机器学习系统 设计和实现
全新正版 假一赔十 可开发票
￥ 55.38 7.0折 ￥ 79 全新
库存15件
北京东城
认证卖家担保交易快速发货售后保障
作者麦络,董豪 编
出版社清华大学出版社
ISBN9787302630074
出版时间2023-05
装帧平装
开本16开
定价79元
货号1202879659
上书时间2024-09-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
麦络 爱丁堡大学信息学院助理教授，博士生导师。2018年于帝国理工学院获得博士学位，谷歌博士奖学金获得者。主要研究方向为分布式系统、机器学习和数据管理，当前研究工作专注于构建大规模、自适应和可信的机器学习系统，受到谷歌、微软、华为、腾讯和阿里巴巴等多家知名科技公司的资助。在计算机很好会议OSDI、NSDI、USENIX ATC、CoNEXT、VLDB、ECCV和NeurIPS发表多篇论文。获得CoNEXT会议很好论文入围奖，ACM Multimedia 2017很好开源论文奖。
董豪 北京大学计算机学院助理教授，博士生导师，2019年于帝国理工获得博士学位。主要研究方向为计算机视觉、机器人和具身智能，当前研究工作围绕智能机器人的自主决策与泛化交互。担任CVPR 2023领域主席、AAAI 2023高级程序委员、中国科技核心期刊Machine Intelligence Research副编委等，在NeurIPS、ICLR、ICCV、ECCV、IROS等很好国际会议和期刊发表30余篇论文，Deep Reinforcement Learning：Fundamentals, Research and Applications作者。获得ACM MM很好开源软件奖，新一代人工智能产业技术创新战略联盟 OpenI 启智社区优秀开源项目、Springer Nature中国作者高影响力研究精选等。
目录
基础篇
第1章导论003
1.1机器学习应用003
1.2机器学习框架的设计目标004
1.3机器学习框架的基本组成原理005
1.4机器学习系统生态006
1.5本书结构和读者对象007
第2章编程模型009
2.1机器学习系统编程模型的演进009
2.2机器学习工作流011
2.2.1环境配置011
2.2.2数据处理012
2.2.3模型定义013
2.2.4损失函数和优化器014
2.2.5训练及保存模型015
2.2.6测试和验证016
2.3定义深度神经网络017
2.3.1以层为核心定义神经网络017
2.3.2神经网络层的实现原理021
2.3.3自定义神经网络层022
2.3.4自定义神经网络模型023
2.4C/C++编程接口024
2.4.1在Python中调用C/C++函数的原理025
2.4.2添加C++编写的自定义算子025
2.5机器学习框架的编程范式030
2.5.1机器学习框架编程需求030
2.5.2机器学习框架编程范式现状030
2.5.3函数式编程案例031
2.6总结032
2.7拓展阅读032
第3章计算图033
3.1设计背景和作用033
3.2计算图的基本构成034
3.2.1张量和算子035
3.2.2计算依赖037
3.2.3控制流038
3.2.4基于链式法则计算梯度041
3.3计算图的生成043
3.3.1静态生成043
3.3.2动态生成046
3.3.3动态图和静态图生成的比较048
3.3.4动态图与静态图的转换和融合049
3.4计算图的调度051
3.4.1算子调度执行051
3.4.2串行与并行052
3.4.3数据载入同步与异步机制053
3.5总结054
3.6拓展阅读055
进阶篇
第4章AI编译器和前端技术059
4.1AI编译器设计原理059
4.2AI编译器前端技术概述061
4.3中间表示062
4.3.1中间表示的基本概念062
4.3.2中间表示的种类063
4.3.3机器学习框架的中间表示065
4.4自动微分072
4.4.1自动微分的基本概念072
4.4.2前向与反向自动微分074
4.4.3自动微分的实现077
4.5类型系统和静态分析081
4.5.1类型系统概述081
4.5.2静态分析概述082
4.6常见前端编译优化方法083
4.6.1前端编译优化简介083
4.6.2常见编译优化方法介绍及实现083
4.7总结085
第5章AI编译器后端和运行时086
5.1概述086
5.2计算图优化088
5.2.1通用硬件优化088
5.2.2特定硬件优化090
5.3算子选择091
5.3.1算子选择的基础概念091
5.3.2算子选择的过程095
5.4内存分配095
5.4.1Device内存概念096
5.4.2内存分配096
5.4.3内存复用098
5.4.4常见的内存分配优化手段099
5.5计算调度与执行101
5.5.1单算子调度101
5.5.2计算图调度102
5.5.3交互式执行106
5.5.4下沉式执行110
5.6算子编译器110
5.6.1算子调度策略111
5.6.2子策略组合优化112
5.6.3调度空间算法优化114
5.6.4芯片指令集适配115
5.6.5算子表达能力116
5.6.6相关编译优化技术117
5.7总结117
5.8拓展阅读118
第6章硬件加速器119
6.1概述119
6.1.1硬件加速器设计的意义119
6.1.2硬件加速器设计的思路119
6.2硬件加速器基本组成原理120
6.2.1硬件加速器的架构120
6.2.2硬件加速器的存储单元121
6.2.3硬件加速器的计算单元122
6.2.4DSA芯片架构124
6.3加速器基本编程原理125
6.3.1硬件加速器的可编程性125
6.3.2硬件加速器的多样化编程方法128
6.4加速器实践132
6.4.1环境132
6.4.2广义矩阵乘法的朴素实现133
6.4.3提高计算强度135
6.4.4使用共享内存缓存复用数据138
6.4.5减少寄存器使用139
6.4.6隐藏共享内存读取延迟140
6.4.7隐藏全局内存读取延迟141
6.4.8与cuBLAS对比142
6.4.9小结143
6.5总结143
6.6拓展阅读144
第7章数据处理145
7.1概述146
7.1.1易用性146
7.1.2高效性147
7.1.3保序性147
7.2易用性设计147
7.2.1编程抽象与接口147
7.2.2自定义算子支持151
7.3高效性设计153
7.3.1数据读取的高效性154
7.3.2数据计算的高效性157
7.4保序性设计162
7.5单机数据处理性能的扩展163
7.5.1基于异构计算的数据预处理163
7.5.2基于分布式的数据预处理165
7.6总结166
第8章模型部署168
8.1概述168
8.2训练模型到推理模型的转换及优化169
8.2.1模型转换169
8.2.2算子融合170
8.2.3算子替换172
8.2.4算子重排173
8.3模型压缩173
8.3.1量化174
8.3.2模型稀疏176
8.3.3知识蒸馏178
8.4模型推理179
8.4.1前处理与后处理179
8.4.2并行计算180
8.4.3算子优化181
8.5模型的安全保护186
8.5.1概述186
8.5.2模型混淆186
8.6总结188
8.7拓展阅读189
第9章分布式训练190
9.1设计概述190
9.1.1设计动机190
9.1.2系统架构191
9.1.3用户益处192
9.2实现方法192
9.2.1方法分类192
9.2.2数据并行194
9.2.3模型并行194
9.2.4混合并行197
9.3流水线并行197
9.4机器学习集群架构198
9.5集合通信200
9.5.1常见集合通信算子200
9.5.2基于AllReduce的梯度平均算法203
9.5.3集合通信算法性能分析205
9.5.4利用集合通信优化模型训练的实践206
9.5.5集合通信在数据并行的实践207
9.5.6集合通信在混合并行的实践208
9.6参数服务器210
9.6.1系统架构210
9.6.2异步训练211
9.6.3数据副本212
9.7总结212
9.8拓展阅读213
拓展篇
第10章联邦学习系统217
10.1概述217
10.1.1定义217
10.1.2应用场景217
10.1.3部署场景218
10.1.4常用框架218
10.2横向联邦学习219
10.2.1云云场景中的横向联邦219
10.2.2端云场景中的横向联邦220
10.3纵向联邦学习222
10.3.1纵向联邦架构222
10.3.2样本对齐223
10.3.3联合训练224
10.4隐私加密算法225
10.4.1基于LDP算法的安全聚合226
10.4.2基于MPC算法的安全聚合226
10.4.3基于LDP-SignDS算法的安全聚合227
10.5展望229
10.5.1异构场景下的联邦学习229
10.5.2通信效率提升230
10.5.3联邦生态230
10.6总结231
第11章推荐系统232
11.1系统基本组成232
11.1.1消息队列233
11.1.2特征存储233
11.1.3稠密神经网络234
11.1.4嵌入表234
11.1.5训练服务器235
11.1.6参数服务器235
11.1.7推理服务器236
11.2多阶段推荐系统236
11.2.1推荐流水线概述236
11.2.2召回237
11.2.3排序239
11.3模型更新241
11.3.1持续更新模型的需求241
11.3.2离线更新242
11.4案例分析：支持在线模型更新的大型推荐系统243
11.4.1系统设计挑战244
11.4.2系统架构245
11.4.3点对点模型更新传播算法246
11.4.4模型更新调度器247
11.4.5模型状态管理器248
11.4.6小结249
11.5总结249
11.6扩展阅读250
第12章强化学习系统251
12.1强化学习介绍251
12.2单节点强化学习系统252
12.3分布式强化学习系统255
12.4多智能体强化学习257
12.5多智能体强化学习系统260
12.6总结264
第13章可解释AI系统265
13.1背景265
13.2可解释AI定义266
13.3可解释AI算法现状介绍267
13.3.1数据驱动的解释267
13.3.2知识感知的解释270
13.4常见可解释AI系统272
13.5案例分析：MindSporeXAI273
13.5.1为图片分类场景提供解释273
13.5.2为表格数据场景提供解释275
13.5.3白盒模型276
13.6未来研究方向277
13.7总结277
第14章机器人系统278
14.1机器人系统概述278
14.1.1感知系统279
14.1.2规划系统280
14.1.3控制系统281
14.1.4机器人安全282
14.2机器人操作系统283
14.2.1ROS2节点285
14.2.2ROS2主题285
14.2.3ROS2服务286
14.2.4ROS2参数286
14.2.5ROS2动作286
14.3案例分析：使用机器人操作系统287
14.3.1创建节点290
14.3.2读取参数296
14.3.3服务端-客户端服务模式298
14.3.4客户端301
14.3.5动作模式303
14.3.6动作客户端305
14.4总结308
参考文献309
内容摘要
近年来，机器学习技术广泛用于各行各业，诞生了众多突破性成果。其中，机器学习框架和相关系统作为机器学习技术的核心基础，受到众多科研人员和开发者的密切关注。本书由浅入深，通俗易懂地讲解机器学习框架设计和实现过程中所涉及的核心知识。
本书分为三大部分。基础篇覆盖了使用者所需要了解的机器学习框架核心系统知识和相关编程案例。进阶篇覆盖了开发者所需要理解的机器学习框架核心知识和相关实践案例。拓展篇详细讨论了多种类型的机器学习系统，从而为广大机器学习从业者提供解密底层系统所需的基础知识。
主编推荐
本书分为三大部分。基础篇覆盖机器学习框架使用者所需要了解的核心系统知识和相关编程案例；进阶篇覆盖了机器学习框架开发着所需要理解的核心知识和相关实践案例；拓展篇详细讨论了多种类的机器学习系统，从而为广大机器学习从业者提供解密底层系统所需的基础知识。
— 没有更多了 —
以下为对购买帮助不大的评价