欧美交换配乱吟粗大特黄,国产91精品久久久久久无码

內容簡介

　　本書主要關注如何構建高能效具有學習能力的脈沖型神經元網絡硬件，并且提供建立具有學習能力的脈沖型神經元網絡硬件協(xié)同設計、協(xié)同優(yōu)化方法。完整地描述從高級算法到底層硬件實現(xiàn)的細節(jié)。本書同樣涵蓋了脈沖型神經元網絡中的許多基礎知識和關鍵點。本書從對脈沖型神經元網絡的概述開始，討論基于速率的人工神經網絡的應用和訓練，介紹實現(xiàn)神經網絡的多種方法，如通用處理器和專用硬件，數(shù)字加速器和模擬加速器。同時展示了一個為能適應神經網絡動態(tài)編程而建立的高能效加速器，驗證脈沖神經網絡的基礎概念和流行的學習算法，簡介脈沖神經網絡硬件。后面的章節(jié)為讀者介紹三個實現(xiàn)前述章節(jié)學習算法的設計案例（兩個基于傳統(tǒng)CMOS工藝，一個基于新興的納米工藝）。本書的結尾對脈沖型神經元網絡硬件進行總結與展望。

作者簡介

　　鄭楠（Nan Zheng） 2011年本科畢業(yè)于上海交通大學信息工程專業(yè)，2014年和2018年分別獲得美國密歇根大學電氣工程碩士和博士學位。他目前是NVIDIA高級深度學習架構師，研究興趣側重于機器學習應用的低能耗硬件架構、算法和電路技術。皮納基·馬祖姆德（Pinaki Mazumder）美國密歇根大學電氣工程與計算機科學系教授，他的研究興趣包括對于量子MOS、自旋電子學、欺騙等離子體、共振隧穿器件等新興技術的CMOS超大規(guī)模集成電路設計、半導體存儲系統(tǒng)、CAD工具和電路設計。譯者簡介：劉佩林　上海交通大學電子信息與電氣工程學院教授，博士生導師。研究領域包括音頻、視頻、3D信號處理與智能分析，面向機器人的環(huán)境感知、人機交互、定位與導航，以及類腦計算與低功耗電路設計等。2017年起任上海交通大學類腦智能應用技術研究中心主任。應忍冬　上海交通大學電子信息與電氣工程學院副教授，碩士生導師。研究領域包括嵌入式系統(tǒng)、數(shù)字信號處理及VLSI實現(xiàn)架構、人工智能領域的機器思維原理和實現(xiàn)。　薛建偉　上海交通大學電子信息與電氣工程學院博士研究生。研究領域包括類腦智能、片上多核系統(tǒng)等。

圖書目錄

譯者序
前言
致謝
第1章　概述1
　1.1　神經網絡的歷史1
　1.2　軟件中的神經網絡2
　　　1.2.1　人工神經網絡2
　　　1.2.2　脈沖神經網絡2
　1.3　神經形態(tài)硬件的需求3
　1.4　本書的目標和大綱4
　參考文獻6
第2章　人工神經網絡的基礎與學習9
　2.1　人工神經網絡的工作原理9
　　　2.1.1　推理9
　　　2.1.2　學習10
　2.2　基于神經網絡的機器學習13
　　　2.2.1　監(jiān)督學習13
　　　2.2.2　強化學習15
　　　2.2.3　無監(jiān)督學習17
　　　2.2.4　案例研究：基于動作的啟發(fā)式動態(tài)規(guī)劃18
　2.3　網絡拓撲24
　　　2.3.1　全連接神經網絡24
　　　2.3.2　卷積神經網絡25
　　　2.3.3　循環(huán)神經網絡27
　2.4　數(shù)據(jù)集和基準29
　2.5　深度學習31
　　　2.5.1　前深度學習時代31
　　　2.5.2　深度學習的崛起31
　　　2.5.3　深度學習技術32
　　　2.5.4　深度神經網絡示例38
　參考文獻40
第3章　硬件中的人工神經網絡47
　3.1　概述47
　3.2　通用處理器48
　3.3　數(shù)字加速器48
　　　3.3.1　數(shù)字ASIC實現(xiàn)方法48
　　　3.3.2　FPGA加速器61
　3.4　模擬/混合信號加速器62
　　　3.4.1　傳統(tǒng)集成技術中的神經網絡62
　　　3.4.2　基于新興非易失性存儲器的神經網絡68
　　　3.4.3　光學加速器71
　3.5　案例研究：一種節(jié)能的自適應動態(tài)規(guī)劃加速器的程序設計72
　　　3.5.1　硬件架構73
　　　3.5.2　設計示例78
　參考文獻82
第4章　脈沖神經網絡的工作原理與學習92
　4.1　脈沖神經網絡92
　　　4.1.1　常見的脈沖神經元模型92
　　　4.1.2　信息編碼94
　　　4.1.3　脈沖神經元與非脈沖神經元的比較95
　4.2　淺層SNN的學習96
　　　4.2.1　ReSuMe96
　　　4.2.2　Tempotron97
　　　4.2.3　脈沖時間相關可塑性98
　　　4.2.4　雙層神經網絡中通過調制權重依賴的STDP進行學習的方法101
　4.3　深度SNN學習113
　　　4.3.1　SpikeProp113
　　　4.3.2　淺層網絡棧113
　　　4.3.3　ANN的轉換115
　　　4.3.4　深度SNN反向傳播的研究進展116
　　　4.3.5　在多層神經網絡中通過調制權重依賴的STDP進行學習的方法116
　參考文獻128
第5章　脈沖神經網絡的硬件實現(xiàn)133
　5.1　對專用硬件的需求133
　　　5.1.1　地址事件表示133
　　　5.1.2　事件驅動計算134
　　　5.1.3　漸進精度推理134
　　　5.1.4　實現(xiàn)權重依賴的STDP學習規(guī)則的硬件注意事項138
　5.2　數(shù)字脈沖神經網絡142
　　　5.2.1　大規(guī)模脈沖神經網絡專用集成電路142
　　　5.2.2　中小型數(shù)字脈沖神經網絡147
　　　5.2.3　脈沖神經網絡中的硬件友好型強化學習149
　　　5.2.4　多層脈沖神經網絡中的硬件友好型監(jiān)督學習153
　5.3　模擬/混合信號脈沖神經網絡161
　　　5.3.1　基本構建塊161
　　　5.3.2　大規(guī)模模擬/混合信號CMOS脈沖神經網絡163
　　　5.3.3　其他模擬/混合信號CMOS脈沖神經網絡專用集成電路166
　　　5.3.4　基于新興納米技術的脈沖神經網絡166
　　　5.3.5　案例研究：脈沖神經網絡中基于憶阻器交叉開關的學習169
　參考文獻183
第6章　總結190
　6.1　展望190
　　　6.1.1　腦啟發(fā)式計算190
　　　6.1.2　新興的納米技術191
　　　6.1.3　神經形態(tài)系統(tǒng)的可靠計算192
　　　6.1.4　人工神經網絡和脈沖神經網絡的融合193
　6.2　結論194
　參考文獻194
附錄197
術語表205