深度学习及加速技术：入门与实践

本书紧密围绕深度学习及加速技术的基础理论与应用案例展开叙述，实现了深度学习算法设计与硬件加速技术的有机统一，是一本基础理论与实践案例相结合的实用图书。其具体内容涉及人工智能基本概念，神经网络数学基础、神经网络基本结构与学习策略、反向传播算法数学原理与训练机制等神经网络基础理论，以及一些高级主题和实践。本书可作为从事人工智能领域算法研究、架构设计与应用实现等工作的科研人员、工程师以及高等院校师生的参考书籍。

这是一本基础理论与实践案例相结合的实用图书。其具体内容涉及人工智能基本概念，神经网络数学基础、神经网络基本结构与学习策略、反向传播算法数学原理与训练机制等神经网络基础理论，以及一些高级主题和实践。 在书中，首先介绍了神经网络基础理论，包括神经网络结构、工作原理以及训练方法。其中，详细介绍了感知机学习、Hebb学习、性能学习等经典学习策略，以及反向传播算法、梯度下降算法和随机梯度下降算法等现代学习算法。此外，还详细介绍了卷积神经网络、目标检测与识别等高级主题，并探讨了深度学习优化技术，如梯度消失问题解决方法、过拟合问题解决方法、初始值与学习速度对网络的影响等。 在硬件加速技术方面，书中详细介绍了OpenCL异构并行计算架构和OpenVINO技术基础与加速架构。这些技术可以帮助开发者将深度学习网络模型部署到各种异构平台上，从而提高推理性能，整合深度学习，加速开发定制，并支持多种异构计算插件。