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: Masoud Daneshtalab (editor). Mehdi Modarressi (editor)
سری: Materials, Circuits and Devices
ISBN (شابک) : 1785617680, 9781785617683
ناشر: INSTITUTION OF ENGINEERING & T
سال نشر: 2020
تعداد صفحات: 328
[329]
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 17 Mb
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Hardware Architectures for Deep Learning 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 معماری سخت افزار برای یادگیری عمیق 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 ایدههای نوآورانه در طراحی، مدلسازی، پیادهسازی و بهینهسازی پلتفرمهای سختافزاری برای شبکههای عصبی را ارائه میکند و مورد بحث قرار میدهد. رشد سریع برنامههای کاربردی سرور، دسکتاپ و تعبیهشده مبتنی بر یادگیری عمیق، با برنامههایی از جمله پردازش تصویر و گفتار، تجزیه و تحلیل دادهها، روباتیک، نظارت بر مراقبتهای بهداشتی و راهحلهای IoT، موجب تجدید حیات در علاقه به شبکههای عصبی شده است. اجرای کارآمد شبکههای عصبی برای پشتیبانی از برنامههای کاربردی مبتنی بر یادگیری عمیق، یک چالش پیچیده برای پلتفرمهای محاسباتی تعبیهشده و سیار با منابع محاسباتی/ذخیرهای محدود و بودجه کم توان است. حتی برای سیستمهای در مقیاس ابری، انتخاب پیکربندی سختافزار مناسب بر اساس پیچیدگی شبکه عصبی و محدودیتهای سیستم به منظور افزایش کارایی قدرت و عملکرد بسیار مهم است. Hardware Architectures for Deep Learning مروری بر این زمینه جدید، از اصول تا کاربردها، برای محققان، دانشجویان تحصیلات تکمیلی و مهندسانی که بر روی سرویسهای مبتنی بر یادگیری و پلتفرمهای سختافزاری کار میکنند، ارائه میکند.
This book presents and discusses innovative ideas in the design, modelling, implementation, and optimization of hardware platforms for neural networks. The rapid growth of server, desktop, and embedded applications based on deep learning has brought about a renaissance in interest in neural networks, with applications including image and speech processing, data analytics, robotics, healthcare monitoring, and IoT solutions. Efficient implementation of neural networks to support complex deep learning-based applications is a complex challenge for embedded and mobile computing platforms with limited computational/storage resources and a tight power budget. Even for cloud-scale systems it is critical to select the right hardware configuration based on the neural network complexity and system constraints in order to increase power- and performance-efficiency. Hardware Architectures for Deep Learning provides an overview of this new field, from principles to applications, for researchers, postgraduate students and engineers who work on learning-based services and hardware platforms.