智能计算系统+实验教程（套装共2册）

《智能计算系统》由深度学习处理器芯片研究的开拓者陈云霁领衔，中科院计算所、软件所的专家学者倾心写就。智能领域系统能力培养大成之作！是前沿研究与技术实践结合，快速提升智能领域系统能力的教材和技术参考书。

《智能计算系统实验教程》3大前沿应用场景，近2000行代码4大核心内容近100学时实验教学，手把手带你全栈开发，构建智能计算系统知识树。《智能计算系统实验教程》是实验与理论一对一设计，切实培养系统能力，以稠密知识点构建知识树，有机掌握全栈体系。实验设计游戏化，好学好玩，轻松上手又上头。

陈云霁 中国科学院计算技术研究所研究员、博导、智能处理器研究中心主任，中国科学院大学岗位教授，高等学校计算机类专业教学指导委员会计算机系统专委会委员。他带领其团队研制了国际上*个深度学习处理器芯片“寒武纪1号”。他的研究成果已经应用在近亿台智能手机和服务器中。他的学术论文多次获得计算机体系结构*级国际会议*佳论文奖，受到上百个国际知名机构跟踪引用。因此，他被Science杂志刊文评价为深度学习处理器研究的“先驱”和“引领者”。

他曾获国家杰出青年科学基金、中国青年科技奖、全国创新争先奖、“青年长江学者”、国家自然科学基金委“优秀青年基金”、国家万人计划“青年拔尖人才”，并被《MIT科技评论》评为全球35位杰出青年创新者（2015年度）。他还是北京智源人工智能研究院智能体系结构与芯片方向首席科学家。

李玲 中科院软件所研究员、博导，CCF高级会员。研究方向为智能计算及视频处理。在相关领域发表多篇CCF A类期刊和会议论文，获得了CCF A类会议MICRO’14的*佳论文奖（这是50年来*一一次美国以外的国家在该会议上获此奖）。作为负责人主持过多项国家自然科学基金项目、国家重点研发计划课题等。

李威 中科院计算所副研究员。研究方向为高性能智能计算系统设计技术，先后参与了多项国家重点研发计划项目、国家科技重大专项项目、863项目、中科院国际合作项目等。作为核心成员参与了多款深度学习处理器的研发，发表或录用学术论文近30篇，申请专利近20项。

郭崎 中科院计算所研究员。长期从事智能计算系统相关研究。在ISCA、MICRO、HPCA、IJCAI等国际会议及ACM/IEEE汇刊上发表学术论文多篇。授权发明专利多项，曾入选国家知识产权局“百件优秀中国专利”。先后入选中国科协首届“青年人才托举工程”、中科院青年创新促进会、国家“万人计划”青年拔尖人才。

杜子东 中科院计算所副研究员。长期从事人工智能和计算机体系结构交叉研究，他在深度学习处理器方向做出了多项有国际影响力的研究成果。他在中国计算机学会认定的*级会议/期刊（CCF A类）上发表了近20篇论文，曾获得ASPLOS’14*佳论文奖（这是亚洲机构首次获计算机体系结构领域的*级国际会议*佳论文奖），入选IEEE Micro杂志评选的国际计算机体系结构领域年度十佳论文。

《智能计算系统》
序言一

序言二

前　言第1章　概述1

　1.1　人工智能1

　　　1.1.1　什么是人工智能1

　　　1.1.2　人工智能的发展历史1

　　　1.1.3　人工智能的主要方法4

　1.2　智能计算系统8

　　　1.2.1　什么是智能计算系统8

　　　1.2.2　为什么需要智能计算系统8

　　　1.2.3　智能计算系统的发展8

　1.3　驱动范例11

　1.4　本章小结13

　习题13

第2章　神经网络基础14

　2.1　从机器学习到神经网络14

　　　2.1.1　基本概念14

　　　2.1.2　线性回归15

　　　2.1.3　感知机17

　　　2.1.4　两层神经网络——多层感知机19

　　　2.1.5　深度学习（深层神经网络）20

　　　2.1.6　神经网络发展历程21

　2.2　神经网络训练23

　　　2.2.1　正向传播24

　　　2.2.2　反向传播25

　2.3　神经网络设计原则27

　　　2.3.1　网络的拓扑结构27

　　　2.3.2　激活函数27

　　　2.3.3　损失函数30

　2.4　过拟合与正则化32

　　　2.4.1　过拟合33

　　　2.4.2　正则化34

　2.5　交叉验证37

　2.6　本章小结39

　习题39

第3章　深度学习41

　3.1　适合图像处理的卷积神经网络41

　　　3.1.1　卷积神经网络的组成42

　　　3.1.2　卷积层43

　　　3.1.3　池化层48

　　　3.1.4　全连接层49

　　　3.1.5　softmax层50

　　　3.1.6　卷积神经网络总体结构50

　3.2　基于卷积神经网络的图像分类算法52

　　　3.2.1　AlexNet53

　　　3.2.2　VGG56

　　　3.2.3　Inception59

　　　3.2.4　ResNet66

　3.3　基于卷积神经网络的图像目标检测算法69

　　　3.3.1　评价指标69

　　　3.3.2　RCNN系列72

　　　3.3.3　YOLO78

　　　3.3.4　SSD81

　　　3.3.5　小结83

3.4　序列模型：循环神经网络83

　　　3.4.1　RNN84

　　　3.4.2　LSTM88

　　　3.4.3　GRU89

　　　3.4.4　小结90

　3.5　生成对抗网络91

　　　3.5.1　模型组成91

　　　3.5.2　GAN训练92

　　　3.5.3　GAN结构94

　3.6　驱动范例96

　　　3.6.1　基于卷积神经网络的图像风格迁移算法96

　　　3.6.2　实时图像风格迁移算法98

　3.7　本章小结100

　习题100

第4章　编程框架使用101

　4.1　为什么需要编程框架101

　4.2　编程框架概述102

　　　4.2.1　通用编程框架概述102

　　　4.2.2　TensorFlow概述102

　4.3　TensorFlow编程模型及基本用法103

　　　4.3.1　计算图104

　　　4.3.2　操作105

　　　4.3.3　张量106

　　　4.3.4　会话110

　　　4.3.5　变量114

　　　4.3.6　占位符116

　　　4.3.7　队列117

　4.4　基于TensorFlow实现深度学习预测117

　　　4.4.1　读取输入样本118

　　　4.4.2　定义基本运算单元118

　　　4.4.3　创建神经网络模型122

　　　4.4.4　计算神经网络模型输出123

　4.5　基于TensorFlow实现深度学习训练123

　　　4.5.1　加载数据123

　　　4.5.2　模型训练129

　　　4.5.3　模型保存135

　　　4.5.4　图像风格迁移训练的实现137

　4.6　本章小结139

　习题139

第5章　编程框架机理141

　5.1　TensorFlow设计原则141

　　　5.1.1　高性能141

　　　5.1.2　易开发142

　　　5.1.3　可移植142

　5.2　TensorFlow计算图机制142

　　　5.2.1　一切都是计算图143

　　　5.2.2　计算图本地执行150

　　　5.2.3　计算图分布式执行154

　5.3　TensorFlow系统实现155

　　　5.3.1　整体架构155

　　　5.3.2　计算图执行模块156

　　　5.3.3　设备抽象和管理161

　　　5.3.4　网络和通信162

　　　5.3.5　算子实现167

　5.4　编程框架对比169

　　　5.4.1　TensorFlow170

　　　5.4.2　PyTorch171

　　　5.