Compact and Fast Machine Learning Accelerator for IoT Devices

این کتاب جدیدترین تکنیک‌ها را برای تجزیه و تحلیل داده‌های مبتنی بر یادگیری ماشین در دستگاه‌های لبه اینترنت اشیا ارائه می‌کند. یک مرور ادبیات جامع در مورد فشرده سازی شبکه عصبی و شتاب دهنده یادگیری ماشین از هر دو بهینه سازی سطح الگوریتم و بهینه سازی معماری سخت افزار ارائه شده است. پوشش روی شبکه عصبی کم عمق و عمیق با کاربردهای واقعی در ساختمان های هوشمند متمرکز است. نویسندگان همچنین طراحی معماری سخت‌افزار را با تمرکز بر هر دو سیستم محاسباتی مبتنی بر CMOS و سیستم‌های جدید مبتنی بر حافظه تصادفی مقاومتی (RRAM) مورد بحث قرار می‌دهند. مطالعات موردی دقیق مانند موقعیت یابی داخلی، مدیریت انرژی و تشخیص نفوذ نیز برای ساختمان های هوشمند ارائه شده است.

This book presents the latest techniques for machine learning based data analytics on IoT edge devices. A comprehensive literature review on neural network compression and machine learning accelerator is presented from both algorithm level optimization and hardware architecture optimization. Coverage focuses on shallow and deep neural network with real applications on smart buildings. The authors also discuss hardware architecture design with coverage focusing on both CMOS based computing systems and the new emerging Resistive Random-Access Memory (RRAM) based systems. Detailed case studies such as indoor positioning, energy management and intrusion detection are also presented for smart buildings.