Descripción
Este libro cubre técnicas de implementación algorítmica y de hardware para permitir el aprendizaje profundo incrustado. Los autores describen enfoques de diseño sinérgicos a nivel de aplicación, algorítmico, arquitectura de computadoras y circuitos que ayudarán a lograr el objetivo de reducir el costo computacional de los algoritmos de aprendizaje profundo. El impacto de estas técnicas se muestra en cuatro prototipos de silicio para aprendizaje profundo incrustado.
- Ofrece una amplia visión general de una serie de soluciones efectivas para redes neuronales energéticamente eficientes en dispositivos portátiles con batería limitada;
- Discute la optimización de redes neuronales para implementación incrustada en todos los niveles de la jerarquía de diseño - aplicaciones, algoritmos, arquitecturas de hardware y circuitos - respaldado por prototipos de silicio reales;
- Detalla cómo diseñar procesadores eficientes de redes neuronales convolucionales, explotando el paralelismo y la reutilización de datos, operaciones dispersas y cálculos de baja precisión;
- Apoya la teoría y los conceptos de diseño introducidos con cuatro prototipos de silicio reales. La implementación y el rendimiento alcanzado de la realización física se discuten detalladamente para ilustrar y destacar los conceptos de diseño de capas cruzadas introducidos.
Autor: Bert Moons, Daniel Bankman, Marian Verhelst
Editorial: Springer
Publicado: 19/01/2019
Páginas: 206
Tipo de encuadernación: Tapa blanda
Peso: 0.70lbs
Tamaño: 9.21h x 6.14w x 0.47d
ISBN13: 9783030075774
ISBN10: 303007577X
Categorías BISAC:
- Tecnología e Ingeniería | Electrónica | Circuitos | General
Sobre el autor
El Dr. ir. Bert Moons recibió los grados de B.S. y M.S. y el doctorado en Ingeniería Eléctrica de la KU Leuven, Lovaina, Bélgica en 2011, 2013 y 2018. Realizó su investigación de doctorado en ESAT-MICAS como Asistente de Investigación financiado por el IWT, centrándose en circuitos digitales adaptables en tiempo de ejecución y escalables energéticamente para aplicaciones de aprendizaje profundo integradas. Bert es autor de más de 15 publicaciones en conferencias y revistas, fue estudiante de investigación visitante en la Universidad de Stanford en el Grupo Murmann Mixed-Signal y recibió el premio predoctoral SSCS en 2018. Actualmente trabaja en Synopsys, como arquitecto de diseño de hardware para los procesadores DesignWare EV6x Embedded Vision y Deep Learning.
Daniel Bankman recibió el título S.B. en ingeniería eléctrica del Instituto Tecnológico de Massachusetts, Cambridge, MA en 2012 y el título M.S. de la Universidad de Stanford, Stanford, CA en 2015. Desde 2012, ha estado trabajando para obtener el doctorado en la Universidad de Stanford, centrándose en el procesamiento de señales mixtas para el aprendizaje automático. Ha realizado prácticas en Analog Devices e Intel. Sus intereses de investigación incluyen algoritmos, arquitecturas y circuitos para el aprendizaje y la inferencia energéticamente eficientes en dispositivos inteligentes. Fue galardonado con la Beca de Posgrado Texas Instruments Stanford en 2012, el Premio de Fundadores de Tecnologías Numéricas en 2013 y el Premio de Investigación Estudiantil John von Neumann en 2015 y 2017.
La Prof. Dra. ir. Marian Verhelst es profesora en los laboratorios MICAS (MICro-electronics And Sensors) del Departamento de Ingeniería Eléctrica de la KU Leuven. Su investigación se centra en el aprendizaje automático embebido, aceleradores de hardware energéticamente eficientes, circuitos y sistemas auto-adaptativos, y detección y procesamiento de baja potencia. Anteriormente, recibió un doctorado de la KU Leuven cum ultima laude, fue investigadora visitante en el Berkeley Wireless Research Center (BWRC) de la UC Berkeley, y trabajó como científica investigadora en Intel Labs, Hillsboro OR. La Prof. Verhelst es miembro del comité ejecutivo de la conferencia DATE, y fue miembro de los TPC de ESSCIRC e ISSCC y del comité ejecutivo de ISSCC. Marian es una conferencista distinguida de SSCS, fue miembro de la Young Academy of Belgium, editora asociada de TCAS-II y JSSC y miembro del comité asesor STEM del Gobierno Flamenco. Marian es titular de una prestigiosa subvención ERC de la Unión Europea.
Este título no es retornable