智能計算系統-從深度學習到大模型 (第2版) 陳雲霽 9787111755951 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$1,075
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為正確資訊。 印行年月：202407*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：智能計算系統-從深度學習到大模型 (第2版) ISBN：9787111755951 出版社：機械工業 著編譯者：陳雲霽 頁數：567 所在地：中國大陸 *此為代購商品 書號：1661386 可大量預訂，請先連絡。 內容簡介 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繫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。作者簡介 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，教育部高等學校計算機類專業教學指導委員會計算機系統專委會委員。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計算機體繫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 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
