本书主要讨论机器学习、神经形态计算和神经网络的理论及应用，专注于机器学习加速器和硬件开发。本书从传统的微处理架构发展历程入手，介绍在后摩尔定律和后丹纳德微缩定律下，新型架构的发展趋势和影响执行性能的各类衡量指标。然后从应用领域、ASIC和特定领域架构三个角度展示了设计特定的硬件实现所需考虑的诸多因素。接着结合机器学习开发过程及其性能提升方法（如模型压缩、编码、近似、优化等）介绍硬件实现的细节。zui后给出机器学习硬件实现的大量案例，展示机器如何获得思维能力。本书适合有一定机器学习基础并希望了解更多技术发展趋势的读者阅读。
1.1 机器学习的曙光 1
1.2 机器学习及其应用 3
1.3 学习及其性能指标 4
1.4 例子 11
1.5 机器学习的总结 15
第2章 传统的微架构 16
2.1 微处理器 16
2.2 多核处理器 21
2.3 数字信号处理器 22
2.4 图形处理单元 24
2.5 现场可编程门阵列 27
2.6 特定领域架构的前景 30
2.7 执行性能的衡量指标 34
第3章 机器学习及其实现 43
3.1 神经元及其网络 43
3.2 神经形态计算 45
3.3 神经网络 49
3.4 用于模拟实现的内存单元 57
第4章 应用、ASIC和特定领域架构 58
4.1 应用 58
4.2 应用的特征 59
4.3 特定应用的集成电路 65
4.4 特定领域架构 71
4.5 机器学习硬件 73
4.6 深度学习上的推理分析和训练分析 74
第5章 机器学习模型开发 79
5.1 开发过程 79
5.2 编译器 82
5.3 代码优化 83
5.4 Python脚本语言和虚拟机 85
5.5 计算统一设备架构 87
第6章 性能提升方法 89
6.1 模型压缩 89
6.2 数值压缩 99
6.3 编码 110
6.4 零值跳过 116
6.5 近似 121
6.6 优化 125
6.7 性能提升方法的总结 128
第7章 硬件实现的案例研究 130
7.1 神经形态计算 130
7.2 深度神经网络 135
7.3 量子计算 175
7.4 研究案例的总结 175
第8章 硬件实现的关键 183
8.1 市场增长预测 183
8.2 设计和成本之间的权衡 186
8.3 硬件实现策略 188
8.4 硬件设计要求概述 193
第9章 结论 194
点击下载