智慧運算系統:從深度學習到大模型 第2版

陳雲霽

  • 出版商: 機械工業
  • 出版日期: 2024-07-01
  • 售價: $1,014
  • 貴賓價: 9.5$963
  • 語言: 簡體中文
  • 頁數: 567
  • 裝訂: 平裝
  • ISBN: 7111755952
  • ISBN-13: 9787111755951
  • 相關分類: LangChain
  • 立即出貨 (庫存=1)

相關主題

商品描述

本書由中科院計算所、軟體所的專家學者傾心寫就,以「影像風格遷移」應用為例,全面介紹智慧運算系統的軟硬體技術堆疊。
第2版​​以大模型為牽引更新,第1章回顧人工智慧、智慧運算系統的發展歷程,
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章介紹深度學習程式設計架構PyTorch的發展歷程、基本概念、程式設計模型與使用方法,
第5章介紹程式框架的工作原理,
第6章回顧深度學習所使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系架構應如何因應大模型處理中的運算、存取、通訊瓶頸,
第8章介紹基於BCL語言的高效能算子開發最佳化實踐,
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學研究人員參考。

目錄大綱

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
1.1 人工智慧1
1.1.1 什麼是人工智慧 1
1.1.2 人工智慧的主要方法1
1.1.3 人工智慧的發展歷史5
1.2 智慧計算系統 8
1.2.1 什麼是智慧計算系統8
1.2.2 為什麼需要智慧計算系統8
1.2.3 智慧計算系統的發展9
1.3 驅動範例 12
1.4 本章小結 13
習題.14
第 2 章 深度學習基礎15
2.1 機器學習 15
2.1.1 基本概念15
2.1.2 線性迴歸16
2.2 神經網路 19
2.2.1 感知機19
2.2.2 多層感知機 22
2.2.3 深度學習23
2.2.4 神經網路的發展歷程24
2.3 神經網路的訓練方法 26
2.3.1 正向傳播26
2.3.2 反向傳播29
2.4 神經網路的設計基礎 30
2.4.1 網路的拓樸結構30
2.4.2 激活函數31
2.4.3 損失函數35
2.5 過擬合與正規化 38
2.5.1 過擬合38
2.5.2 正規化39
2.6 交叉驗證 44
2.7 本章小結 46
習題 47
第 3 章 深度學習應用48
3.1 適合影像處理的捲積神經網路 48
3.1.1 卷積神經網路的整體結構 49
3.1.2 應用於影像分類的捲積神經
網路.60
3.1.3 應用於影像目標偵測的捲積神
XXI
經網絡79
3.1.4 應用於影像生成的神經網路95
3.2 適合文字/語音處理的循環神經
網路110
3.2.1 RNN110
3.2.2 LSTM 114
3.2.3 GRU117
3.2.4 小結118
3.3 大模型118
3.3.1 Seq2Seq119
3.3.2 注意力機制120
3.3.3 Transformer124
3.3.4 自然語言處理大模型 126
3.3.5 影像處理與多模態大模型 139
3.3.6 基於大模型的智能體系統 152
3.3.7 小結156
3.4 神經網路的優化157
3.4.1 初始化方法158
3.4.2 梯度下降法159
3.4.3 動量法 163
3.4.4 二階最佳化方法 164
3.4.5 自適應學習率演算法165
3.5 神經網路量化 167
3.5.1 資料量化 169
3.5.2 神經網路量化過程173
3.5.3 神經網路量化應用174
3.5.4 神經網路的混合精度量化.175
3.5.5 大模型量化176
3.5.6 小結177
3.6 驅動範例 177
3.6.1 影像風格遷移簡介177
3.6.2 基於卷積神經網路的圖像風格
遷移演算法 178
3.6.3 即時影像風格遷移演算法 181
3.7 本章小結 182
習題 183
第 4 章 程式框架使用 184
4.1 程式框架概述 184
4.1.1 為什麼需要程式框架 184
4.1.2 程式設計框架的發展歷程 186
4.2 PyTorch 概述 187
4.3 PyTorch 程式設計模型及基本
用法188
4.3.1 NumPy 基礎 188
4.3.2 張量194
4.3.3 操作202
4.3.4 計算圖 206
4.4 基於 PyTorch 的模型推理
實現208
4.4.1 讀取輸入影像 210
4.4.2 建構神經網路 214
4.4.3 實例化神經網路模型 222
4.4.4 神經網路模型的調試 226
4.4.5 神經網路模型優化228
4.5 基於 PyTorch 的模型訓練
實現231
4.5.1 載入訓練資料集 231
4.5.2 模型訓練 233
4.5.3 模型的保存與恢復239
4.6 驅動範例 241
4.6.1 載入依賴包241
4.6.2 載入並顯示內容圖像和
風格圖像 242
4.6.3 建立輸入影像 243
4.6.4 定義並計算損失函數 244
4.6.5 建構風格遷移演算法247
XXII
4.6.6 風格遷移演算法運行248
4.7 本章小結 249
習題 249
第 5 章 程式框架原理 250
5.1 程式框架設計 250
5.1.1 設計原則 250
5.1.2 整體架構 251
5.2 計算圖建構 252
5.2.1 正向計算圖建構 253
5.2.2 反向計算圖建構 256
5.3 計算圖執行 260
5.3.1 設備管理 260
5.3.2 張量實現 262
5.3.3 算子執行 269
*5.4 深度學習編譯 278
5.4.1 為什麼需要深度學習編譯 278
5.4.2 圖層級編譯最佳化 281
5.4.3 算子層級編譯最佳化287
5.4.4 常見深度學習編譯器 294
*5.5 分散式訓練299
5.5.1 為什麼需要分散式訓練 300
5.5.2 分散式訓練基礎 300
5.5.3 分散式訓練方法 305
5.5.4 分散式訓練框架實現 312
5.6 本章小結 318
習題 319
第 6 章 面向深度學習的處理器原理320
6.1 通用處理器 320
6.1.1 通用處理器的執行原理 321
6.1.2 通用處理器的結構發展 323
6.1.3 通用處理器分析與最佳化 339
6.1.4 總結與討論346
6.2 向量處理器 347
6.2.1 向量處理器的執行原理 347
6.2.2 向量處理器的結構發展 352
6.2.3 向量處理器分析與最佳化 359
6.2.4 總結與討論363
6.3 深度學習處理器364
6.3.1 深度學習處理器的執行
原理364
6.3.2 深度學習處理器的結構
發展376
6.3.3 總結與討論382
6.4 大規模深度學習處理器382
6.4.1 一致性訪存模