的深度學習應用只能通過與資源豐富的云端無線連接實現。這種方案有一些缺點。首先,存在隱私問題。云計算要求用戶與遠程系統共享其原始數據—圖像、視頻、位置和語音。大多數用戶都不願意這樣做。其次,云計算方案要求用戶始終保持連接狀態,在當前的蜂窩網絡覆蓋範圍下這是不可行的。此外,實時應用需要低延遲的連接,而當前的通信基礎設施無法保證這一點。最後,無線連接的效率很低—在供能受限的平臺上,每個待傳輸的信息位需要太多能量才能進行實時數據傳輸。所有這些問題(隱私、延遲、連接性以及昂貴的無線連接)都可以通過在邊緣端實施計算來解決。尋找這一目標的實現方法是本書的主題。本書聚焦於使面向嵌入式應用的深度學習算法的能耗降至最低的技術,這些應用是運行在電池容量受限的可穿戴邊緣設備上的。
只有當這些深度學習算法在可穿戴設備的計算平臺提供的能量和功率預算內以更高能效的方式運行時,才有可能進行邊緣計算。為了實現這一目標,需要在應用的所有設計層次上進行多項創新。首先可以開發更智能的應用,以實現統計上更高效的深度學習算法,進而在基於專門定制的電路構建的優化硬件平臺上運行。最後,設計人員不應單獨關注這些領域,而應協同優化硬件和軟件,以建立能耗最低的深度學習平臺。本書概述了設計此類系統可能的解決方案。

比利時魯汶大學 Bert Moons  
美國加利福尼亞州斯坦福大學 Daniel Bankman  
比利時魯汶大學Marian Verhelst
譯者序
前言
致謝
縮寫詞
第1章 嵌入式深度神經網絡 1
1.1 簡介 1
1.2 機器學習 2
1.2.1 任務T 3
1.2.2 性能度量P 3
1.2.3 經驗E 4
1.3 深度學習 4
1.3.1 深度前饋神經網絡 6
1.3.2 卷積神經網絡 8
1.3.3 循環神經網絡 16
1.3.4 訓練深度神經網絡 18
1.4 嵌入式深度神經網絡的挑戰 25
1.5 本書創新點 27
參考文獻 29
第2章 優化的層次級聯處理 34
2.1 簡介 34
2.2 層次級聯系統 36
2.2.1 泛化的兩級喚醒系統 36
2.2.2 層次化的代價、精度和召回率 37
2.2.3 層次化分類器的Roofline模型 40
2.2.4 優化的層次級聯感知 42
2.3 概念的一般性證明 43
2.3.1 系統描述 43
2.3.2 輸入統計 45
2.3.3 實驗 46
2.3.4 本節小結 48
2.4 案例研究:基於CNN的層次化人臉識別 49
2.4.1 人臉識別的分層結構 49
2.4.2 層次化的代價、精度和召回率 51
2.4.3 優化的人臉識別分層結構 52
2.5 小結 55
參考文獻 56
第3章 硬件–算法協同優化 58
3.1 簡介 58
3.1.1 利用網絡結構 59
3.1.2 增強並利用稀疏性 63
3.1.3 增強並利用容錯性 64
3.2 低精度神經網絡的能量增益 66
3.2.1 片外訪存的能耗 67
3.2.2 硬件平臺的一般性建模 68
3.3 測試時定點神經網絡 69
3.3.1 分析和實驗 70
3.3.2 量化對分類準確率的影響 70
3.3.3 稀疏FPNN的能耗 73
3.3.4 結果 75
3.3.5 討論 76
3.4 訓練時量化神經網絡 77
3.4.1 訓練QNN 78
3.4.2 QNN的能耗 81
3.4.3 實驗 81
3.4.4 結果 84
3.4.5 討論 88
3.5 聚類神經網絡 88
3.6 小結 90
參考文獻 91
第4章 近似計算的電路技術 95
4.1 近似計算範式簡介 95
4.2 近似計算技術 98
4.2.1 容錯分析與質量管理 98
4.2.2 近似電路 99
4.2.3 近似架構 100
4.2.4 近似軟件 101
4.2.5 討論 102
4.3 DVAFS:動態電壓精度頻率調節 102
4.3.1 DVAFS基礎 102
4.3.2 DVAFS的容錯識別 105
4.3.3 DVAFS的能量增益 106
4.4 DVAFS的性能分析 109
4.4.1 模塊級的DVAFS 109
4.4.2 系統級的DVAFS 111
4.5 DVAFS實現的挑戰 115
4.5.1 基礎DVA(F)S模塊的功能實現 115
4.5.2 基礎DVA(F)S模塊的物理實現 117
4.6 小結和討論 118
參考文獻 119
第5章 Envision:能耗可調節的稀疏卷積神經網絡處理 122
5.1 神經網絡加速 122
5.2 針對嵌入式CNN的二維MAC處理器架構 124
5.2.1 處理器數據通路 125
5.2.2 片上存儲架構 128
5.2.3 利用網絡稀疏性的硬件支持 130
5.2.4 通過定制化指令集實現高能效的靈活性 132
5.3 基於40nm CMOS的DVAS兼容的Envision處理器 133
5.3.1 RTL級的硬件支持 134
5.3.2 物理實現 135
5.3.3 測量結果 136
5.3.4 Envision V1回顧 143
5.4 基於28nm FD-SOI的DVAFS兼容的Envision處理器 144
5.4.1 RTL級硬件支持 146
5.4.2 物理實現 147
5.4.3 測量結果 147
5.4.4 Envision V2回顧 156
5.5 小結 157
參考文獻 158
第6章 BinarEye: 常開的數字及混合信號二值神經網絡處理 160
6.1 二值神經網絡 160
6.1.1 簡介 160
6.1.2 二值神經網絡層 161
6.2 二值神經網絡應用 165
6.3 可編程的輸入到標簽的加速器架構 167
6.3.1 256X:基礎的BinaryNet計算架構 169
6.3.2 SX:靈活的DVAFS BinaryNet計算架構 178
6.4 MSBNN:混合信號的256X實現 182
6.4.1 開關電容神經元陣列 183
6.4.2 測量結果 184
6.4.3 模擬信號通路代價 188
6.5 BinarEye:數字的SX實現 189
6.5.1 全數字的二值神經元 189
6.5.2 物理實現 190
6.5.3 測量結果 190
6.5.4 BinarEye中的DVAFS 194
6.5.5 與最先進水平的對比 195
6.6 數字與模擬二值神經網絡的實現對比 197
6.7 展望與未來工作 200
6.8 小結 202
參考文獻 204
第7章 結論、貢獻和未來工作 206
7.1 結論 207
7.2 未來工作的建議 210
參考文獻 211
索引 212

購物須知

為了保護您的權益,「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。

若要辦理退貨,請在商品鑑賞期內寄回,且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。

大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大,除封面破損、內頁脫落等較嚴重的狀態,其餘商品將正常出貨。

無現貨庫存之簡體書,將向海外調貨:
海外有庫存之書籍,等候約20個工作天;
海外無庫存之書籍,平均作業時間約60個工作天,然不保證確定可調到貨,尚請見諒。