دانلود کتاب Embedded Deep Learning: Algorithms, Architectures and Circuits for Always-on Neural Network Processing (به فارسی: یادگیری عمیق تعبیه شده: الگوریتم ها، معماری ها و مدارها برای پردازش شبکه عصبی همیشه فعال) نوشته شده توسط «Bert Moons – Daniel Bankman – Marian Verhelst»
اطلاعات کتاب یادگیری عمیق تعبیه شده: الگوریتم ها، معماری ها و مدارها برای پردازش شبکه عصبی همیشه فعال
موضوع اصلی: مهندسی
نوع: کتاب الکترونیکی
ناشر: Springer International Publishing
نویسنده: Bert Moons – Daniel Bankman – Marian Verhelst
زبان: english
فرمت کتاب: PDF (قابل تبدیل به سایر فرمت ها)
سال انتشار: 2019
تعداد صفحه: 216
حجم فایل: 8.32 مگابایت
کد کتاب: 3319992236 , 9783319992235
نوبت چاپ: 1st ed.
توضیحات کتاب یادگیری عمیق تعبیه شده: الگوریتم ها، معماری ها و مدارها برای پردازش شبکه عصبی همیشه فعال
این کتاب تکنیک‌های پیاده‌سازی الگوریتمی و سخت‌افزاری را برای فعال کردن یادگیری عمیق تعبیه‌شده پوشش می‌دهد. نویسندگان رویکردهای طراحی هم افزایی را در سطوح کاربردی، الگوریتمی، معماری کامپیوتر و مدار توصیف می کنند که به دستیابی به هدف کاهش هزینه محاسباتی الگوریتم های یادگیری عمیق کمک می کند. تأثیر این تکنیک ها در چهار نمونه اولیه سیلیکونی برای یادگیری عمیق تعبیه شده نشان داده شده است.
- نمای کلی گسترده‌ای از مجموعه‌ای از راه‌حل‌های موثر برای شبکه‌های عصبی کارآمد انرژی در دستگاه‌های پوشیدنی با باتری را ارائه می‌دهد؛
- درباره بهینه‌سازی شبکه‌های عصبی برای استقرار تعبیه‌شده در همه سطوح بحث می‌کند. سلسله‌مراتب طراحی – برنامه‌ها، الگوریتم‌ها، معماری‌های سخت‌افزاری و مدارها – پشتیبانی شده توسط نمونه‌های اولیه سیلیکون واقعی؛
- در مورد نحوه طراحی پردازنده‌های شبکه عصبی کانولوشنال کارآمد، با بهره‌برداری از موازی‌سازی و استفاده مجدد از داده‌ها، عملیات پراکنده توضیح می‌دهد. و محاسبات با دقت پایین؛
- از نظریه معرفی شده و مفاهیم طراحی توسط چهار نمونه اولیه سیلیکون واقعی پشتیبانی می کند. اجرای تحقق فیزیکی و عملکردهای به دست آمده به طور مفصل مورد بحث قرار گرفته است تا مفاهیم طراحی چندلایه معرفی شده را نشان داده و برجسته کند.
This book covers algorithmic and hardware implementation techniques to enable embedded deep learning. The authors describe synergetic design approaches on the application-, algorithmic-, computer architecture-, and circuit-level that will help in achieving the goal of reducing the computational cost of deep learning algorithms. The impact of these techniques is displayed in four silicon prototypes for embedded deep learning.
- Gives a wide overview of a series of effective solutions for energy-efficient neural networks on battery constrained wearable devices;
- Discusses the optimization of neural networks for embedded deployment on all levels of the design hierarchy – applications, algorithms, hardware architectures, and circuits – supported by real silicon prototypes;
- Elaborates on how to design efficient Convolutional Neural Network processors, exploiting parallelism and data-reuse, sparse operations, and low-precision computations;
- Supports the introduced theory and design concepts by four real silicon prototypes. The physical realization’s implementation and achieved performances are discussed elaborately to illustrated and highlight the introduced cross-layer design concepts.
برای دریافت کد تخفیف ۲۰ درصدی این کتاب، ابتدا صفحه اینستاگرام کازرون آنلاین (@kazerun.online ) را دنبال کنید. سپس، کلمه «بلیان» را در دایرکت ارسال کنید تا کد تخفیف به شما ارسال شود.