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: نویسندگان: Brandon Reagen, Robert Adolf, Paul Whatmough, Gu-Yeon Wei, David Brooks سری: Synthesis Lectures on Computer Architecture ISBN (شابک) : 9781627059855 ناشر: Morgan & Claypool سال نشر: 2017 تعداد صفحات: 108 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 مگابایت
در صورت تبدیل فایل کتاب Deep Learning for Computer Architects 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 یادگیری عمیق برای معماران کامپیوتر 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 یک آغازگر است که برای معماران کامپیوتر در زمینه جدید و به سرعت در حال تکامل یادگیری عمیق نوشته شده است. این کتاب چگونگی تکامل یادگیری ماشینی را از زمان پیدایش آن در دهه 1960 بررسی میکند و تحولات کلیدی را که منجر به ظهور تکنیکهای یادگیری عمیق قدرتمند در دهه گذشته میشود، دنبال میکند. یادگیری ماشینی، و به طور خاص یادگیری عمیق، در بسیاری از زمینههای علوم کامپیوتر بسیار مخرب بوده است. موفقیت تکنیکهای یادگیری عمیق در حل مشکلات طبقهبندی و رگرسیون دشوار منجر به پذیرش سریع آنها در حل مسائل دنیای واقعی شده است. ظهور یادگیری عمیق به طور گسترده به یک چرخه فضیلتانگیز نسبت داده میشود که به موجب آن پیشرفتهای اساسی در آموزش مدلهای عمیقتر با در دسترس بودن مجموعه دادههای عظیم و سختافزار رایانه با کارایی بالا امکانپذیر شد. همچنین بارهای کاری نماینده، از جمله متداول ترین مجموعه داده ها و شبکه های seminal در دامنه های مختلف را بررسی می کند. علاوه بر بحث در مورد بارهای کاری، محبوبترین ابزارهای یادگیری عمیق را نیز شرح میدهد و نشان میدهد که چگونه پزشکان مشتاق میتوانند از ابزارها با بارهای کاری برای توصیف و بهینهسازی DNN استفاده کنند. بقیه کتاب به طراحی و بهینه سازی سخت افزار و معماری برای یادگیری ماشین اختصاص دارد. از آنجایی که سختافزار با کارایی بالا در موفقیت یادگیری ماشینی و تبدیل شدن به یک راهحل عملی بسیار مؤثر بود، این فصل انواع بهینهسازیهایی را که اخیراً برای بهبود بیشتر طرحهای آینده پیشنهاد شدهاند، بازگو میکند. در نهایت، مروری بر تحقیقات اخیر منتشر شده در این منطقه و همچنین طبقهبندی ارائه میکند تا به خوانندگان کمک کند تا درک کنند که چگونه مشارکتهای مختلف در زمینه قرار میگیرند.
This is a primer written for computer architects in the new and rapidly evolving field of deep learning. It reviews how machine learning has evolved since its inception in the 1960s and tracks the key developments leading up to the emergence of the powerful deep learning techniques that emerged in the last decade. Machine learning, and specifically deep learning, has been hugely disruptive in many fields of computer science. The success of deep learning techniques in solving notoriously difficult classification and regression problems has resulted in their rapid adoption in solving real-world problems. The emergence of deep learning is widely attributed to a virtuous cycle whereby fundamental advancements in training deeper models were enabled by the availability of massive datasets and high-performance computer hardware. It also reviews representative workloads, including the most commonly used datasets and seminal networks across a variety of domains. In addition to discussing the workloads themselves, it also details the most popular deep learning tools and show how aspiring practitioners can use the tools with the workloads to characterize and optimize DNNs. The remainder of the book is dedicated to the design and optimization of hardware and architectures for machine learning. As high-performance hardware was so instrumental in the success of machine learning becoming a practical solution, this chapter recounts a variety of optimizations proposed recently to further improve future designs. Finally, it presents a review of recent research published in the area as well as a taxonomy to help readers understand how various contributions fall in context.