昇腾AI处理器架构与编程 深入理解CANN技术原理及应用

 

本书系统论述了基于达芬奇架构的昇腾（Ascend）AI处理器的原理、架构与开发技术。全书共分6章，内容涵盖了神经网络理论基础、计算芯片与开源框架、昇腾AI处理器软硬件架构、编程理论与方法，以及典型案例等。为便于读者学习，书中还给出了基于昇腾AI处理器的丰富的技术文档、开发实例等线上资源。
本书可以作为普通高等学校人工智能、智能科学与技术、计算机科学与技术、电子信息工程、自动化等专业的本科生及研究生教材，也适合作为从事人工智能系统设计的科研和工程技术人员的参考用书。

 

第1章基础理论
1.1人工智能简史
1.2深度学习概论
1.3神经网络理论
1.3.1神经元模型
1.3.2感知机
1.3.3多层感知机
1.3.4卷积神经网络
1.3.5应用示例
第2章行业背景
2.1神经网络芯片现状
2.1.1CPU
2.1.2GPU
2.1.3TPU
2.1.4FPGA
2.1.5昇腾AI处理器
2.2神经网络芯片加速理论
2.2.1GPU加速理论
2.2.2TPU加速理论
2.3深度学习框架
2.3.1MindSpore
2.3.2Caffe
2.3.3TensorFlow
2.3.4PyTorch
2.4深度学习编译框架——TVM
第3章硬件架构
3.1昇腾AI处理器总览
3.2达芬奇架构
3.2.1计算单元
3.2.2存储系统
3.2.3控制单元
3.2.4指令集设计
3.3卷积加速原理
3.3.1卷积加速
3.3.2架构对比
第4章软件架构
4.1昇腾AI软件栈总览
4.2神经网络软件流
4.2.1流程编排器
4.2.2数字视觉预处理模块
4.2.3张量加速引擎(TBE)
4.2.4运行管理器
4.2.5任务调度器
4.2.6框架管理器
4.2.7神经网络软件流应用
4.3开发工具链
4.3.1功能简介
4.3.2功能框架
4.3.3工具功能
第5章编程方法
5.1深度学习开发基础
5.1.1深度学习编程理论
5.1.2深度学习推理优化原理
5.1.3深度学习推理引擎
5.2昇腾AI软件栈中的技术
5.2.1模型生成阶段
5.2.2应用编译与部署阶段
5.3自定义算子开发
5.3.1开发步骤
5.3.2AI CPU算子开发
5.3.3AI Core算子开发
5.4自定义应用开发
第6章实战案例
6.1评价标准
6.1.1精度
6.1.2交并比
6.1.3均值平均精度
6.1.4吞吐量和时延
6.1.5能效比
6.2图像识别
6.2.1数据集：ImageNet
6.2.2算法：ResNet
6.2.3模型迁移实践
6.3目标检测
6.3.1数据集：COCO
6.3.2算法：YoloV3
6.3.3自定义算子实践
附录A缩略词列表
附录BAscend开发者社区及资料下载
附录C智能开发平台ModelArts简介