深度神经网络FPGA设计与实现

　　第1章 深度学习及AI芯片
　　1．1 深度学习研究现状
　　1．1．1 深度学习的概念
　　1．1．2 深度学习和神经网络的发展历程
　　1．1．3 典型的深度神经网络
　　1．1．4 深度学习的典型应用
　　1．2 AI芯片研究现状
　　1．2．1 GPU
　　1．2．2 半制定FPGA
　　1．2．3 全定制ASIC
　查看完整　　

　　本书从深度神经网络和AI芯片研究现状出发，系统地论述了目前深度学习主流开发平台和深度神经网络基于FPGA平台实现加速的开发原理和应用实例。全书主要包括5部分：第1～2章介绍了深度神经网络的发展，并总结了深度学习主流开发平台和AI芯片的研究现状；第3～6章在对深度神经网络基础层算子、FPGA进行了介绍后，总结了FPGA神经网络开发基础及RTL级开发；第7章分析了基于FPGA实现神经网络加速的实例；第8章介绍了基于OpenCL的FPGA神经网络计算加速开发；第9章分析了前沿神经网络压缩与加速技术。
　　本书可以为人工智能、计算机科学、信息科学、神经网络加速计算研究者或者从事深度学习、图像处理的相关研究人员提供参考，也可作为相关专业本科生及研究生的教学参考书。

　　《深度神经网络FPGA设计与实现》从深度神经网络和AI芯片研究现状出发，系统地论述了目前深度学习主流开发平台和深度神经网络基于FPGA平台实现加速的开发原理和应用实例。
　　《深度神经网络FPGA设计与实现》主要包括5部分：第1～2章介绍了深度神经网络的发展，并总结了深度学习主流开发平台和AI芯片的研究现状；第3～6章在对深度神经网络基础层算子、FPGA进行了介绍后，总结了FPGA神经网络开发基础及RTL级开发；第7章分析了基于FPGA实现神经网络加速的实例；第8章介绍了基于OpenCL的FPGA神经网络计算加速开发；第9章分析了前沿神经网络压缩与加速技术。
　　《深度神经网络FPGA设计与实现》可以为人工智能、计算机科学、信息科学、神经网络加速计算研究者或者从事深度学习、图像处理的相关研究人员提供参考，也可作为相关专业本科生及研究生的教学参考书。

　　第1章 深度学习及AI芯片
　　1．1 深度学习研究现状
　　1．1．1 深度学习的概念
　　1．1．2 深度学习和神经网络的发展历程
　　1．1．3 典型的深度神经网络
　　1．1．4 深度学习的典型应用
　　1．2 AI芯片研究现状
　　1．2．1 GPU
　　1．2．2 半制定FPGA
　　1．2．3 全定制ASIC
　　1．2．4 SoC
　　1．2．5 类脑芯片
　　第2章 深度学习开发平台
　　2．1 深度学习平台介绍
　　2．1．1 TensorFlow
　　2．1．2 Caffe
　　2．1．3 Pytorch
　　2．1．4 MXNet
　　2．1．5 CNTK
　　2．1．6 PaddlePaddle
　　2．1．7 Darknet
　　2．2 深度学习平台对比
　　第3章 深度神经网络基础层算子介绍
　　3．1 卷积算子
　　3．2 反卷积算子
　　3．3 池化算子
　　3．3．1 平均池化算子
　　3．3．2 最大池化算子
　　3．4 激活算子
　　3．5 全连接算子
　　3．6 Softmax算子
　　3．7 批标准化算子
　　3．8 Shortcut算子
　　第4章 FPGA基本介绍
　　4．1 FPGA概述
　　4．1．1 可编程逻辑器件
　　4．1．2 FPGA的特点
　　4．1．3 FPGA的体系结构
　　4．2 FPGA系列及型号选择
　　4．2．1 FPGA生产厂家
　　4．2．2 FPGA系列
　　4．2．3 基于应用的FPGA型号选择
　　4．3 FPGA性能衡量指标
　　第5章 FPGA神经网络开发基础
　　5．1 FPGA开发简介
　　5．2 FPGA的结构特性与优势
　　5．3 FPGA深度学习神经网络加速计算的开发过程
　　5．3．1 神经网络模型计算量分析
　　5．3．2 神经网络模型访问带宽分析
　　5．3．3 加速硬件芯片选型
　　5．3．4 加速硬件系统设计
　　5．4 FPGA在深度学习方面的发展
　　第6章 FPGA神经网络计算的RTL级开发
　　6．1 搭建开发环境
　　6．1．1 开发环境的选择
　　6．1．2 开发环境的搭建
　　6．2 RTL级开发的优势与劣势
　　6．3 RTL级开发的基本流程
　　6．3．1 需求理解
　　6．3．2 方案评估
　　6．3．3 芯片理解
　　6．3．4 详细方案设计
　　6．3．5 RTL级HDL设计输入
　　6．3．6 功能仿真
　　6．3．7 综合优化
　　6．3．8 布局布线与实现
　　6．3．9 静态时序分析与优化
　　6．3．10 芯片编程与调试
　　6．4 RTL级神经网络加速设计流程
　　6．5 RTL级神经网络加速仿真
　　6．6 RTL级神经网络加速时序优化
　　……
　　第7章 基于FPGA实现YOLOV2模型计算加速实例分析
　　第8章 基于OpenCL的FPGA神经网络计算加速开发
　　第9章 神经网络压缩与加速技术
　　参考文献
^ 收 起　　

　　本书从深度神经网络和AI芯片研究现状出发，系统地论述了目前深度学习主流开发平台和深度神经网络基于FPGA平台实现加速的开发原理和应用实例。全书主要包括5部分：第1～2章介绍了深度神经网络的发展，并总结了深度学习主流开发平台和AI芯片的研究现状；第3～6章在对深度神经网络基础层算子、FPGA进行了介绍后，总结了FPGA神经网络开发基础及RTL级开发；第7章分析了基于FPGA实现神经网络加速的实例；第8章介绍了基于OpenCL的FPGA神经网络计算加速开发；第9章分析了前沿神经网络压缩与加速技术。
　　本书可以为人工智能、计算机科学、信息科学、神经网络加速计算研究者或者从事深度学习、图像处理的相关研究人员提供参考，也可作为相关专业本科生及研究生的教学参考书。

　　《深度神经网络FPGA设计与实现》从深度神经网络和AI芯片研究现状出发，系统地论述了目前深度学习主流开发平台和深度神经网络基于FPGA平台实现加速的开发原理和应用实例。
　　《深度神经网络FPGA设计与实现》主要包括5部分：第1～2章介绍了深度神经网络的发展，并总结了深度学习主流开发平台和AI芯片的研究现状；第3～6章在对深度神经网络基础层算子、FPGA进行了介绍后，总结了FPGA神经网络开发基础及RTL级开发；第7章分析了基于FPGA实现神经网络加速的实例；第8章介绍了基于OpenCL的FPGA神经网络计算加速开发；第9章分析了前沿神经网络压缩与加速技术。
　　《深度神经网络FPGA设计与实现》可以为人工智能、计算机科学、信息科学、神经网络加速计算研究者或者从事深度学习、图像处理的相关研究人员提供参考，也可作为相关专业本科生及研究生的教学参考书。