昇騰AI處理器CANN架構(gòu)與編程

定　價：￥89.00

作　者：	蘇統(tǒng)華，杜鵬，周斌著
出版社：	清華大學出版社
叢編項：	華為智能計算技術(shù)叢書
標　簽：	暫缺

購買這本書可以去

ISBN：	9787302601043	出版時間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	331	字數(shù)：

內(nèi)容簡介

　　《昇騰AI處理器CANN架構(gòu)與編程/華為智能計算技術(shù)叢書》專注昇騰AI處理器和昇騰AI異構(gòu)計算架構(gòu)CANN，《昇騰AI處理器CANN架構(gòu)與編程/華為智能計算技術(shù)叢書》共7章。首章介紹昇騰AI處理器硬件架構(gòu)。首先介紹昇騰AI處理器的達芬奇架構(gòu)，為后續(xù)章節(jié)提供了計算單元、存儲系統(tǒng)、控制單元、指令集等知識儲備，然后介紹基于該架構(gòu)分別面向訓(xùn)練和推理的昇騰AI處理器，最后介紹圍繞昇騰AI處理器的Atlas系列硬件產(chǎn)品。第2章介紹昇騰AI異構(gòu)計算架構(gòu)CANN。涵蓋CANN概述、昇騰計算圖、訓(xùn)練和推理兩種場景運行架構(gòu)、開發(fā)環(huán)境安裝及全流程開發(fā)和全流程開發(fā)工具鏈MindStudio等重要內(nèi)容。第3章介紹CANN自定義算子開發(fā)，以示例的方式介紹TBEDSL、TBETIK和AICPU三種算子開發(fā)方式。第4章介紹昇騰計算語言。首先講述AscendCL的編程模型，包括線程模型和內(nèi)存模型，接著介紹AscendCL提供的五大開放能力，包括資源管理、模型加載與執(zhí)行、算子能力開發(fā)和高級功能等。第5章介紹基于CANN的通用AI模型訓(xùn)練方法。以模型訓(xùn)練的全流程作為起始，對比了主流深度學習框架的異同，然后講述基于CANN的模型訓(xùn)練方法和訓(xùn)練輔助工具的使用方法。第6章介紹基于CANN的模型部署方法。講述模型部署全流程以及數(shù)字視覺預(yù)處理模塊、模型轉(zhuǎn)換工具、模型壓縮工具的使用方法。第7章介紹兩個典型行業(yè)應(yīng)用實例。圍繞個性化影視推薦系統(tǒng)和智能巡檢機器人，提供全流程的完整開發(fā)實例。《昇騰AI處理器CANN架構(gòu)與編程/華為智能計算技術(shù)叢書》是昇騰AI處理器架構(gòu)、昇騰AI異構(gòu)計算架構(gòu)與編程的官方教材，可以作為高校人工智能、智能科學與技術(shù)、計算機科學與技術(shù)、軟件工程、電子信息工程、自動化等專業(yè)的教材，也可以作為從事人工智能系統(tǒng)開發(fā)的科研和工程技術(shù)人員的參考用書。

作者簡介

　　蘇統(tǒng)華博士、哈爾濱工業(yè)大學企業(yè)與服務(wù)智能計算研究中心副教授、軟件學院副院長。主要研究方向為模式識別、深度學習、異構(gòu)計算等。致力于自然手寫體中文文本識別的研究與開拓，注重人工智能基礎(chǔ)技術(shù)和工業(yè)應(yīng)用商業(yè)化。曾建立手寫中文庫（HIT-MW庫），先后被國內(nèi)外200余家科研院所采用。自主研發(fā)大規(guī)模深度學習訓(xùn)練和預(yù)測平臺，該平臺已經(jīng)成功應(yīng)用到傳統(tǒng)煤氣表改造工程、中小學試卷全自動批改、手寫輸入法等商用領(lǐng)域。出版專著3本、譯著9本。杜鵬博士，華為海思昇騰CANN技術(shù)專家，主要研究方向為異構(gòu)計算、計算機圖形學、人工智能等。曾在韓國科學技術(shù)院、新加坡南洋理工大學、杭州電子科技大學從事科研與教學工作，在SIGGRAPH、PG等國際著名學術(shù)會議發(fā)表論文10余篇。

圖書目錄

引言00
第1章昇騰AI基礎(chǔ)00
1.1人工智能與深度學習00
1.1.1人工智能簡史00
1.1.2深度學習概述00
1.2達芬奇架構(gòu)00
1.2.1計算單元00
1.2.2存儲系統(tǒng)0
1.2.3控制單元0
1.2.4指令集設(shè)計0
1.2.5卷積加速計算實例0
1.3昇騰AI處理器0
1.3.1昇騰310處理器0
1.3.2昇騰910處理器0
1.4Atlas硬件計算平臺0
1.4.1模組(Atlas 200)與開發(fā)者套件(Atlas 200DK)0
1.4.2Atlas 300板卡0
1.4.3Atlas 500智能小站0
1.4.4服務(wù)器(Atlas 800/Atlas 500 Pro)0
1.4.5Atlas 900 AI集群0
1.5本章小結(jié)0
第2章昇騰AI異構(gòu)計算架構(gòu)CANN0
2.1CANN概述0
2.2昇騰計算圖0
2.3運行架構(gòu)0
2.3.1訓(xùn)練場景運行架構(gòu)0
2.3.2推理場景運行架構(gòu)0
2.4開發(fā)環(huán)境安裝0
2.5全流程開發(fā)0
2.5.1開發(fā)工具鏈0
2.5.2典型開發(fā)流程0
2.6全流程開發(fā)工具鏈MindStudio0
2.6.1MindStudio簡介0
2.6.2模型開發(fā)0
2.6.3應(yīng)用開發(fā)與調(diào)優(yōu)0
2.6.4算子開發(fā)0
2.7本章小結(jié)0
昇騰AI處理器CANN架構(gòu)與編程
目錄
第3章CANN自定義算子開發(fā)0
3.1TBE開發(fā)概述0
3.1.1算子基本概念0
3.1.2TBE基本概念0
3.1.3TBE開發(fā)方式與流程0
3.2TBE DSL算子開發(fā)0
3.2.1開發(fā)環(huán)境準備0
3.2.2DSL的API接口0
3.2.3DSL算子開發(fā)示例0
3.2.4算子原型定義與算子信息定義0
3.2.5算子適配插件開發(fā)與算子編譯及部署0
3.2.6算子單元測試0
3.2.7算子系統(tǒng)測試
3.3TBE TIK算子開發(fā)
3.3.1TIK的適用場景
3.3.2TIK算子開發(fā)示例
3.3.3算子的性能優(yōu)化
3.4AI CPU算子開發(fā)
3.5本章小結(jié)
第4章昇騰計算語言
4.1AscendCL編程模型
4.1.1基本概念
4.1.2邏輯架構(gòu)
4.1.3線程模型
4.1.4內(nèi)存模型
4.2資源管理
4.2.1初始化管理
4.2.2Device管理
4.2.3Context管理
4.2.4Stream管理
4.2.5內(nèi)存管理
4.3模型加載與執(zhí)行
4.3.1模型加載
4.3.2模型執(zhí)行
4.3.3設(shè)置動態(tài)Batch/動態(tài)分辨率/動態(tài)AIPP/動態(tài)維度
4.3.4準備模型執(zhí)行的輸入/輸出數(shù)據(jù)結(jié)構(gòu)
4.4算子功能開發(fā)
4.4.1算子功能開發(fā)典型流程
4.4.2封裝成AscendCL的算子
4.4.3未被封裝成AscendCL的算子
4.5輔助功能
4.5.1同步/異步
4.5.2AI Core異常信息獲取
4.5.3日志管理
4.5.4Profiling性能數(shù)據(jù)采集
4.6高級功能
4.6.1圖開發(fā)
4.6.2分布式開發(fā)
4.6.3融合規(guī)則開發(fā)
4.7本章小結(jié)
第5章CANN模型訓(xùn)練
5.1深度學習訓(xùn)練框架
5.1.1MindSpore
5.1.2TensorFlow
5.1.3PyTorch
5.1.4主流框架對比
5.2深度學習訓(xùn)練流程
5.2.1數(shù)據(jù)處理
5.2.2模型搭建與訓(xùn)練配置
5.2.3訓(xùn)練網(wǎng)絡(luò)與保存模型
5.3CANN訓(xùn)練實例之MindSpore
5.3.1環(huán)境搭建
5.3.2ResNet50實現(xiàn)圖像分類
5.3.3高階技巧
5.4CANN訓(xùn)練框架之其他框架
5.4.1CANN與TensorFlow的適配原理
5.4.2使用TensorFlow訓(xùn)練ResNet50
5.4.3CANN與PyTorch的適配原理
5.4.4使用PyTorch訓(xùn)練ResNet50
5.5網(wǎng)絡(luò)模型遷移和在線推理
5.5.1模型遷移和在線推理流程
5.5.2性能分析工具——Profiling
5.5.3算子自動調(diào)優(yōu)工具——AutoTune
5.5.4精度分析工具——Data Dump
5.6本章小結(jié)
第6章CANN模型部署
6.1模型部署概述
6.1.1模型部署全流程
6.1.2調(diào)用AscendCL實現(xiàn)推理執(zhí)行
6.2CANN的數(shù)字視覺預(yù)處理模塊
6.2.1DVPP工作原理
6.2.2DVPP使用方法
6.3CANN的模型轉(zhuǎn)換工具
6.3.1ATC工具工作原理
6.3.2ATC工具使用方法
6.3.3AIPP
6.3.4使用MindStudio完成模型轉(zhuǎn)換
6.4CANN的昇騰模型壓縮工具
6.4.1模型量化原理
6.4.2昇騰模型壓縮工具簡介
6.5CANN的模型部署實例
6.5.1TensorFlow模型推理——以ResNet50為例
6.5.2MindSpore模型推理——以Faster RCNN為例
6.5.3PyTorch模型推理——以Transformer為例
6.6本章小結(jié)
第7章行業(yè)應(yīng)用實例
7.1個性化影視推薦系統(tǒng)全流程開發(fā)實例
7.1.1實例簡介
7.1.2系統(tǒng)總體設(shè)計
7.1.3系統(tǒng)詳細設(shè)計與實現(xiàn)
7.1.4實例系統(tǒng)部署
7.2基于文字感知的智能巡檢機器人全流程開發(fā)實例
7.2.1實例簡介
7.2.2系統(tǒng)總體設(shè)計
7.2.3系統(tǒng)詳細設(shè)計與實現(xiàn)
7.2.4實例系統(tǒng)部署
7.3本章小結(jié)