دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: 1st ed.
نویسندگان: Hantao Huang. Hao Yu
سری: Computer Architecture and Design Methodologies
ISBN (شابک) : 9789811333224, 9789811333231
ناشر: Springer Singapore
سال نشر: 2019
تعداد صفحات: 157
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 9 مگابایت
کلمات کلیدی مربوط به کتاب شتاب دهنده فشرده و سریع یادگیری ماشین برای دستگاه های IoT: مهندسی، هوش محاسباتی، معماری پردازنده، بهینه سازی
در صورت تبدیل فایل کتاب Compact and Fast Machine Learning Accelerator for IoT Devices به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب شتاب دهنده فشرده و سریع یادگیری ماشین برای دستگاه های IoT نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
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.
Front Matter ....Pages i-ix
Introduction (Hantao Huang, Hao Yu)....Pages 1-8
Fundamentals and Literature Review (Hantao Huang, Hao Yu)....Pages 9-28
Least-Squares-Solver for Shallow Neural Network (Hantao Huang, Hao Yu)....Pages 29-62
Tensor-Solver for Deep Neural Network (Hantao Huang, Hao Yu)....Pages 63-105
Distributed-Solver for Networked Neural Network (Hantao Huang, Hao Yu)....Pages 107-143
Conclusion and Future Works (Hantao Huang, Hao Yu)....Pages 145-149