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: [1 ed.] نویسندگان: Xichuan Zhou, Haijun Liu, Cong Shi, Ji Liu سری: ISBN (شابک) : 0323857833, 9780323857833 ناشر: Elsevier سال نشر: 2022 تعداد صفحات: 198 [200] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 10 Mb
در صورت تبدیل فایل کتاب Deep Learning on Edge Computing Devices: Design Challenges of Algorithm and Architecture 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 در دستگاه های محاسبات لبه: چالش های طراحی الگوریتم و معماری 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.
یادگیری عمیق در دستگاههای محاسباتی لبه: چالشهای طراحی
الگوریتم و معماری بر معماری سختافزار و یادگیری
عمیق تعبیهشده، از جمله شبکههای عصبی تمرکز دارد. این عنوان به
محققان کمک میکند تا با ارائه الگوریتمهای شبکه عصبی و
رویکردهای بهینهسازی طراحی سختافزار برای یادگیری عمیق لبه،
عملکرد مدلهای یادگیری Edge-deep را برای محاسبات تلفن همراه و
سایر برنامهها به حداکثر برسانند. کاربردها در هر بخش معرفی
شدهاند و یک مثال جامع، دوربینهای نظارتی هوشمند، در انتهای
کتاب ارائه شدهاند که نوآوری را در معماری الگوریتم و سختافزار
یکپارچه میکند. این کتاب که در سه بخش ساختار یافته است، مفاهیم
اصلی، نظریه ها و الگوریتم ها و بهینه سازی معماری را پوشش می
دهد.
این کتاب راه حلی را برای محققانی ارائه می دهد که به دنبال به
حداکثر رساندن عملکرد مدل های یادگیری عمیق در دستگاه های
محاسباتی لبه از طریق شرکت الگوریتم-سخت افزار هستند.
-طراحی.
Deep Learning on Edge Computing Devices: Design
Challenges of Algorithm and Architecture focuses
on hardware architecture and embedded deep learning, including
neural networks. The title helps researchers maximize the
performance of Edge-deep learning models for mobile computing
and other applications by presenting neural network algorithms
and hardware design optimization approaches for Edge-deep
learning. Applications are introduced in each section, and a
comprehensive example, smart surveillance cameras, is presented
at the end of the book, integrating innovation in both
algorithm and hardware architecture. Structured into three
parts, the book covers core concepts, theories and algorithms
and architecture optimization.
This book provides a solution for researchers looking to
maximize the performance of deep learning models on
Edge-computing devices through algorithm-hardware
co-design.