书籍详情
《嵌入式深度学习:算法和硬件实现技术伯特穆恩斯(BertM》[44M]百度网盘|亲测有效|pdf下载

  • 嵌入式深度学习:算法和硬件实现技术伯特穆恩斯(BertM

  • 出版社:互动图书专营店
  • 热度:4606
  • 上架时间:2024-06-30 09:08:33
  • 价格:9.0
书籍下载
9.0元标准版 8.9元简单版
书籍预览
查看预览 查看链接
免责声明

本站支持尊重有效期内的版权/著作权,所有的资源均来自于互联网网友分享或网盘资源，一旦发现资源涉及侵权，将立即删除。希望所有用户一同监督并反馈问题，如有侵权请联系站长或发送邮件到ebook666@outlook.com,本站将立马改正

内容介绍

 书[0名0]：  嵌入式深度[0学0]习：算[0法0]和硬[亻牛]实现技术|8083696
 图书定价： 99元
 图书作者： [比]伯特·穆恩斯（Bert Moons） [美]丹尼尔·班克曼（Daniel Bankman） [比]玛丽安·维赫尔斯特（Marian Verhelst）
 出版社：  [1机1]械工业出版社
 出版日期：  2021-08-24 0:00:00
 ISBN号： 9787111688075
 开本： 16开
 页数： 231
 版次： 1-1
 内容简介
本书介绍了实现嵌入式深度[0学0]习的算[0法0]和硬[亻牛]实现技术。作者描述了应用、算[0法0]、电路级的协同设计方[0法0]，这些方[0法0]有助于实现降低深度[0学0]习算[0法0]计算成本的目标。这些技术的影响显示在四个用于嵌入式深度[0学0]习的硅原型中。
 目录

译者序
前言
致谢
缩写词
[0第0]1章　嵌入式深度神[纟巠]网络 1
1.1　简介 1
1.2　[1机1]器[0学0]习 2
1.2.1　任务T 3
1.2.2　性能度量P 3
1.2.3　[纟巠]验E 4
1.3　深度[0学0]习 4
1.3.1　深度前馈神[纟巠]网络 6
1.3.2　卷积神[纟巠]网络 8
1.3.3　循环神[纟巠]网络 16
1.3.4　训练深度神[纟巠]网络 18
1.4　嵌入式深度神[纟巠]网络的挑战 25
1.5　本书创[亲斤]点 27
参考文献 29
[0第0]2章　[0优0]化的层次级联处理 34
2.1　简介 34
2.2　层次级联系统 36
2.2.1　泛化的两级唤醒系统 36
2.2.2　层次化的代价、精度和召回率 37
2.2.3　层次化分类器的Roofline模型 40
2.2.4　[0优0]化的层次级联感[0知0] 42
2.3　概念的一般性证明 43
2.3.1　系统描述 43
2.3.2　输入统计 45
2.3.3　实验 46
2.3.4　本节小结 48
2.4　案例研究：基于CNN的层次化人脸识别 49
2.4.1　人脸识别的分层结构 49
2.4.2　层次化的代价、精度和召回率 51
2.4.3　[0优0]化的人脸识别分层结构 52
2.5　小结 55
参考文献 56
[0第0]3章　硬[亻牛]–算[0法0]协同[0优0]化 58
3.1　简介 58
3.1.1　利用网络结构 59
3.1.2　增强并利用稀疏性 63
3.1.3　增强并利用容错性 64
3.2　低精度神[纟巠]网络的能量增益 66
3.2.1　片外访存的能耗 67
3.2.2　硬[亻牛]平台的一般性建模 68
3.3　测试时定点神[纟巠]网络 69
3.3.1　分析和实验 70
3.3.2　量化对分类准确率的影响 70
3.3.3　稀疏FPNN的能耗 73
3.3.4　结果 75
3.3.5　讨论 76
3.4　训练时量化神[纟巠]网络 77
3.4.1　训练QNN 78
3.4.2　QNN的能耗 81
3.4.3　实验 81
3.4.4　结果 84
3.4.5　讨论 88
3.5　聚类神[纟巠]网络 88
3.6　小结 90
参考文献 91
[0第0]4章　近似计算的电路技术 95
4.1　近似计算范式简介 95
4.2　近似计算技术 98
4.2.1　容错分析与质量管理 98
4.2.2　近似电路 99
4.2.3　近似架构 100
4.2.4　近似软[亻牛] 101
4.2.5　讨论 102
4.3　DVAFS：动态电压精度频率调节 102
4.3.1　DVAFS基础 102
4.3.2　DVAFS的容错识别 105
4.3.3　DVAFS的能量增益 106
4.4　DVAFS的性能分析 109
4.4.1　模块级的DVAFS 109
4.4.2　系统级的DVAFS 111
4.5　DVAFS实现的挑战 115
4.5.1　基础DVA(F)S模块的功能实现 115
4.5.2　基础DVA(F)S模块的物理实现 117
4.6　小结和讨论 118
参考文献 119
[0第0]5章　Envision：能耗可调节的稀疏卷积神[纟巠]网络处理 122
5.1　神[纟巠]网络加速 122
5.2　针对嵌入式CNN的二维MAC处理器架构 124
5.2.1　处理器数据通路 125
5.2.2　片上存储架构 128
5.2.3　利用网络稀疏性的硬[亻牛]支持 130
5.2.4　通过定制化指令集实现高能效的灵活性 132
5.3　基于40nm CMOS的DVAS兼容的Envision处理器 133
5.3.1　RTL级的硬[亻牛]支持 134
5.3.2　物理实现 135
5.3.3　测量结果 136
5.3.4　Envision V1回顾 143
5.4　基于28nm FD-SOI的DVAFS兼容的Envision处理器 144
5.4.1　RTL级硬[亻牛]支持 146
5.4.2　物理实现 147
5.4.3　测量结果 147
5.4.4　Envision V2回顾 156
5.5　小结 157
参考文献 158
[0第0]6章　BinarEye： 常开的数字及混合信号二值神[纟巠]网络处理 160
6.1　二值神[纟巠]网络 160
6.1.1　简介 160
6.1.2　二值神[纟巠]网络层 161
6.2　二值神[纟巠]网络应用 165
6.3　可编程的输入到标签的加速器架构 167
6.3.1　256X：基础的BinaryNet计算架构 169
6.3.2　SX：灵活的DVAFS BinaryNet计算架构 178
6.4　MSBNN：混合信号的256X实现 182
6.4.1　开关电容神[纟巠]元阵列 183
6.4.2　测量结果 184
6.4.3　模拟信号通路代价 188
6.5　BinarEye：数字的SX实现 189
6.5.1　全数字的二值神[纟巠]元 189
6.5.2　物理实现 190
6.5.3　测量结果 190
6.5.4　BinarEye中的DVAFS 194
6.5.5　与[*]先进水平的对比 195
6.6　数字与模拟二值神[纟巠]网络的实现对比 197
6.7　展望与未来工作 200
6.8　小结 202
参考文献 204
[0第0]7章　结论、贡献和未来工作 206
7.1　结论 207
7.2　未来工作的建议 210
参考文献 211
索引 212


相关推荐
基于ARM的微机原理与接口技术
苦旅寻真
嵌入式单片机STM原理及应用