书名：线性代数与数据学习
作者：吉尔伯特·斯特朗
这几年机器学习、深度学习发展迅速，不少高校开设了人工智能学院，招收人工智能方向的本科生；而集成电路也是这几年的大热门，集成电路学院纷纷成立，很多同学跨专业考入集成电路方向的研究生。那么，今天介绍的这本书，机器学习及其硬件实现，就是把这机器学习深度学习原理及应用，和集成电路中硬件的新型架构设计这两个方向做了融合，希望通过设计特定的硬件，来加速机器学习的训练和推理；不仅如此，优化各类模型，使其能运行在各种计算环境中，也是本书的内容之一。
主体内容
第二章介绍了用于机器学习的基本硬件，比如微处理器，多核处理器，DSP、GPU和FPGA，它们的架构、编程模型、设计流程等，也讨论了它们在人工智能时代的优劣势和特定市场的前景。
第三章介绍了神经形态计算的硬件实现方式，神经网络硬件的实现方式，比如点积的实现。这一章可以看作，把机器学习的数学模型和软件代码映射到硬件电路的介绍。
第四章介绍ASIC的特征，设计约束比如线延时、能耗、带宽等。这一章可以让读者更清晰的了解芯片能做什么，代价是什么。
第五章介绍机器学习模型的开发，这一章打通了上层软件到底层硬件的联系。
第六章性能提升的方法，主要介绍如何优化模型，使其在硬件上进行模型训练和推理的时候，更好的发挥性能。普遍的方法包括模型压缩、数值压缩、近似等。
第七章介绍了硬件实现的案例研究。如果看这本书还是不太能理解什么是机器学习的硬件实现，那么这些案例和案例所对应的论文，是比较好的学习资料。这一章也是我们最喜欢的一章，分门别类介绍了很多国内外高校、研究组的项目和成果，是一份非常好的论文整理和综述。这本书的实际内容不止这些，我们甚至觉得附录和参考文献的价值也很高。
总结
读完这本书，你并不能清晰的体会到某一个深度学习模型加速器的设计与实现，它不是一本手把手教你做某一个加速器的书籍，这本书没有一行RTL代码。这本书是一本高屋建瓴的书，从顶层给大家介绍机器学习及其硬件实现，讲所需要的基础、你会面临的条件约束（也是评价的指标）和提升性能表现的方法，讲不通计算介质，它们的现在和它们的将来。阅读这本书，可以让大家更宏观更全面的了解和入门这个研究方向，对于已经在从事硬件加速研究设计和开发的同学们，这本书可以帮助大家整理和补全这个领域大大小小的各种知识模块，也有助于大家写出一份好的硕士论文背景综述~
网站备案号:ICP备16046599号-1